What is conjoint segmentation?

A Segmentação Conjunta é uma variante do Conjoint Baseado em Escolha com o objetivo de fornecer informações detalhadas sobre a amostra com vários segmentos de respondentes apresentados como parte da análise. O design experimental é criado usando métodos que empregam o algoritmo de troca de Federov para que o design final seja D-ótimo e quase ortogonal. O algoritmo explora o espaço completo de designs possíveis para o melhor dado os parâmetros especificados. Espera-se que cada opção (nível de variável) esteja presente aproximadamente o mesmo número de vezes em comparação com outras opções. O número total de versões varia dependendo da configuração, mas ter mais de cem versões para grandes configurações é comum. A análise central das preferências dos respondentes é realizada com a ajuda do modelo de Lógica Multinomial Bayesiano Hierárquico. O modelo Bayesiano é estimado com o Amostrador Gibbs Híbrido com um passo aleatório de MCMC de Metropolis. O número de iterações de aquecimento é determinado automaticamente quando há evidência suficiente de convergência. O modelo leva em consideração as propriedades de outros pacotes apresentados em uma tarefa quando o respondente faz uma escolha. A probabilidade de escolha corresponde à transformação lógica da combinação linear dos escores de utilidade dos pacotes na tarefa. Os respondentes são analisados individualmente, com seus escores de preferência sendo uma realização da opinião "média" agrupada que segue uma distribuição Normal, ao mesmo tempo refletindo suas preferências individuais. Como resultado, os coeficientes de Lógica brutos estão disponíveis para cada respondente. A análise de segmentação consiste em duas etapas. Primeiro, o modelo de Agrupamento de Mistura Gaussiana é aplicado sobre os coeficientes brutos do conjoint para determinar um número de clusters com respondentes que compartilham opiniões semelhantes. Em segundo lugar, uma série de testes é realizada usando dados disponíveis sobre as características dos respondentes e respostas a outras perguntas da pesquisa, para encontrar as características mais relevantes que explicariam a dissimilaridade de um cluster em relação aos outros. A página de estatísticas mostra vários elementos: resultados de segmentação, simulador de mercado, valores de Importância de Atributo e impactos de Participação de Mercado de Opção ou escores de Utilidade. No simulador de mercado, o modo "Participação de Mercado" assume um estado do mercado quando dois pacotes existem: um médio e o escolhido. Com tais configurações, é possível ver como a participação de mercado do pacote escolhido muda com uma alteração dos atributos. O modo "Escores de Utilidade" usa os coeficientes de Lógica brutos do pacote escolhido. Nesta configuração, um pacote médio recebe um escore de 0. Valores de importância para cada atributo, calculados como partes dos intervalos dos escores de utilidade. Quanto maior a importância, maior o impacto que uma decisão sobre o atributo tem na participação de mercado do pacote. A exportação inclui: Exportação de coeficientes brutos: Coeficientes de Lógica e atribuição de cluster para cada respondente Resumo em Excel: Importância de Atributo; Participação de Mercado de Opção e impactos de Escore de Utilidade Exportação de dados brutos: dados sobre o que cada respondente viu e qual decisão foi tomada em cada tarefa.