结合分析实例预测客户偏好
联合的意思是结合在一起、联合、结合或联合。联合分析已经使用了30年。自60年代中期以来，它就被用于商业数学心理学，但市场研究应用程序在过去30年中一直被创建。联合分析通常用于理解和识别消费者如何进行权衡，以及他们如何在竞争产品和服务中进行选择。联合分析可以用来预测客户的选择，这可以进一步用于理解未来的购买。
联合分析为许多关键的管理问题提供了答案，如:什么是新产品的最佳设计?新产品发布时会用到什么?与竞争对手相比，我们的价值是什么?如何改进现有产品?品牌名称对客户选择我们的产品或服务有多重要?一种产品能占有多少市场份额?产品的价格敏感性是什么?如果我们改变价格，会对销售产生什么影响?每个产品功能的价格价值是多少?是否值得添加一个新功能，还是不值得花费这么多钱?
有不同类型的联合分析技术。第一种类型被称为全剖面联合分析。第二种是基于选择的离散联合分析，简称CBC。然后是适应性联合分析，简称ACA。还有MaxDiff联合分析，最后一个越来越流行的是层次贝叶斯联合分析。贝叶斯方法用于分析部分。贝叶斯方法本质上是高效的，可以处理不恰当或不完整的大量数据。在所有这些类型中，基于选择的结合是最流行的。
无论使用哪种类型，联合分析程序通常是相同的。但是，执行情况不同。第一步是描述产品或服务的属性、特征或特征。您使用的描述称为“因子”。然后，您需要为每个因子选择值。这些价值被称为“水平”。第三步是利用这些因素和水平构建一套产品或服务。各种因素和水平的组合称为治疗或刺激。一旦你制定了治疗方案和刺激方案，你就会将其呈现给受访者，由他们提供评估。
你的客户会对你的产品产生偏好。例如，您可以要求客户从选项列表中选择他们最喜欢的产品。你也可以让顾客把他们的喜好排序。你也可以让顾客给你的产品打分。给产品评级可以让你衡量每个产品及其与其他产品的强度。您还可以简单地询问客户在产品列表中最喜欢的选择。这个首选项为您提供了客户最喜欢的一个选项。这个选项被称为“联合”选项。
接下来，确定首选项结构。您根据客户反馈确定偏好结构。偏好结构决定了各因素和水平的影响。该分析可以单独执行，也可以使用客户数据集合执行。
例如，让我们使用一种虚构的产品，名为Zen洗涤剂。这种洗涤剂有三个因素。这三个因素是成分、品牌及其形式。每个因素有两个层次。成分水平包括磷酸盐基和无磷酸盐。形态层次包括液体或粉末。品牌级别为Zen洗涤剂或通用品牌。
总共有8个刺激物。这意味着有8种形式和关卡的组合。然后将这8种刺激因素呈现给你的客户。顾客被要求将这些刺激因素从1到8进行排序，排名不能是相等的。
这个例子是一个编辑过的模型。一个经过编辑的模型计算每个层次和因素的价值。假设我们的客户选择了第I层作为因子1，第J层作为因子2，第N层作为因子N。客户选择的总价值等于所有层次和因子组合的总和。所以总体价值是第I层J层N层的总和。
继续使用Zen磷酸盐品牌。例如，选择Zen，无磷酸盐，粉末状作为组合。给每个部分分配一个值，并将它们相加，以找到总值。
你可以用一个经验例子来更好地理解。在一个实证例子中，假设有两个受访者对这8个刺激因素进行了排名。
组合也被称为配置文件。您为配置文件分配可识别的标签。将第一个概要文件标记为S1。然后标记接下来的档案D1, D2, D3。“D”通常表示“发达的”。配置文件包含因素列表和相应的组合。如果您删除一个因子，那么您将使用负数来表示组合配置文件。
整理完个人资料后，在各栏中填写受访者姓名，然后在各栏中填写每位受访者的选择。在统计哪种组合最受客户欢迎时，您使用受访者的回答对每个组合配置文件进行排名。
您还需要知道如何对每个部分的价值进行排名。你可以通过计算每个组合的平均人气来计算每个组合的价值。首先将每个部分的秩相加，然后除以所有部分的总数。例如，液体的等级是多少?把顾客的排名加起来，然后除以你使用的液体组合的总数。
现在我们该怎么办？一旦我们有了等级，我们将计算出平均值。将所有等级和组合总数相加，求平均值，得出总分。
例如，假设Zen洗衣粉品牌排名为1、3、5和7。如果我们把一、三、五、七加起来，再除以四，就得到四。这是我们计算平均值的方法。一旦计算出平均值，我们需要附加一些所谓的“部分价值”。例如，选择因素作为成分和无磷水平。在美国，无磷酸盐的平均排名为3.75，基于磷酸盐的平均排名为5.25。如果你求出两者的差，那么5.25 - 3.75等于1.5。如果把这个1.5除以2，就得到0.75。您将较低的数字分配给您最喜欢的产品。因此，如果你有一个负数，你就把它分配给你最受欢迎的产品。 So in this example, 3.75 is the average rank for phosphate-free, and 0.75 is for the phosphate-based (more popular).
一旦我们有了部分价值，你就可以预测排名了。你试着找出值得使用整体刺激的部分。要做到这一点，您需要对每个刺激的价值部分进行求和，以找到总体效用。第二步是根据这些实用工具预测排名。
让我们举一个配置文件S2的例子，其中的形式是液体、成分和磷酸盐，品牌是通用的。R1的响应实用程序为2.5。我们如何得到这个2.5？液体部分为1，无磷酸盐部分为2，通用部分为-.5（之前获得）。
一旦你有了这些部分的价值，你就可以求和得到全部的部分价值。1 + 2 - 0.5，等于2.5，这就变成了S2剖面的总值。你可以看到，无论哪个组合的值最大，它都将获得第一名。所以3.5是第1位的最大值，2.5是第2位的最大值，也是第2位的值，同样的，减去3.5是部分效用的最小值，也就是第8位。这是针对客户的预测，可以对第二个应答者做出类似的预测。因此，我们可以计算出刺激的价值。
这是一个非常简单的例子。您通常需要软件来计算这些数字，因为通常需要计算多个组合和多个因素。您还有数百名受访者参与您的反馈调查。
联合分析有助于评估产品价值或改进现有产品。这是市场调查中很流行的一种方法。它可以让你估算出你是否愿意为一个还不存在的商品付费。联合分析可以用于现有产品，也可以用于假设的情况。这些假设的情况可能是你想向市场推出的产品或服务，你想知道潜在客户的支付意愿。
联合分析还有一个内在的优势。联合分析自动增加了总样本量。从统计学的角度来看，样本量的要求总是很高的。所以两者结合的好处是，虽然你可能有较少的受访者，但你会有更多的观察结果。因此，您的总样本量会增加。
产品经理的应用是，他们可以发现具有最佳质量的产品或概念。它们可以为每个实用程序建立每个属性和每个级别的贡献。他们可以识别对属性具有不同重要性的消费者群体。联合分析通常与聚类相结合，以找出首选片段。然后，它们可以用来探索未来组合的市场潜力。
联合分析还允许您创建预测应答者偏好的独特模型。然后可以对单个结果进行聚合，以找出组实用程序，或者使用它们来建立聚合模型。联合分析处理非线性和线性关系。
联合决策框架包括六个步骤。我们必须确定目标和我们想要实现的目标。其次，我们开发了一个析因设计并开发了假设。然后进行联合分析，了解模型和评估。此外，还必须评估模型的质量。然后，解释结果。您还需要验证您的结果。
你还必须了解如何设计一个联合分析研究。首先选择确定要评估的商品的属性。重要的是属性应该是相对于好的。您可以使用price作为属性之一。您可以选择定性或定量的属性。然后确定属性的级别。一旦确定了属性，就需要确定每个属性的级别。有条件地，这个水平应该是现实和合理的。你不能为每个属性设置不可能的级别。他们必须现实一点。
让我们用一个例子来进一步理解这个概念。例如，让我们看看访问的属性。在访问方面，有两个层次。基本访问级别是指它是否可用。当然，当我们说“可用”时，每个条件都应该考虑。另一个例子是作为属性创建的新作业数量。这是一个量化数字，但你可以看到它被定义为三个级别，150是创造的工作岗位数量(第一级)，250是创造的工作岗位数量(第二级)，350是创造的工作岗位数量(第三级)。
第三步，正如每一种统计技术所要求的，是样本量，它应该很大。例如，假设您使用一个房子，它有三个属性。占地面积可分为三层，分别为1500层、2000层和2200层。其次，第二个属性可能是靠近城市中心。您可以使用小于3英里或大于3英里作为属性。价格有4个等级，20万，25万，30万，35万。如果你把所有这些组合组合在一起，我们的全析因设计将包括3成2成4，或24个备选方案。
在这个例子中，全析因设计是可取的，因为备选方案的数量减少了。当你需要一个人来评估你的选择时，24个选择是一个实际的选择。但如果这个数字变得更多，假设有100个或超过100个选项，就很难进行个人评估了。当选择的数量变得过高时，你就可以使用阶乘设计。Art有一个名为ENG design的包，可以用于生成部分析因设计。分数因子设计软件做什么?它减少了选择的数量。
接下来，构建选择集或产品概要，然后您可以将选择的数量相加。在联合分析中，有一定数量的假设。其中一个假设是，备选方案受受访者潜在效用的驱动。你需要计算被调查者的效用。
被调查者效用分为两列：一列是确定性的，我们可以实际确定；另一列是研究人员无法估计的附加组件。根据方程，你可以把这个分量的总和写成VIJ，这是效用，然后是V，它将等于XIJ，转化为beta。X是属性和级别的向量，beta是客户分配给这些因素和级别的权重的向量。Epsilon IJ是添加剂，因为市场研究人员无法评估这部分选择。
