Notas técnicas sobre el análisis conjoint


Esta nota está preparada para que aquellos que estén familiarizados con los detalles de la experimentación de elección discreta (discrete choice experimentation) y que puedan responder con detalle a las preguntas clave. Ponte en contacto con el equipo si tienes más preguntas sobre la metodología.

¿Experimentación de elección discreta (DCE) o conjoint?

Conjoint.ly utiliza la experimentación de elección discreta que a veces se denomina conjoint basada en elecciones. La DCE es una técnica robusta y coherente con la teoría de la utilidad aleatoria y se ha demostrado que simula el comportamiento real de los clientes en el mercado (Louviere, Flynn & Carson, 2010 cubren este tema en detalle). Sin embargo, el resultado sobre la importancia relativa de los atributos y el valor por nivel se alinea con el resultado del análisis conjoint (análisis de utilidades parciales).

Diseño experimental

Conjoint.ly utiliza los atributos y niveles que especifiques para crear un diseño de elección (factorial fraccionado), optimizando el equilibrio, la superposición y otras características. Nuestro algoritmo no intenta específicamente maximizar la d-efficiency, pero tiende a producir diseños d-efficiency. Se inclina a producir diseños de resolución IV o V (como tal, admite la medición de interacciones bidireccionales, aunque no se utilicen en nuestra modelización en esta fase).

En la mayoría de los casos, el número de conjuntos de elección es excesivo para un encuestado y el experimento se divide en múltiples bloques (a menudo entre cinco y diez). No admitimos diseños individualizados (es decir, que cada encuestado tenga su propio bloque). Cada conjunto de elección consta de varias alternativas de construcción del producto y, por defecto, de una alternativa de “no comprar”.

Para revisar el diseño experimental del experimento

  • Abre la pestaña “advanced options” en la página de configuración de tu experimento.
  • Haz clic en “Export experimental design”.

¿Es necesario que los encuestados completen todos los bloques disponibles?

No, cada encuestado sólo tiene que completar un “Bloque”, que se le asigna aleatoriamente.

Tamaño mínimo de la muestra

Conjoint.ly recomienda automáticamente un tamaño mínimo de muestra. En la mayoría de los casos, está entre 50 y 300 respuestas. En nuestros cálculos, utilizamos una fórmula propia que tiene en cuenta el número de atributos, los niveles y otros ajustes experimentales.

¿Qué es el Bayesiano jerárquico?

Conjoint.ly utiliza la estimación de Markov Chain Monte Carlo Hierarchical Bayes (MCMC HB) para calcular los coeficientes de preferencia a nivel individual. La modelación jerárquica bayesiana es un modelo estadístico en el análisis conjoint. Es un tipo de modelación que estima los parámetros (utilidades parciales no para el mercado en su totalidad, sino para cada individuo.

La palabra “jerárquico” se refiere a la estructura anidada (los individuos están anidados en el mercado). “Bayesiano” se refiere al paradigma estadístico de la estadística bayesiana que se basa en el teorema de Bayes.

Este enfoque presenta tres ventajas con respecto a los modelos “tradicionales” (a nivel de mercado), en los que se supone que las preferencias son las mismas en todos los encuestados:

  • Los coeficientes a nivel individual ayudan a la estimación de la cuota de mercado para tener en cuenta la heterogeneidad de las preferencias en el mercado.

  • Permiten segmentar a los encuestados según sus preferencias.

  • Este enfoque permite estimar más parámetros (atributos y niveles) con menores cantidades de datos recogidos de cada encuestado.

Las regresiones más sencillas no suelen ser adecuadas debido a la heterogeneidad de las preferencias. Por ejemplo, imaginemos que al 50% de las personas les gusta la característica A y al 50% les gusta la característica B. Si utilizamos un modelo de nivel agregado, acabaremos haciendo una media entre estos dos grupos (la preferencia media de ambos será cercana a cero) y, por tanto, no captaremos la importancia de este factor para la toma de decisiones.

Disposición marginal a pagar (DMP)

Para los experimentos en los que uno de los atributos es el precio, Conjoint.ly estima un modelo independiente con el precio como variable numérica. También realizamos comprobaciones para que el cálculo de la medida sea adecuado, teniendo en cuenta tanto el montaje experimental como las respuestas recibidas (por ejemplo, limitando el cálculo de la DMP en los casos en los que hay una no linealidad en el precio). La disposición marginal a pagar es sólo una cifra indicativa.

Simulación de la cuota de preferencia

La simulación de la cuota de preferencia se realiza utilizando los coeficientes individuales del modelo logit multinomial HB estimado. Existen dos modelos para calcular las cuotas de mercado:

  • El modelo “Share of preference”, que es apropiado para productos de bajo riesgo o de compra frecuente: Productos de consumo masivo, software, etc. Este modelo es aplicable en la gran mayoría de las aplicaciones.

  • Modelo de “first choice”, que es adecuado para productos de alto riesgo o que se compran con poca frecuencia: educación, seguros de vida, planes de pensiones, etc.

Utilidades parciales (utilidades de nivel)

Conjoint.ly estima un modelo logit multinomial jerárquico bayesiano (HB) de elección utilizando respuestas conjuntas calificadas. Los coeficientes finales de este modelo son los valores parciales de cada nivel - estos valores reflejan la fuerza con la que cada nivel influye en la decisión de elegir una alternativa sobre otra. Cuando se realizan simulaciones de cuotas de preferencia, las utilidades parciales se utilizan para calcular la preferencia relativa por las alternativas examinadas.

Ten en cuenta cómo mostramos las puntuaciones de los niveles en el informe: Las puntuaciones de utilidad conjoint en bruto (que aparecen en la pestaña “Individual preferences” de la exportación de Excel) se procesan antes de mostrarse en el informe en línea.

Transformación de las puntuaciones conjoint de utilidad en bruto en puntuaciones de nivel

La siguiente fórmula se aplica a Generic Conjoint, Brand-Specific Conjoint, Claims Test, Product Variant Selector, Brand-Price Trade-Off, y MaxDiff.

Por encuestado:

  1. Dentro de cada atributo, centrar en cero las utilidades. Esto se hace restando la utilidad media del atributo de cada valor de utilidad. Debido a este paso, una puntuación resultante de 0 es, por definición, la puntuación del nivel medio.

  2. Multiplicar por 10. Esto se hace simplemente porque es más fácil hablar de números enteros que de decimales.

  3. Promediar entre los encuestados.

Importancia relativa de los atributos

Utilizando las puntuaciones de las utilidades parciales obtenidas para cada nivel, podemos estimar una medida aproximada de la importancia relativa de cada atributo en la decisión de elección. En concreto, calculamos la importancia de los atributos como la dispersión (máximo menos mínimo) de los valores de utilidad parcial dentro de un atributo, normalizados entre atributos.

Por encuestado:

  1. Para cada atributo, se calcula el valor de utilidad máxima menos la mínima. Esto puede considerarse como la puntuación de importancia bruta.

  2. Se divide cada puntuación de importancia bruta por la suma de las puntuaciones de importancia de todos los atributos.

  3. (Sólo en Brand-Specific-Conjoint): Se multiplica por un valor escalar (el valor exacto dependerá del experimento específico; los detalles de este cálculo son confidenciales).

  4. Se calcula la media entre los encuestados.

Las puntuaciones resultantes son la importancia relativa de los atributos. Los atributos con grandes variaciones en el factor de oscilación se consideran más importantes.

Nota sobre los Brand-Specific-Conjoint: Ten cuidado al mirar los valores de utilidad brutos en la pestaña “Individual preferences” de la reporte de Excel. Los atributos se repiten para cada “marca”, por lo que puede haber varios más de los que has definido en el experimento.

Desempeño relativo de las marcas (sólo en Brand-Specific-Conjoint)

En los experimentos Brand-Specific Conjoint el cálculo de la utilidad parcial es el mismo; sin embargo, el desempeño relativo de las marcas se calcula de forma un poco diferente. Estos valores se basan en la combinación de niveles con mejor rendimiento dentro de cada “marca”. En concreto, cada valor es la suma de las utilidades parciales de los niveles que componen la mejor oferta de esa marca.

Es importante destacar que el desempeño relativo de una marca se verá afectado por las características que se apliquen a esa marca, especialmente si una de las marcas se mostró con características o niveles de precio inusuales o irreales.

La escala de estos valores es arbitraria, pero es coherente con las utilidades parciales, así como con el “ranked list of product concepts” (ranking de conceptos).