Come usare lo strumento
Apri un file di dati o usa i dati di esempio, indica le colonne di ID intervistato, task e scelta, poi spunta le colonne degli attributi. Gli attributi numerici come il prezzo possono essere contrassegnati come lineari per stimare una sola pendenza; scelto un attributo di prezzo lineare, compare la disponibilità a pagare. L'opzione “nessuno” è una riga con tutti gli attributi vuoti, oppure con 1 nella colonna dell'indicatore “nessuno”.
I risultati del logit aggregato compaiono subito. Con “Esegui la stima HB” il Bayes gerarchico parte in un thread in background e mostra l'avanzamento; al termine il simulatore di mercato (2–6 prodotti) fa la media sulle estrazioni salvate di ogni intervistato e permette di usare la regola della prima scelta.
Il metodo: codifica effects, prezzo lineare e Bayes gerarchico
Un attributo categoriale con L livelli usa la codifica effects: si stimano L − 1 parametri e l'ultimo livello è l'opposto della somma degli altri, quindi le utilità parziali di ogni attributo sono centrate sullo zero. Un attributo numerico può essere stimato come termine lineare (centrato e scalato, con il risultato riportato in utilità per unità). L'opzione “nessuno” ha una propria costante.
Probabilità di scelta P(sceglie j) = exp(xⱼ·β) ÷ Σₖ exp(xₖ·β). Il logit aggregato stima con il metodo di Newton–Raphson i β dell'intervistato medio e i loro errori standard. Il Bayes gerarchico assume βₙ ~ N(b, D) per ogni intervistato e usa lo stesso motore Metropolis-within-Gibbs dello strumento MaxDiff, con seme fisso e risultati riproducibili.
- Importanza dell'attributo = escursione delle sue utilità parziali ÷ somma delle escursioni di tutti gli attributi × 100; con l'HB si calcola per intervistato e poi si fa la media.
- Disponibilità a pagare = (utilità del livello − utilità del primo livello dell'attributo) ÷ utilità persa per unità di prezzo, calcolata sulle utilità medie (con l'HB, rapporto tra le medie).
- Limiti del browser: l'HB gestisce al massimo 5000 intervistati e 60 parametri.
Esempio con i dati di esempio
I dati sintetici di esempio simulano uno studio su auricolari wireless: 300 intervistati, 10 task ciascuno con 3 prodotti più l'opzione “nessuno”, per un totale di 3000 scelte, di cui il 17,7% per “nessuno”. Il logit aggregato (R² di McFadden = 0,164) dà questa importanza degli attributi: Prezzo 44,6%, Autonomia della batteria 23,1%, Marca 16,5%, Cancellazione del rumore 15,7%.
Il prezzo è stimato come lineare: ogni dollaro in più costa 0,0220 unità di utilità. Ne segue che, per l'intervistato medio, la cancellazione del rumore vale circa 31,72 dollari e passare da 6 a 14 ore di batteria circa 46,60 dollari.
Simulando insieme un modello premium (Aurora, 14 ore, cancellazione del rumore, 139 dollari) e uno economico (Zenith, 10 ore, senza cancellazione del rumore, 49 dollari), le quote sono rispettivamente del 35,2% e del 42,8%, mentre il 22,0% sceglie “nessuno” (quote di preferenza del logit aggregato; eseguendo l'HB nello strumento ottieni quote basate sugli individui).
Quando è adatta e quando no
La CBC è adatta a decisioni di prezzo e di design del prodotto: quali caratteristiche vale la pena aggiungere, quanto valgono e quale quota di preferenza può ottenere una nuova combinazione rispetto ai concorrenti.
- Da 2 a circa 8 attributi, 2–15 livelli per attributo e almeno 8 task di scelta per intervistato.
- Devi solo ordinare una serie di claim o caratteristiche: la MaxDiff è più semplice per gli intervistati.
- Gli intervistati valutano o ordinano prodotti completi invece di scegliere: usa una conjoint basata su punteggi (SPSS CONJOINT).
- Le quote simulate sono quote di preferenza: non tengono conto di distribuzione, notorietà e promozioni e non sono previsioni di vendita.
Come interpretare i risultati
Confronta le utilità parziali solo all'interno dello stesso attributo; l'importanza di un attributo dipende dall'intervallo di livelli testato, e più ampio è l'intervallo di prezzo, più il prezzo sembra importante. Quando i prodotti sono simili, preferisci le simulazioni basate sull'HB, perché il logit aggregato esagera le differenze tra prodotti simili.