Совместный анализ — это статистический метод, используемый для определения того, как клиенты оценивают различные атрибуты — характеристики, функции, преимущества — продукта или услуги. Проще говоря, он находит компромисс между атрибутами, чтобы определить, что побуждает людей выбирать один продукт вместо другого. Вспомните ситуацию, когда вы покупаете новую машину. Вы можете оценить несколько вариантов в зависимости от модели, пробега, цены и характеристик. В конечном итоге вы выбираете продукт, который предлагает наиболее оптимальный набор из всего вышеперечисленного вместе взятого. Однако, как маркетологу или менеджеру по продукту, очень сложно понять, какие из атрибутов наиболее важны для вас, и если для нового продукта нужно будет внести какие-либо изменения, какие из них окажут на вас наибольшее влияние.
Совместный анализ решает этот вопрос, разбивая атрибуты продукта и предлагая людям ранжировать различные наборы атрибутов и сравнивая отдельные полезности каждого атрибута, которые вместе дают наивысшую оптимальную полезность. Любой, кто знаком с количественными исследованиями рынка, использовал бы совместный анализ при запуске нового продукта, его разработке или распределении ресурсов.
Совместное использование на основе выбора
Одним из наиболее часто используемых методов совместного анализа является совместный анализ на основе выбора или CBC. Часто рассматриваемый как отражение реального покупательского поведения, CBC одновременно представляет комбинации атрибутов и спрашивает респондентов, что они предпочитают. Во время анализа отдельные ответы объединяются или объединяются для определения рейтинга исследуемых продуктов или услуг.
Предпочтения потребителя моделируются с помощью функции полезности, которая показывает, насколько потребителю нравится данный продукт. Предполагается, что полезность u(x) продукта x равна сумме частичных полезностей или частичных значений для каждого атрибута.
i.e. u(x) = w.x
Предположим, у нас есть группа из nпотребителей, доступных для опроса. Анкета задает набор qвопросов каждому потребителю, чтобы выбрать один продукт из корзины p. Каждый продукт здесь описывается с помощью набора aатрибутов с уровнями l1, l2 каждый. Для исследования рынка требуется оценка отдельных частей стоимости, чтобы сегментировать население на основе предпочтений. Именно здесь можно применить машинное обучение, чтобы найти агрегированные частичные значения или частичные значения для всего населения.
- Иерархический байесовский анализ
Основная идея состоит в том, чтобы оценить отдельные функции полезности при условии, что их дисперсия не должна быть слишком маленькой. Таким образом, проблема оценки не является некорректной, и отсутствие информации для потребителя может быть восполнено другими. В случае вероятностной модели отдельные частичные значения берутся из распределения Гаусса со средним значением альфа (агрегированные частичные значения) и сигмой ковариации (неоднородность совокупности). Для набора продуктов (x1, x2, …. xp) вероятность того, что потребитель i выберет продукт x*, определяется выражением
2. Машины опорных векторов
Задача совместной оценки может быть сформулирована как задача классификации в пространстве различий профилей продуктов. С этой точки зрения для этой цели можно использовать такие классификаторы, как SVM. Если кто-то знаком с тем, как работает SVM, идея состоит в том, чтобы обучить классификатор с мягкими границами L2 и гиперплоскость, проходящую через начало координат, моделирующую шум в ответах с резервными переменными, так что
Для более подробного математического понимания того, как SVM можно использовать для совместного анализа, это и это являются полезными ссылками.
3. Совместная фильтрация
Совместная фильтрация, чаще всего используемая для создания систем рекомендаций, помогает понять сходство между оценками среди населения. Цель состоит в том, чтобы предсказать оценки человека по новым продуктам, учитывая прошлые оценки человека по аналогичным продуктам и оценки других людей по всем продуктам. Большинство систем CB используют векторную факторизацию, создавая векторы признаков, которые описывают пользователя и продукт. Используя косинусное сходство, вычисления выполняются по векторам признаков, чтобы идентифицировать похожих клиентов и похожие продукты на основе атрибутов каждого из них.
Пример совместного принятия решений на основе выбора
В очень простом примере потребителя просят ранжировать различные виды мороженого на основе следующих атрибутов — вкус, цена и размер. Каждый из этих атрибутов используется для прогнозирования значения полезности, связанного с каждым атрибутом, и результатом является наиболее оптимальный профиль или комбинация атрибутов.
При построении регрессионной модели машинного обучения переменная-предиктор X обозначается указанными выше атрибутами, а целевая переменная, y — это ответ или значение, данное потребителем каждому из них.
Окончательный результат может выглядеть примерно так, где уровень полезности отдельной части стоимости обозначается значением в %. Это легко показывает, как каждый атрибут оценивается потребителем, чтобы иметь положительное или отрицательное влияние на общую полезность.
Как мы видим, самая оптимальная упаковка – это 200-граммовая баночка мороженого со вкусом манго по цене 3,95 доллара США.
Изображение предоставлено: conjointly.com
Модели машинного обучения широко используются для различных видов исследований рынка и потребителей, особенно когда наборы данных большие и сложные. Для более подробного ознакомления с математикой построения совместных моделей на основе выбора, вот несколько полезных исследовательских работ:
