선택 플랫폼 개요
McFadden(1974)이 최초 공개한 선택 모델링은 제시된 대안에서 개체가 특정 항목을 선택할 확률을 추정하는 데 사용되는 강력한 분석 방법입니다. 선택 모델링을 컨조인트 선택 모델링, 이산 선택 분석 및 조건부 로지스틱 회귀라고도 합니다.
선택 실험에서는 제품 또는 프로세스(서비스의 경우) 속성 집합에 대한 고객 선호도를 연구합니다. 응답자에게 프로파일이라고 하는 제품 속성 집합이 제공됩니다. 각 응답자는 선택 집합이라고 하는 작은 프로파일 집합을 보고 가장 선호하는 항목을 선택해야 합니다. 일반적으로 각 응답자에게 몇 가지 선택 집합이 제공됩니다. 선택 플랫폼을 사용하여 선택 실험 결과를 분석할 수 있습니다.
참고: 선택 설계 플랫폼을 사용하여 선택 실험을 설계할 수 있습니다. 자세한 내용은 실험 설계 가이드의 “Choice Designs”에서 확인하십시오.
고객이 속성을 평가하는 방식이 다양하기 때문에 많은 시장 조사원들은 시장 세분화를 선택 실험 분석의 중요한 단계로 간주합니다. 그렇지 않으면 실제로 존재하지 않는 "보통의" 고객을 만족시키는 제품이나 프로세스를 설계하면서 존재하는 세분화 시장의 선호도를 무시할 위험이 있습니다.
선택 모델링에 대한 배경 정보는 Louviere et al. (2015), Train(2009) 및 Rossi et al. (2005)에서 확인하십시오.
선택 플랫폼
선택 플랫폼에서는 조건부 로지스틱 회귀 형태를 사용하여 특정 구성이 선호될 확률을 추정합니다. 단순 로지스틱 회귀와 달리 선택 모델링은 개체 특성에만 의존하지 않고 선형 모형을 사용하여 반응 속성을 기반으로 선택을 모델링합니다. 선택 모델링에서 응답자는 가격, 탑승자 수, 컵 홀더 수, 색상, GPS 장치, 연비, 도난 방지 시스템, 착탈식 시트, 안전 장치 수 및 보험료와 같은 10가지 속성 집합으로 설명되는 두 자동차 중에서 선택할 수 있습니다.
선택 플랫폼을 사용하면 응답자가 프로파일 집합 중에서 선택하지 않아도 됩니다. 선택 안 함 옵션은 응답자가 선택할 수 있는 단일 속성("Select none of these: 이 중에 없음 선택")을 가진 제품으로 처리됩니다. "선택 안 함" 속성에 대한 모수 추정값은 모형의 가정에 따라 다양한 방식으로 해석될 수 있습니다. 또한 선택 플랫폼을 사용하면 선호 패턴을 세분화하는 데 유용한 개체 수준 정보를 얻을 수도 있습니다.
Firth(1993)에 설명된 대로 편향 수정된 최대 가능도 추정량을 얻을 수 있습니다. 이 방법은 편향 수정이 없는 MLE보다 더 나은 추정값과 검정을 생성하는 것으로 나타났습니다. 또한 편향 수정된 MLE는 로지스틱 유형의 모형에서 발생하기 쉬운 분리 문제도 개선합니다. 로지스틱 회귀의 분리 문제에 대한 자세한 내용은 Heinze & Schemper(2002)에서 확인하십시오.
참고: 선택 플랫폼은 순위 지정, 스코어링 또는 내포된 계층 선택과 관련된 모형을 적합시킬 때 적절한 방법이 아닙니다. 이러한 분석에는 SAS/ETS의 PROC MDC를 사용할 수 있습니다.
제품 및 서비스 개발의 선택 설계
고객 만족도 설문 조사를 통해 제품이나 서비스의 문제점을 찾아낼 수 있지만 특정 제품 속성과 관련된 소비자 선호도를 파악할 수는 없습니다. 엔지니어는 제품을 설계할 때 일상적으로 수백 또는 수천 개의 작은 설계 결정을 내립니다. 고객 테스트가 가능하고 연구 참가자(개체)가 있는 경우 선택 실험을 사용하여 일부 설계 결정을 보여줄 수 있습니다.
설문 조사 배포, 모델링 및 프로토타입 생성 비용이 감소하면 제품을 설계할 때 고객이 많은 속성과 대안을 평가하기가 쉽습니다. Six Sigma 프로그램에서 선택 모델링을 사용하여 소비재를 개선하거나, 더 일반적으로는 사람들이 원하는 제품을 만들 수 있습니다. 선택 실험을 통해 고객 선호도에 대한 데이터를 얻고 선택 모델링을 통해 이러한 선호도를 나타냅니다.
세분화
때때로 시장 조사원들은 행동이 다른 개체 그룹이 있는지 알아보기 위해 각 개체에 대한 선호도 구조를 개별적으로 분석하려고 합니다. 그러나 대개 보통의 추정값으로 이를 수행하기에는 데이터가 충분하지 않습니다. 데이터가 충분하면 개체 식별자를 "반응 데이터"에서 "기준 그룹"으로 지정하거나, 개체 쪽 모형 항으로 지정할 수 있습니다. 그러나 이 방법은 개체 수가 많은 경우 비용이 많이 듭니다.
데이터가 부족하여 "기준 그룹"을 지정할 수 없는 경우 "개체별 그래디언트 저장" 옵션으로 개체를 군집화하여 JMP에서 세분화할 수 있습니다. 이 옵션은 각 개체에 대한 각 모수의 평균 헤시안 척도 그래디언트를 포함하는 새 데이터 테이블을 생성합니다. 예는 세분화의 예에서 확인하십시오. 그래디언트 값에 대한 자세한 내용은 그래디언트에서 확인하십시오.
JMP Pro의 경우 시장 세분화를 용이하게 하기 위해 선택 플랫폼에서 계층적 Bayes 방법을 사용하도록 요청할 수 있습니다. 베이지안 모델링은 모형 모수의 개체별 추정값을 제공합니다(부분 가치라고도 함). 이러한 모수를 계층적 군집화 또는 다른 유형의 군집 분석을 통해 분석하여 시장 세분화를 나타낼 수 있습니다.