Choice-Based Conjoint(CBC) 選擇聯合分析軟體
- Choice-Based Conjoint(CBC) 選擇聯合分析軟體
-
類別研究分析軟體
-
介紹CBC/ACA是Sawtooth softwaret旗下久負盛名的聯合分析（Conjoint Analysis）軟體，聯合分析也稱為結合分析。CBC/ACA可以獲得水平的效用值，屬性的相對重要程度，市場細分，預測市場偏好份額等分析結果。
Choice-Based Conjoint(CBC) software
Conjoint analysis is a category of research methods, among which choice-based conjoint is the most popular, that mimics the respondent’s real world tradeoffs when making decisions. It is used for pricing studies, product optimization, healthcare options and many other things. To get a more indepth understanding of conjoint analysis, refer to our page on conjoint analysis.
What is choice-based conjoint (CBC)?
When you want to understand and predict how people make choices when facing challenging tradeoffs, Choice-Based Conjoint (CBC) is the most widely-used survey-based approach.
CBC also is known as discrete choice modeling (DCM) or
discrete choice experiments (DCE).
How does choice-based conjoint work?
Choosing a preferred product from a group of products is a simple and natural task that everyone can understand. The difference between choice-based and the earliest approaches to conjoint analysis is that the respondent expresses preferences by choosing from sets of concepts, rather than rating or ranking them.
The combination of attribute (feature) levels we ask respondents to evaluate is critical to making conjoint analysis work properly. Fortunately, Sawtooth Software takes care of those details (though you may import your own designs if you wish).
Each level appears nearly an equal number of times and appears with levels from other attributes nearly an equal number of times. This makes for a fair and balanced (orthogonal) experiment where the utility value (the preference) of each attribute level can be measured independently and with high precision.
We can assess the relative impact of each attribute level on choice just by counting "wins." But, it’s more precise to fit models such as multinomial logit (MNL), latent class MNL, and hierarchical Bayesian (HB) estimation.
HB is the most popular approach and leads to a set of utility scores for the attribute list for each respondent. Latent class can find groups of respondents who are very similar to one another in their choice preferences, while being very different between the groups. Thus, latent class is an excellent approach to leverage CBC data for needs-based segmentation and strategy.
Use Cases for CBC
Researchers often use CBC to study the relationship between price and demand, especially when the price-demand relationship can differ from brand to brand. One of the strengths of CBC is its ability to deal with interactions, such as between brand and price, or when different colors work better with different styles.
Choice-Based Conjoint (CBC) is used in marketing and economics applications across a variety of cases and industries, including:
• New product design, existing product redesign or line exten
sion
• Pricing studies
• Market segmentation
• Healthcare choices, including cancer regimens
• E-commerce
• Employee research (health plans, benefits)
• Transportation choice
• Green energy, electric vehicles, ride sharing
• Public health
• Education
• Environmental impact
• Finance, banking
• Technology and innovation
系統需求
Choice-Based Conjoint(CBC) 選擇聯合分析軟體
聯合分析是一類研究方法，其中基於選擇的聯合最為流行，它模仿了決策者在現實世界中的權衡取捨。它用於價格研究，產品優化，醫療保健選擇和許多其他事情。要更深入地了解聯合分析，請參閱我們的聯合分析頁面。
什麼是基於選擇的聯合（CBC）？
當您想了解和預測人們在面臨艱難的權衡時如何做出選擇時，基於選擇的聯合（CBC）是使用最廣泛的基於調查的方法。CBC也稱為離散選擇建模（DCM）或離散選擇實驗（DCE）。
基於選擇的聯合如何工作？
從一組產品中選擇一種首選產品是每個人都可以理解的簡單自然的任務。基於選擇的方法和最早的聯合分析方法之間的區別在於，受訪者通過從概念集中進行選擇來表達偏好，而不是對其進行評級或排名。
我們要求受訪者評估的屬性（特徵）級別的組合對於正確執行聯合分析至關重要。幸運的是，Sawtooth Software會處理這些細節（儘管您可以根據需要導入自己的設計）。
每個級別出現的次數幾乎相等，並且來自其他屬性的級別出現的次數幾乎相等。這使得公平和平衡（正交）的實驗成為可能，每個屬性級別的效用值（偏好）都可以獨立且高精度地進行測量。
我們只需計算“勝利”就可以評估每個屬性級別對選擇的相對影響。但是，更適合模型，例如多項式logit（MNL），潛在類MNL和分層貝葉斯（HB）估計。
HB是最流行的方法，可為每個受訪者的屬性列表提供一組效用得分。潛在班級可以找到在選擇偏好上彼此非常相似的一組受訪者，而這些群體之間卻有很大差異。因此，潛在類是利用CBC數據進行基於需求的細分和策略的絕佳方法。
CBC使用案例
研究人員經常使用CBC研究價格與需求之間的關係，尤其是當品牌之間的價格需求關係可能不同時。CBC的優勢之一是它具有處理相互作用的能力，例如品牌和價格之間的相互作用，或者當不同的顏色以不同的樣式更好地工作時。
基於選擇的聯合詞（CBC）在各種情況和行業中用於市場營銷和經濟學應用程序，包括：
• 新產品設計，現有產品重新設計或產品線擴展
• 定價研究
• 市場細分
• 醫療保健選擇，包括癌症治療方案
• 電子商務
• 員工研究（健康計劃，福利）
• 交通選擇
• 綠色能源，電動汽車，乘車共享
• 公共衛生
• 教育
• 對環境造成的影響
• 金融，銀行
• 技術與創新
AIØ WIN® 10分析軟體
AIØ WIN®分析軟體第10版 使用AIØ WIN®軟件，創建企業的活動模型，並跟踪所有建模活動的成本。以活動模型開始ABC分析，使您能夠將ABC工作重點放在管理決策需求上。 AIØ WIN®第9版提供了許多選項，以加強您的活動和ABC建模協作。 HTML生成功能允許您指定活動項目中的哪些模型和圖表包含在生成的HTML文件中。 XMI生成功能允許您將AIØ WIN®模型或單個圖導出到XMI，並在UML中查看模型和圖。 AIØ WIN®第9版提供了Visio®生成功能，允許您選擇單個模型和圖表包含在Visio®文件中。 AIØ WIN®在生成HTML期間將顯示活動項目中所有模型和圖表的列表，允許您從列表中選擇。 AIØ WIN®允許您生成XMI文件以支持統一建模語言（UML）。您可以從AIØ WIN®模型或從單個圖表及其分解中生成XMI文件。此功能允許用戶以流行的UML格式查看AIØ WIN®模型。 功能強大的企業活動建模 使用AIØ WIN®軟件中強大的企業活動模型，構建您的業務活動和與您的基線管理戰略的關係。 AIØ WIN®模型使您能夠記錄並以圖形方式顯示所有業務活動。 AIØ WIN®模型按層次組織，允許您從活動和樞軸上深入了解模型的不同和更詳細的觀點。雙擊活動和概念，添加描述元素的文本或附件文件。 支持HTML、Visio、XML和SVG格式。 AIØ WIN®還提供廣泛
Pipe Flow Expert 管路流力分析軟體
Pipe Flow Expert是我們用於設計和分析複雜管網的首選軟件應用程序，其中必須平衡流量和壓力以解決系統問題。具有強大的計算引擎，可提供快速準確的結果。我們採用額外的普通長度來確保我們的軟件是最好的，我們會及時回復用戶查詢。我們不只是想滿足您的期望; 我們希望提供卓越的服務，我們會像對待自己一樣對待客戶。用於解決管道網絡中最多25個管道，其中必須平衡流量和壓力以找到穩態條件。
CAFE 實驗計劃法軟體
實驗計劃法軟體CAFE (Computer-Aided Formula Environment)為一套實驗設計軟體，可靠的模型驗證方式 ：傳統的DOE或田口方法不區分樣本內、樣本外實驗數據之作法，其誤差被嚴重低估。CAFE採用交叉驗證法，可以在不需要增加實驗數目下，達到區分樣本內、樣本外的效果，使誤差能被準確估計。