إجراء التحليل المقترن باستخدام الذكاء الاصطناعي

يوفر Minds مسار عمل للتحليل المقترن يقيّم المفاضلات بين المنتجات متعددة السمات باستخدام لوحات اصطناعية توجيهية. تدخل الفرق السمات والمستويات والقيود ومعاملات المهام لتوليد تصاميم خيارات أمثل من النمط D مبنية على الخادم. يجمع Minds الاختيارات بين التكوينات الكاملة، ويطبق نماذج اللوجت الشرطي، ويخرج أهمية السمات، والقيم الجزئية لكل مستوى، وتشخيصات التحقق من صحة عينات الاستبعاد، ومحاكاة حصص التفضيل التوجيهية لتوجيه إستراتيجية المنتج قبل الجمع الميداني البشري.

القرار الذي يدعمه التحليل المقترن

تواجه قيادات المنتجات والأبحاث قرارات مفاضلة صعبة عند تصميم الباقات البرمجية، أو السلع الاستهلاكية، أو مستويات الأجهزة، أو حزم الخدمات. عندما يحتاج فريق المنتج إلى تحديد ما إذا كان المشتري المستهدف يفضل عمر بطارية أطول على حساب هيكل أكثر نحافة، أو أسعاراً أساسية أقل على حساب دعم ممتاز مدمج، فإن مقاييس التقييم المباشرة غالباً ما تفشل. يعمد المجيبون بانتظام إلى تحديد كل ميزة على أنها حاسمة وكل نقطة سعر على أنها مرتفعة للغاية. يحل التحليل المقترن هذه المشكلة عن طريق جمع الاختيارات بين التكوينات الكاملة المكونة من مستويات سمات متنوعة.

تقيس هذه الطريقة كمياً مقدار القيمة التي يضعها المشترون على السمات الفردية وتحسب المنفعة النسبية لكل مستوى. من خلال ملاحظة الاختيارات عبر مجموعات مهام مهيكلة، تقدر فرق الأبحاث القيم الجزئية لكل مستوى، والتي تكشف عما يضحي به المجيبون للحصول على ميزاتهم المفضلة. يدعم التحليل المقترن قرارات محفظة المنتجات، وقوائم تضمين الميزات، وحدود المستويات السعرية، والتأطير التنافسي.

تقيس الطرق المجاورة مثل MaxDiff الأهمية النسبية للميزات الفردية بشكل معزول، بينما يركز Gabor-Granger و Van Westendorp بشكل حصري على مرونة الأسعار لعنصر واحد. يقيّم التحليل المقترن الميزات والأسعار في وقت واحد ضمن تكوينات منتجات موحدة. وبدلاً من سؤال المجيبين عما يريدونه، تقيّم الطريقة الاختيارات بين التكوينات الكاملة عبر ملفات تعريف منتجات واقعية.

في Minds، يعمل التحليل المقترن كمحرك توجيه في المراحل المبكرة. يختبر مديرو المنتجات تركيبات السمات مقابل الجماهير الاصطناعية لتحديد حزم الميزات وهياكل التسعير قبل إطلاق العمل الميداني البشري أو المبادرات الهندسية.

تكوين الدراسة

يتطلب تنفيذ دراسة مقترنة في Minds تحديد معاملات التصميم الهيكلي قبل نشر التشغيل إلى الجمهور. يعتمد النظام على مدخلات محددة لبناء تجربة الاختيار.

أولاً، حدد السمات والمستويات. تمثل السمات الأبعاد الأساسية للمنتج، مثل حجم الشاشة، أو السعر الشهري، أو وقت تشغيل البطارية، أو مدة الضمان. المستويات هي القيم المنفصلة التي يمكن أن تأخذها كل سمة.

ثانياً، حدد القيود القابلة للتنفيذ. إذا كانت بعض تركيبات مستويات السمات غير ممكنة منطقياً أو غير مجدية تجارياً، مثل مستوى أساسي يتضمن عناصر تحكم في أمان المؤسسات أو نموذج عالي الأداء بسعر منخفض جداً، فقم بإدخال القيود القابلة للتنفيذ. يستبعد Minds التركيبات المحظورة من مساحة التصميم.

ثالثاً، اضبط عدد المهام. حدد عدد المهام بين 4 و40 لتحديد عدد مجموعات الاختيار التي سيتم تقييمها أثناء التشغيل.

رابعاً، حدد البدائل لكل مهمة. حدد ما بين 2 و5 تكوينات منتجات كاملة تُعرض في كل مجموعة اختيار.

خامساً، قم بتكوين مهام الاستبعاد الاختيارية. اضبط ما بين 0 و10 مهام استبعاد اختيارية. مهام الاستبعاد هي مجموعات اختيار يتم وضعها جانباً أثناء التكوين وتُستثنى من تدريب نموذج اللوجت الشرطي. يستخدم Minds مهام الاستبعاد فقط لإخراج تشخيصات التحقق من الصحة بعد تطبيق معاملات النموذج.

سادساً، حدد معرف المقدر، والذي يتم تكوينه كـ multinomial-logit-v1.

بمجرد تقديم السمات، والمستويات، والقيود القابلة للتنفيذ، وعدد المهام، والبدائل لكل مهمة، ومهام الاستبعاد الاختيارية، ومعرف المقدر، يبني Minds أساس الدراسة.

كيف ينفذ Minds هذه الطريقة

يتبع التنفيذ مسار عمل مهيكل. بمجرد الاعتماد النهائي للمعاملات، يبني الخادم تصميم اختيار أمثل من النمط D. تبني هذه الإجراءات تصميماً تجريبياً يراعي جميع القيود القابلة للتنفيذ وحدود المهام المحددة. توازن مصفوفة النتائج بين عرض المستويات وتحسن التقديرات الإحصائية.

ثم ينشر Minds تصميم الاختيار على لوحة الجمهور الاصطناعي المحددة. تنفذ الملفات الشخصية الاصطناعية الاختيارات بين التكوينات الكاملة عبر مجموعات المهام المولدة. في كل مهمة، يقيّم المجيب الاصطناعي مفاهيم المنتجات جنباً إلى جنب ويختار خياراً مفضلاً واحداً. تعكس الاختيارات الإجبارية المفاضلات التي يواجهها المشترون في بيئات الشراء.

بعد اكتمال الجمع، يبدأ Minds تقدير منفعة القيمة الجزئية باستخدام مقدر اللوجت الشرطي. يعالج نموذج اللوجت الشرطي الاختيارات بين التكوينات الكاملة لقياس المساهمة النسبية لكل مستوى سمة في التفضيل العام لملف التعريف. تُحسب القيم الجزئية لكل مستوى عبر جميع السمات، مما يحول التحديدات الفئوية إلى مقاييس احتمالات لوغاريتمية مستمرة ودقيقة.

يقوم مسار العمل بعد ذلك بتشغيل مرحلة التحقق من صحة الاستبعاد. تنتج مرحلة التحقق من صحة الاستبعاد المسجلة تشخيصات من خلال اختبار النموذج على مهام الاستبعاد التي تم وضعها جانباً أثناء التكوين. يسجل Minds معدلات الاصابة والتشخيصات لتحديد جودة الملاءمة الأساسية.

أخيراً، تنفذ المنصة محاكاة حصة التفضيل فقط عند توفير التكوينات. ينقذ النظام سيناريوهات تنافسية من خلال تقديم تكوينات المنتجات المستهدفة إلى جانب المفاهيم البديلة، باستخدام منافع القيم الجزئية المقدرة لتوقع حصص التفضيل التوجيهية. ترجع هذه المخرجات حصص تفضيل توجيهية ولا تُسمى أبداً حصة السوق المتوقعة.

تفسير المخرجات

توفر المخرجات المولدة بواسطة تشغيل التحليل المقترن في Minds تحليلات رقمية مهيكلة مصممة للتركيب البحثي.

توثق جدول تصميم الاختيار المصفوفة الكاملة للمهام المعروضة عبر الدراسة، مما يؤكد توازن التصميم والامتثال للقيود.

تحتوي مجموعة بيانات الاختيارات الخام على التحديدات المسجلة عبر جميع مجموعات المهام المعروضة، مما يوفر مسار تدقيق للتحقق اللاحق.

تُلخص تقديرات القيم الجزئية لكل مستوى منفعة كل مستوى سمة، وهي منظمة حسب معرفات المستويات المنفصلة. تشير قيم المنفعة الجزئية الإيجابية إلى زيادة التفضيل مقارنة بالمستوى الأساسي، بينما تعكس القيم السلبية عدم المنفعة النسبية. تقيّم فرق الأبحاث هذه الأرقام لتحديد انخفاض التفضيل المحسوب عند الانتقال بين المستويات السعرية أو ميزات المنتج.

تعبر درجات أهمية السمات عن المساهمة النسبية لكل سمة في إجمالي تباين الاختيار. يحدد هذا الأبعاد التي تحرك الاختيارات بشكل عام. تشير أهمية السمة بنسبة أربعين بالمئة للسعر إلى أن التسعير يمارس ضعف التأثير على نتائج القرار مقارنة بسمة الضمان التي تسجل عشرين بالمئة.

تحتوي معاملات مخرجات الملاءمة على الإمكانية اللوغاريتمية، والإمكانية اللوغاريتمية الصفرية، ومربع R لـ McFadden، ومعدل الاصابة، والملاحظات، والمعاملات، وحالة التقارب، ومعرفات المستويات المنفصلة.

تقدم تشخيصات التحقق من الصحة من مرحلة التحقق من صحة الاستبعاد مقاييس أداء تشخيصية، بما في ذلك معدل الاصابة في مهام الاستبعاد.

عند توفير التكوينات، ترجع مخرجات المحاكاة حصص تفضيل توجيهية. تظهر هذه المخرجات كيف تتغير حصص التفضيل التوجيهية عند تغيير تكوينات الميزات أو نقاط السعر. تختبر الفرق عمليات إطلاق المنتجات الافتراضية مقابل خطوط الأساس للمنافسين لتحديد التكوينات التي تعظم حصص التفضيل التوجيهية. لا يتم الإشارة إلى حصص التفضيل التوجيهية هذه أبداً على أنها حصة السوق المتوقعة.

مسار العمل لفرق أبحاث السوق والمنتجات المحترفة

تدمج مؤسسات الأبحاث والمنتجات المحترفة تشغيلات التحليل المقترن في Minds ضمن مسارات الاستكشاف والتحقق.

تبدأ الفرق بتحديد السمات المرشحة والمستويات السعرية المحتملة مع أصحاب المصلحة الداخليين. يدخل مديرو الأبحاث هذه المعاملات في Minds لإجراء اختبارات أصلية اصطناعية. توفر اللوحات الاصطناعية ملاحظات توجيهية حول حساسية المفاضلة، مما يسمح للفرق بالتكرار والتطوير.

إذا أظهرت مخرجات القيم الجزئية الأولية أن بعض الميزات تقدم منفعة لا تذكر، يستبعد مديرو المنتجات تلك السمات أو يعدلون حدود المستويات. إذا كانت الحساسية السعرية تهيمن على جميع الأبعاد الأخرى، تعيد الفرق معايرة المسافات بين المستويات لإعادة إنشاء تمايز أكثر وضوحاً.

بمجرد أن يسفر تشغيل التحليل المقترن الاصطناعي عن أهمية واضحة للسمات، ومعرفات مستويات منفصلة، وتشخيصات التحقق من صحة الاستبعاد، تصدر الفرق المعاملات التجريبية النهائية. ثم تُنشر السمات والمستويات وقواعد القيود في استطلاعات رأي بشرية مستقطبة.

من خلال الاختبار المسبق لتصميم التحليل المقترن في Minds، يقيّم الباحثون معاملات المهام، ويراجعون مقاييس الملاءمة مثل مربع R لـ McFadden والإمكانية اللوغاريتمية، ويصقلون هياكل الاستطلاع قبل العمل الميداني البشري. توفر المخرجات الاصطناعية التوجيهية معلومات للإحاطات التنفيذية وتحدد خارطة طريق المنتجات، بينما يوفر الاستقطاب البشري التحقق الخارجي.

إدارة ما بعد الإطلاق، تعيد الفرق تشغيل المحاكاة في Minds من خلال تقديم تكوينات جديدة لتقييم حصص التفضيل التوجيهية دون الحاجة إلى جمع ميداني جديد. إذا خفض المنافس الأسعار أو قدم حزماً جديدة، يعدل المحللون معاملات ملف التعريف في Minds لمحاداة حصص التفضيل التوجيهية قبل تخصيص الموارد لدراسة ميدانية رسمية.

الحدود والتحقق من الصحة

أدلة الجمهور الاصطناعي في Minds هي بطبيعتها توجيهية. تعكس تشغيلات التحليل المقترن المنفذة على لوحات اصطناعية سلوك الشخصيات المُمذجة بناءً على أسس مرجعية، وليس حقيقة إحصائية للسوق. لا يدعي Minds التمثيل الإحصائي أو الدقة الشاملة.

لا تحل دراسات التحليل المقترن الاصطناعية محل المجيبين البشريين المستقطبين، أو التحقق من صحة اللوحات الميدانية الحقيقية، أو بيانات الشراء السلوكية الفعلية. وبدلاً من ذلك، يكمل Minds العمل الميداني الحقيقي من خلال فحص الفرضيات، وتحديد نطاقات السمات، وتحسين هياكل الاستبيانات، وترشيد ميزانيات الاستقطاب للأسئلة البحثية.

تتطلب بعض الحالات التجارية الخاصة التحقق من الصحة مع مجيبين بشريين مستقطبين. تغييرات الأسعار عالية المخاطر، وإطلاق فئات منتجات جديدة دون وجود سابقة تاريخية في السوق، والمراجعات التنظيمية يجب أن تُفحص من خلال لوحات بشرية حقيقية. توفر اللوحات الاصطناعية فحصاً توجيهياً، ولكن يظل العمل الميداني البشري مطلوباً للحد من المخاطر النهائية.

من خلال تنفيذ التحليل المقترن في Minds كأداة تصميم تكرارية، تقلل فرق الأبحاث والمنتجات من الجداول الزمنية لتطوير الاستطلاعات، وتقيّم معاملات النموذج، وتدخل العمل الميداني البشري بأدوات مهيكلة.