面向产品偏好的离散选择设计！

admin

近期，我们将择机陆续为大家更多介绍一些JMP软件独有的差异化实验设计平台，以彰显JMP在实验设计领域的独特魅力。而在今天，我们要给大家引荐的华丽主角儿就是——面向产品偏好的离散选择设计。

说到“离散选择设计”这个名词，想必大家一定都很陌生。为了打消大家的隔阂，我们先从一些生活中的小案例讲起。

相信多数人都有过购置私家车的经历，比如为了挥别我长达几十年的屌丝的身份，我决定置换一辆当下车市比较火爆的奔驰GLC，那么经过简单检索，映入眼帘的便是2018款GLC 200 4MATIC、2018款GLC 260 4MATIC 动感型/豪华型、2018款 GLC 300 4MATIC 动感型/豪华型等5款细分车型(图-1)。这几款车的差异主要在于发动机、主/被动安全装备、辅助/操控配置、内/外部配置以及产品价格等特性；尽管我不是天秤座（没有黑天秤的意思哈），但也相信有很多人每当选择话费套餐时(图-2)，都会有和我一样的纠结，究竟哪款套餐性价比最高，更适合自己，而这些套餐的差异主要在于国内通话时长、国内流量和套餐月费等特性。

那么在这里，不同消费者对不同奔驰GLC细分车型和不同话费套餐的选择，就体现着消费者对这些同质化产品的偏好。而从奔驰和电信运营商这些产品供应商的角度，如何依据消费者的偏好，来设计迎合消费者需求的产品乃至形成合理的定价策略等营销方案，显然就成为了一个值得深入研究的课题。

图-1 a 奔驰GLC在售车型一览表


图-1 b 北京联通4G套餐

那么，随之衍生的问题自然而然就是如何才能有效地分析消费者的真实偏好呢？相信这也是在互联网+时代，各行各业品牌方兵家之争的重地，也是大家最为头疼的一个难题。毕竟，拍脑袋做决定的时代已经过去，大家都在借助于更科学、客观的方法来进行精准分析和精准营销。通常，我们能够联想到的一种方法就是通过问卷调查来进行市场调研，比如：让随机挑选的消费者对产品的不同特性进行重要性打分、重要性排序，或者在由不同特性组合而成的特征产品中进行遴选等等，然后对所收集的数据进行汇总分析，得出结论。然而，传统的问卷调研往往存在很多弊端，比如：

• 如果我们将重要性按1-5分进行评分(越高越重要)，那么消费者往往觉得所有的产品特性都重要，从而对各类产品特性的最终评分往往聚焦在4或5分的Top2上，难以形成有效的区分度；
• 消费者难以一次性比较过多不同特性组合的特征产品，他们更适合在少数项(2-3项)特征产品的比较中选择最优；
• 消费者疲于进行过多次数的选择，10次以下的抉择往往才是适宜的；
• 消费者可能存在偏见，因此，部分市场调研基于盲选开展更为合理。
  

面对这类产品设计业务相关场景，也许离散选择设计才是你更理想的好助手。

离散选择设计支持产品设计流程，使用作为产品特性的分类因子创建实验方案，然后利用离散偏好数据建模，帮助企业针对市场需求确定产品特性的主次，从而设计出满足消费者购买需求的产品。想必说到这里，大家依然还是云里雾里，因此，接下来，我们通过一个虚拟的小案例，来向大家进一步揭开离散选择设计的神秘面纱。

案例：某笔记本电脑供应商关注如何制造新型笔记本电脑，并想在成本高昂的开发过程开始之前掌握关于消费者偏好的信息。该供应商决定构建一个面向16个响应者的离散选择设计。该离散选择设计的目标在于，了解潜在笔记本电脑消费者看待一组产品特性(共4个)的偏好：

• 硬盘大小 (40GB 或 80GB)
• 处理器速度 (1.5 GHz 或 2.0 GHz)
• 电池寿命 (4小时 或 6小时)
• 价格 ($1000、$1200 或 $1500)
  

同其它实验设计一样，离散选择设计的核心依然是实验方案的设计和实验数据的分析两大要务。在这里，我们也同DOE系列前文一样，不过多纠缠于离散选择设计背后的统计学原理，而是借助JMP的离散选择设计相关平台来呈现该实验方案的构建过程，以及对其部分交互式、可视化输出报表的解读。

首先，我们通过实验设计>消费者研究>选择设计，启动选择设计平台，依据图-2设定，即可生成契合该供应商构想的离散选择设计方案。在这里，关于特性的设定无需多言，稍稍有实验设计经验的人员应该都能理解，需要稍微补充解释一下的是生成设计的参数设置：

• 选择集内可更改的特性数目=4，即每个选择集可更改硬盘大小、处理器速度、电池寿命和价格4个特性；
• 每个选择集的特征数目=2，即让每个响应者每次在2个不同特征的产品中进行择优选择(比如，在右侧绿框所示的两个产品中进行抉择)；
• 每个调查的选择集数目=6，即一份调查包括6个选择集，并将由1名响应者来完成调研，该响应者共需决策6次；
• 调查的数目=2，即设计2份不同的调查；
• 每个调查期望的响应者数目=8，即共需2份调查 x 8名响应者 = 16名响应者
  

总之，通俗理解就是，当前产品共有4个关键特性，而特征就是特性的集合，选择集就是特征的集合，调查就是选择集的集合，最终，每份调查对应1名响应者来完成实验。

图-2 启动选择设计平台

如果你感觉还有点儿眩晕，那么在选择“为特征和响应输出单独的表”复选框后，点击制表，所生成的表单也许会更具可读性一些。即：将图-3中的2份调查表1和2(左表)均衡地派发给16名响应者进行实验(右表)。右表中的每一行，即1名响应者在1个选择集中的两个特征产品中进行择优选择。

以第一行为例，选择1号特征产品(80GB硬盘、1.5GHz处理器、4Hrs电池寿命、$1500价格)，响应就录入1；选择2号特征产品(40GB硬盘、2.0GHz处理器、6Hrs电池寿命、$1200价格)，响应就录入2...，以此类推。这样的离散选择设计实验方案其实在很大程度上，就有效地规避了传统问卷调研的弊端。

图-3 离散选择设计实验计划表

当我们据此计划表完成全部实验，录入响应数据，同时还记录了响应者性别信息的话，即最终收集了如图-4所示的3张表单，就可以构建选择模型，进入对实验数据的分析环节了。


图-4 特征数据表(左)、响应数据表(中)、对象数据表(右)

通过分析>消费者研究>选择，启动构建选择模型的功能平台。由于我们最终收集的全部实验数据分列在图-5所示的3张表单中，因此在“数据格式”栏中选择“多个表、交叉引用”项后，依次在特征数据、响应数据和对象数据中选择图-5所示的3张表单并做相应设置后，点击运行模型即可。

其中，“分组+特征ID”设定主要用于独立区分每一行响应数据，“特征效应+模型效应”主要用于设定拟考察评估的模型效应项，其余设定主要用于让3张表单之间形成关联，具体细节有兴趣的读者可以参阅JMP帮助手册，本文此处就不再赘述了。


图-5 启动选择模型平台：特征数据设置(左)、响应数据设置(中)、对象数据设置(右)

最后，我们借助JMP输出的交互式、可视化报表来呈现部分分析结果。分析和简化模型

图-6 效应汇总报表

图-6a所示的“效应汇总”报表显示硬盘大小是最显著的效应，而性别和处理器速度的交互效应最不显著。我们可以通过逐一删除p值明显大于0.05的效应项并结合实际情况来精简模型，比如简化至图-6b所示。

效用刻画

图-7 男/女性效用刻画器

在图-7所示的“效用刻画器”中，分别检查男女性别下的硬盘大小效应的斜率，可以看到女性的斜率比男性的斜率陡峭，同样可以说明性别和硬盘大小之间的交互效应显著，而女性更关注硬盘大小这一特性。同时，无论男女性，对$1000-$1200的价格区间都不敏感。


与基线比较

图-8 男/女性概率刻画器

在图-8所示的“概率刻画器”中，如果我们将“40GB硬盘，1.5 GHz处理器，4hrs电池寿命，$1000价格”的特征产品作为参考基线（绿框标识），那么，对于女性来说，通过调整硬盘大小特性至80GB和价格特性至$1500，其选择的偏好概率会从0.5增长至0.84。如果$500足以覆盖硬盘性能提升带来的成本上升，那么这无疑将是一个划算的组合。



多项选择的比较

图-9 男/女性多项选择刻画器

在图-9所示的“多项选择刻画器”中，其假想场景可以是该公司准备上市3款不同特征的高、中、低端系列产品，那么对于女性消费者而言，其偏好概率的预测情况将为高中端产品平分秋色(约48.6%和47.2%)，而只会有很少的女性消费者选择低端产品(约4.2%)。此情此景相较于文章开头的生活现实案例是不是有点似曾相识的感觉呢？

好了，关于离散选择设计，我们今天就先介绍到这里，其奇思妙用的场景其实还有很多，如果你有兴趣，不妨到JMP的全球用户论坛(https://community.jmp.com )去开启一段更为广阔的探秘之旅，也许你会渐渐发现，身边琳琅满目的产品不过是一场离散选择设计的结果。

更多数据分析相关资讯、最新活动，敬请关注JMP官方微信公众号：

rocluo5566

有关PC的硬盘大小、价格、电池寿命与处理速度等在JMP的不少平台看到过，不愧是经典案例。