Académique Documents
Professionnel Documents
Culture Documents
Eric EISENSTAT
Radu HERMAN
SIMULRI DE MARKETING
Editura
2012
2
Eric Eisenstat, Radu Herman
http://www.infomega.ro
CIP nr. CIP nr. 23133 / 06.12.2012
Descrierea CIP a Bibliotecii Naionale a Romniei
EISENSTAT, ERIC
Simulri de marketing / Eisenstat Eric, Herman
Radu. - Bucureti : InfoMega, 2012
Bibliogr.
ISBN 978-973-7853-76-9
I. Herman, Radu
339.138
Simulri de marketing
Cuprins
Cuvnt nainte...............................................................................................................5
I Introducere .......7
1 Despre ce este vorba ....7
2 Aplicaii de simulare n marketing ..13
2.1 Privire de ansamblu . . . . . . . . . .. . . . . . . . . . . . . ...13
2.2 Procesul simulrii de marketing . . . . . . . . . . . . . . .15
2.3 Proiectarea simulrilor pozitive .. . . . .. . . . . . . .16
2.4 Proiectarea simulrilor normative. . . . . . . . . . . ... .17
2.5 Proiectarea simulrilor instrumentale . . . .. . . . . .... . . . . ...19
Bibliografie..................................................................................................................21
3 O privire asupra tehnicilor de modelare i simulare ....23
3.1 Privire de ansamblu . . . . .. . . . . . . . . . . . ... . 23
3.2 Modelare teoretic . . . . . . . . . . . . ... . . . .. . . 25
3.3 Modelare empiric. . . . . . . . . . . .... . . . . . . . . . . . ..28
3.4 Abordarea echilibrat . . . . .... . . . . . . . 29
Bibliografie..................................................................................................................32
II Drumul ctre simulare .......33
4 Rezolvarea ecuaiilor neliniare i Metoda Newton ......33
4.1 Privire de ansamblu . . . . . . . . . . . . . . . . .. . . ... 33
4.2 Metoda Newton unidimensional . .. . . .. 34
4.3 Metoda Newton multidimensional ..... . . ... 41
4.4 Rolul n simulrile de marketing. . . . . . . . ... 43
Bibliografie...............................................................................................................,,.48
5 Metodele Monte Carlo i inferena Bayesian. .........49
5.1 Privire de ansamblu . . . . . . . . . . . .. . . . . . . .49
5.2 Integrarea Monte Carlo . . .. . . . . . . . ... 50
5.3 Extensii comune . . .... . . . . . . . ...... . 57
5.4 Inferena Bayesian . . . . . . . . . ....... . . . .. 59
Bibliografie..................................................................................................................71
4
Eric Eisenstat, Radu Herman
Simulri de marketing
Cuvnt nainte
Modelarea i simularea reprezint o tehnologie de cercetare puternic care
evolueaz rapid i care ofer aplicaii de marketing n organizaiile actuale.
Proiectarea i implementarea simulrilor de marketing pentru dezvoltarea
aplicaiilor de marketing i a politicilor din lumea real reprezint o ocupaie
interesant - i fr ndoial o activitate recompensat financiar din cadrul
domeniului de cercetare de marketing.
Acest text (i probabil cursul introductiv de acompaniere) v vor oferi o
idee despre ce anume este incitant. Totui, nu v ateptai s devenii un expert
n simulri; este o cale lung pn la metodologia modern de simulare. Dar,
parcurgnd acest text ar trebui s fii bine pregtii pentru a v mbunti
aptitudinile i nelegerea cursurilor de nivelul celor de licen. Pentru cei care
nu i doresc s devin specializai n simulri de marketing, acest text i
propune s ofere nite baze conceptuale i practice pentru o comunicare
fluent i pertinent n cadrul proiectelor care implic simularea, care a ctigat
deja un grad considerabil de rutin n profesia de marketing.
Contribuia autorilor la realizarea acestui material este urmtoarea:
Lect. Univ. Dr. Eric Eisenstat, pentru Capitolul 4, Capitolul 5, Capitolul 6,
Capitolul 7
Asist. Univ. Dr. Radu Herman, pentru Capitolul 1, Capitolul 2, Capitolul 3
Autorii sunt contieni c lucrarea are inegaliti, c sunt teme sau probleme
insuficient tratate, c este susceptibil de mbuntiri i de aceea vor fi
recunosctori tuturor celor care vor trimite observaii i sugestii n acest sens.
6
Eric Eisenstat, Radu Herman
Simulri de marketing
I Introducere
1 Despre ce e vorba
Acesta este un scenariu obinuit de marketing. Un productor de camere
digitale realizeaz i vinde trei tipuri de camere, de urmtoarele dimensiuni:
keychain, handheld i SLR. Trsturile principale, precum preurile i costurile
unitare de producie ale fiecrui produs sunt reprezentate n Tabelul 1.1. La
ntlnirea anual a conducerii, Directorul de Cercetare i Dezvoltarea anun c
departamentul vine cu o nou tehnologie care le va permite s mreasc
rezoluia camerei handheld de la 8 megapixeli la 10 megapixeli, iar lungimea
factorului de focalizare (adic capacitatea de zoom) a lentilelor de la 5x la 10x.
Ingeniozitatea este c aceste mbuntiri vor putea fi realizate cu aceleai costuri
de producie i fr alterarea altor atribute de producie. CEO-ul companiei
solicit Directorul de Marketing pentru a analiza i propune cum va fi
introdus n pia aceast nou tehnologie.
Rezoluie
Keychain
Handheld
SLR
2mp
8mp
12mp
Zoom
LCD
Greutate
0x
100g
5x
2.5in
300g
30x
3.0in
500g
Tabel 1.1: Modele de camere digitale
Pre
50
150
350
Cost
unitar
40
50
60
Mai specific, ea este instruit c planul propus de marketing are trebui orientat
nspre nlocuirea camerei actuale handheld cu una care este identic la toate
caracteristicile, dar cu 10 megapixeli n loc de 8 i un zoom de 10x n loc de 5x.
Suplimentar, este solicitat ca planul de marketing s fie astfel realizat ca s nu
genereze schimbri semnificative n actualele cote de pia ale celor trei produse
realizate de ctre firm.
Ambele condiii apar din anumite particulariti specifice ale procesului de
producie: toate liniile de producie sunt optimizate pentru a realiza exact
8
Eric Eisenstat, Radu Herman
Simulri de marketing
Zoom
LCD
Greutate
Pre
7mp
7x
2.0in
250g
165
Tabel 1.2. Caracteristici ale camerei firmei concurente.
Cost
unitar
50
10
Eric Eisenstat, Radu Herman
Simulri de marketing
12
Eric Eisenstat, Radu Herman
Simulri de marketing
14
Eric Eisenstat, Radu Herman
Simulri de marketing
16
Eric Eisenstat, Radu Herman
Simulri de marketing
18
Eric Eisenstat, Radu Herman
Simulri de marketing
20
Eric Eisenstat, Radu Herman
Simulri de marketing
Bibliografie
Burke, R. R. (2002). Technology and the customer interface: What consumers
want in the physical and virtual store. Journal of the Academy of Marketing
Science 30, 411432.
Franses, P. H. (2005). On the use of econometric models for policy simulation
in marketing. Journal of Marketing Research 42, 414.
Gilbert, N. and K. G. Troitzsch (2005). Simulation for the Social Scientist
(Second ed.). Berkshire (UK): Open University Press.
Gnther, M., C. Stummer, L. M. Wakolbinger, and M. Wildpaner (2011). An
agent-based simulation approach for the new product diffusion of a novel
biomass fuel. Journal of the Operational Research Society 62,1220.
Lucas, R. (1976). Econometric policy evaluation: A critique. In K. Brunner
and A. Meltzer (Eds.), The Phillips Curve and Labor Markets, CarnegieRochester Conference Series on Public Policy, 1, pp. 1946. New York:
American Elsevier.
22
Eric Eisenstat, Radu Herman
Simulri de marketing
24
Eric Eisenstat, Radu Herman
hart la mrime real pentru a gsi drumul ntr-un ora necunoscut. Diferena
esenial ntre modelele cldirilor (sau strzilor oraelor) i modelele
fenomenelor sociale este c o reprezentare la mrime real a fenomenelor
sociale este imposibil de realizat. Adic nu putem construi un model 100%
realist al fenomenului social chiar dac ne-am dori. Acest lucru este
semnificativ deoarece, spre deosebire de un arhitect care are o idee destul de
bun privind ceea ce modeleaz, un economist sau marketer nu are. Pentru un
arhitect, decizia privind care aspecte ale actualei cldiri s le abstractizeze sau
s le micoreze i care s fie modelate la un detaliu mai ridicat este relativ uor.
Un economist sau marketer nu este de obicei contient despre toate aspectele
care exist n relaie ntr-un fenomen social. La urma urmelor, scopul nostru
este de a descrie ntr-un mod folositor o cutie neagr, i nu un obiect fizic,
tangibil.
Pentru prevenirea abordrii de modelare de la a deraia ntr-un exerciiu adhoc, economitii i marketerii se bazeaz pe un set de reguli i proceduri pentru
dezvoltarea unor astfel de modele. n general, modelele economice formale sau
analitice sunt matematice prin natur i constau n (i) axiome, (ii) proceduri
logice i (iii) concluzii derivate. Aderarea la aceste principii este ceea ce ne
permite s organizm idei complexe, s asigure c modelele sunt consistente
logic i probabil mai important, s comunice intuiia derivat din aceste
modele ntr-un mod eficient pentru conectarea diferitelor modele mpreun
n extinderea nelegerii cum funcioneaz cutia neagr i astfel s avanseze
teoriile economice i de marketing. ntr-adevr, modelarea formal poate fi
considerat ca fiind limbajul economitilor i marketerilor. Pentru un marketer
care aspir la contruirea unui algoritm bazat pe simulri pe computer este
indispensabil un model analitic care s stea la baza fenomenului de marketing.
n msura n care un algoritm de simulare este puin mai mult dect un set de
instruciuni pe care s le execute computerul, un model analitic de marketing
este piatra de temelie pentru simulare. Privit simplu, nu poate avea loc o
discuie rafinat de simulare de marketing fr o discuie explicit despre un
model analitic care st la baza fenomenelor de marketing care trebuie simulate.
n marketingul academic, modelarea formal a fost n dezvoltare explicit
pentru mai mult de 50 de ani (ncepnd cu munca lui Dorfman i Steiner,
1954; Vidale i Wolfe, 1957; Nerlove i Arrow, 1962). Aa cum se poate
atepta cineva, majoritatea efortului a fost orientat nspre caracterizarea cererii
de produse sau servicii. Totui, modelarea cererii pentru un produs sau grup
particular de produse este o ncercare complex i cu mai multe aspecte, chiar
Simulri de marketing
26
Eric Eisenstat, Radu Herman
Simulri de marketing
fenomen. Alt exemplu, dac suntem interesai de cererea unui produs matur
care se gsete pe o anumit pia matur i ea, atunci putem opta pentru
caracterizarea acestei cereri cu un model static i ne orientm mai explicit pe
relaiile cererii cu variabilele de marketing de interes. Pe de alt parte, dac
preocuparea principal este introducerea unui nou produs pe o pia volatil,
atunci un model al cererii privind difuzarea care caracterizeaz explicit
propagarea informaiei i evoluiei cererii n timp este mai potrivit.
Un alt aspect important al modelelor de marketing este c deciziile de toate
tipurile dintr-un context de marketing implic incertitudine. n consecin, o
trstur esenial a acestor modele este manevrarea incertitudinii cu
instrumente fondate pe teoria probabilitii. Premisa general a acesteia este c
percepia uman a incertitudinii la toate nivelurile poate fi descris pragmatic
prin distribuii de probabilitate. Aceast afirmaie nu trebuie luat totui prea
literal: cercettorii tiu c un individ care merge la cumprturi ntr-un
supermarket nu i construiete distribuii de probabilitate n minte cu privire
la preurile necunoscute ale unor alternative privind produsele de pe lista de
cumprturi! Dei o discuie exhaustiv privind ultima afirmaie depete
scopul acestei cri, este important de subliniat c fiecare implementare a unui
algoritm de simulare de marketing se bazeaz neaprat pe ipoteze privind
comportamentul uman confruntat cu incertitudinea. Idea de modelare explicit
i riguroas a acestui comportament utiliznd instrumente matematice este de
a oferi o expunere clar i sincer a unor astfel de ipoteze. n schimb, aceasta
permite o interpretare mai potrivit i o comunicare mai eficient a rezultatelor
simulrii.
Modelele specifice de comportament care sunt descrise mai detaliat n
capitolele care urmeaz nglobeaz - relativ explicit diferite surse de
incertitudine. ncorporarea acestor modele de comportament n algoritmi de
simulare de marketing necesit totui un nivel suplimentar de modelare i
controlul unei alte surse de incertitudine aceea care provine din faptul c
cercettorul dintr-un context anume de simulare este capabil de a observa
numai o parte din toate informaiile (adic date) necesare de a descrie n
ntregime modelul de comportament. Aceasta ne conduce din nou la subiectul
cheie, respectiv la calibrarea modelului, care presupune ca cercettorul s
traduc orice model teoretic dat ntr-unul empiric. Aceast tranziie este uneori
tratat n termeni mai explicii (Reiss i Wolak, 2007); alteori, conexiunea unui
model empiric cu partea sa teoretic este confuz. Punctul pn la care relaia
dintre un model teoretic i empiric trebuie realizat explicit este din nou
28
Eric Eisenstat, Radu Herman
Totui, aceasta nu este singura abordare. Exist o clas mare de modele econometrice cunoscute
ca non-parametrice sau semi-parametrice care au o abstractizare diferit de conceptul de estimare
a parametrilor. Cu toate acestea, aceasta este o abordare mai puin obinuit n modelarea i
simularea de marketing i de aceea depete scopul acestei cri.
Simulri de marketing
30
Eric Eisenstat, Radu Herman
Simulri de marketing
32
Eric Eisenstat, Radu Herman
Bibliografie
Dorfman, R. and P. Steiner (1954). Optimal advertising and optimal quality.
American Economic Review 44, 826836.
Nerlove, M. and K. J. Arrow (1962). An operations-research study of sales
response to advertising. Econometrica 29, 129142.
Reiss, P. C. and F. A. Wolak (2007). Structural econometric modeling:
Rationales and examples from industrial organization. In J. J. Heckman and E.
E. Leamer (Eds.), Handbook of Econometrics, Volume 6A, Chapter 64, pp.
42774415. Oxford (UK): Elsevier.
Varian, H. R. (1997). How to build an economic model in your spare time. In
M. Szenberg (Ed.), Passion and Craft: Economists at Work. Ann Arbor:
University of Chicago Press.
Varian, H. R. (2010). Intermediate Microeconomics: A Modern Approach
(Eighth ed.). New York: Norton & Company.
Vidale, M. and H. Wolfe (1957). An operations-research study of sales
response to advertising. Operations Research 5, 370381.
Wierenga, B. (2008). Handbook of Marketing Decision Models. New York:
Springer.
Simulri de marketing
34
Eric Eisenstat, Radu Herman
1 c
ln (4.2)
b a
Simulri de marketing
f ( xt 1 )
(4.4)
f '( xt 1 )
36
Eric Eisenstat, Radu Herman
0
0
-2
3
1
0.6667
0.5621
4.8955
2
0.5518
0.0247
4.4729
3
0.5463
0.0001
4.4537
4
0.5463
0.0000
4.4537
5
0.5463
0.0000
4.4537
Simulri de marketing
xt21 1
.
2 xt 1
Deci, ce fel de valori de start ar trebui alese i cum afecteaz ele soluia
oferit de ctre algoritm?
Se poate imediat observa c x0 0 nu reprezint o valoare rezonabil de
start. De ce nu? Ea poate - i ar trebui verificat prin f '(0) 0 , i de aceea
algoritmul ar da gre imediat ce ar ncerca s actualizeze mprind la zero. Dar
dac x0 0,1 ? Aceast valoare de start este apropiat i conduce la soluia
x 1 . Similar, algoritmul poate fi iniializat prin x0 0,1 , iar n aceast
situaie este returnat x 1 . Tabelul 1.2 prezint soluiile spre care converge
algoritmul din mai multe alte puncte de start.
Se vede c valorile pozitive de start conduc la rdcina x 1 , n timp ce
valorile negative de start conduc la soluia alternativ x 1 . Aa cum reiese,
aceasta este adevrat n general pentru funcia f ( x ) x 2 1 . Totui, aspectul
38
Eric Eisenstat, Radu Herman
Rezultate
aproximative
Valoare
Rezultate
Iteraii
Iteraii
necesare de start aproximative necesare
*
*
-1,000
7
0,1
1,000
7
-1,000
4
0,5
1,000
4
-1,000
4
2,0
1,000
4
-1,000
9
50
1,000
9
6
*Criteriul de finalizare este f ( xt ) 10
ncearc singur
S aplicm unele concepte discutate n aceast seciune prin implementarea
unui algoritm simplu al Metodei Newton n practic. S presupunem c ne
dorim s gsim rdcinile ecuaiei cubice
f ( x ) x 3 1,5 x 2 6 x 1
Simulri de marketing
Se observ c n acest caz, valoarea de start este inializat la zero. Att timp
ct nu conduce la f '(0) 0 , reprezint un punct de start n timp ce celelalte
formule sunt configurate n foaia de lucru; mai trziu, ea poate fi modificat
pentru a examina modul de lucru al algoritmului sub valori de start alternative.
Pasul urmtor este programarea evalurii funciei f(x) ale crei rdcini
dorim s le gsim. Formula Excel pentru ecuaii cubice este introdus direct n
celula B3 (la iteraia 0), aa cum este artat n Panelul A de mai jos. n
concordan cu secvena urmtoare din grafic (Panelul B), este introdus n
celula B4 formula funciei derivate, respectiv f '( x ) 3x 2 3x 6 . Mai trebuie
s introducem regula de actualizare, ncepnd cu iteraia 1. Aceasta se
realizeaz prin introducerea formulei corespunztoare ecuaiei (1.4) n celula
C2, aa cum este demonstrat n Panelul C.
(A)
(B)
(C)
Celulele care rmn pot fi completate prin copiere-lipire din celulele preprogramate B3, B4 i C2. n cele din urm se obine
Acum pentru x0 10
40
Eric Eisenstat, Radu Herman
f ( xt 1 )
;
f '( xt 1 )
Simulri de marketing
continu la urmtoarea iteraie t+1 (att timp ct t<T). Not c 1 i 2 sunt puncte
predeterminate prag pentru terminarea execuiei;
3. Dac dup T iteraii algoritmul nu a fost convergent conform criteriului din Pasul 2b,
returneaz o eroare.
Metodele moderne de gsire numeric a rdcinilor pot fi caracterizate ca
fiind extensii ale acestui algoritm de baz care este concentrat pe depirea
diferitelor complicaii discutate mai sus. Mai exact, ele sunt gndite pentru a
oferi un balans optim n termenii controlului posibilelor dificulti care ar
putea aprea. De exemplu, un interes primar n aceast direcie este extinderea
Metodei Newton pentru a garanta o convergen global adic pentru toate
valorile de start. ntr-adevr, acest lucru este posibil cu ajustri relativ simple
ale Algoritmului 1, dar cu costul ratei de convergen, care n algoritmul
rezultat este liniar mai degrab dect ptratic. Cnd cineva este preocupat
despre periodicitate i convergen pentru o gam mare de valori de start,
acesta reprezint un schimb binevenit. Pe de cealalt parte, dac regiunile de
convergen sunt suficient de uor de stabilit analitic a priori, atunci o asemenea
extensie i pierde din atractivitate. nc o dat, analiza riguroas a funciei ale
crei rdcini sunt cutate este necesar pentru a nelege ce tipuri de extensii
(dac exist) sunt de dorit, pentru problema specific analizat.
f n ( x1 ,..., xn ) 0,
(4.6)
42
Eric Eisenstat, Radu Herman
f1 ( x )
F ( x ) . (4.7)
f ( x)
n
J ( x)
f ( x ) f ( x )
n n
x
x
1
1
(b) Verific
dac
algoritmul
avut
convergen:
dac
xt xt 1 1 sau
Simulri de marketing
44
Eric Eisenstat, Radu Herman
Simulri de marketing
ui ( xi , y pxi ;i )
u ( x , y pxi ;i )
p i i
(4.13)
xi
zi
46
Eric Eisenstat, Radu Herman
Unde c () este funcia de cost care msoar costurile totale necesare pentru
a produce o cantitate x din produs. Se presupune mai departe c n derivarea
preului su, productorul aplic acelai model de alegeri ale consumatorului
precum marketerul social, adic
x n1 x ( x, 1 ) n2 x ( p, 2 ) (4.15)
Cel care realizeaz arhitectura simulrii are dou opiuni despre cum s
implementeze aceast parte a algoritmului. Prima opiune este s aplice direct
Metoda Newton tridimensional pentru a gsi soluiile x1, x2, i p. Alternativ,
este posibil s reduc problema la o singur dimensiune prin substituirea lui x1
cu x2 astfel ca
p p(n1 x ( p, 1 ) n2 x ( p, 2 )) (4.16)
Simulri de marketing
48
Eric Eisenstat, Radu Herman
Bibliografie
Hildebrand, F. B. (1974). Introduction to Numerical Analysis (Second ed.).
New York: McGraw-Hill.
Isaacson, E. and H. B. Keller (1966). Analysis of Numerical Methods. New
York: Wiley.
Kotler, P. and G. Zaltman (1971). Social marketing: an approach to planned
social change. Journal of Marketing 35, 312.
Press, W. H., S. A. Teukolsky, W. T. Vetterling, and B. P. Flannery (2007).
Numerical Recipes: The Art of Scientific Computing (Third ed.). Cambridge:
Cambridge University Press.
Ralston, A. and P. Rabinowitz (1978). A First Course in Numerical Analysis
(Second ed.). New York: McGraw-Hill.
Simulri de marketing
50
Eric Eisenstat, Radu Herman
Simulri de marketing
1 n
i 1 xi converge
n
1 n
h( xi ) . Implicaiile acestui rezultat sunt profunde. De
n i 1
exemplu, h( x ) x m implic imediat c procedurile Monte Carlo pot fi utilizate
pentru computarea oricrui moment (care exist teoretic) a distribuiei F ( x )
unde hn ( x )
52
Eric Eisenstat, Radu Herman
distribuiei prin media eantionului. n cel mai simplu caz a undei distribuii iid
aceast relaie este dat de
ENS ( xn ) var( xn )
var( x )
(5.3)
n
Simulri de marketing
p E (aebp ) c 0 (5.6)
Sigur avem dou probleme aici. Pentru prima, tim din Capitolul 4 c dac
a, b sunt conoscute, (5.6) ar presupune o aproximare numeric prin metoda
Newton. Dac a, b sunt tratate ca variabile aleatorii, totui, metoda Newton are
nevoie ca E (aebp ) i E (abebp ) s fie computate la fiecare iteraie (adic pentru
fiecare valoare nou a lui p). Pentru a doua problem, este o dificultate
restrictiv dac cineva nu are un mijloc la ndemn pentru a computa integrale
multivariate. Din fericire, integrarea Monte Carlo este o metodologie eficient
care poate fi ncorporat ntr-un algoritm Newton pentru a rezolva numeric
problema de optimizare de mai sus.
ncearc singur
Pentru a aprecia mai bine puterea integrrii Monte Carlo, considerm
urmtorul exerciiu. Presupunnd c pentru o parte a simulrii de marketing
avem nevoie de a rezolva o problem de optimizare dintr-un punct de vedere al
agentului economic. Adic, simularea noastr se construiete pe un model care
dicteaz pentru un agent economic s presupunem o firm competitiv s
aleag un pre prin maximizarea funciei obiectiv (5.4). n acest caz, se
presupune c agentul cunoate n ntregime toate variabilele a, b, c pentru
alegerea preului optim. Dei a, b rmn necunoscute specialitilor de
marketing, care au responsabilitatea de a proiecta, realiza i analiza simularea.
Pentru a clarifica, problema de optimizare este c agentul economic trebuie
s gaseasc soluiile pentru conditiile necesare de ordinul I p aebp c 0 ,
care poate fi rezolvat pentru p * prin metoda Newton. Se observ c valoarea
ateptat nu mai este inclus n acest CNO deoarece se presupune c agentul
deine informaia complet. Problema practic pentru noi rmne desigur c a,
b sunt necunoscute i de aceea nu avem un mod evident de a implementa
algoritmul lui Newton. Pentru a depi aceast dificultate, noi putem continua
s utilizm aceeai strategie ca nainte i s asociem o distribuie F (a, b) pentru
a descrie cunotinele noastre probabilistice cu privire la variabilele
necunoscute. Presupunem pentru acest exerciiu c aceast distribuie este dat
de
54
Eric Eisenstat, Radu Herman
E (a ) 2,
E (b) 1,
var( a ) 4,
var(b) 2.
Simulri de marketing
a1 a1i a2i
bi bi
56
Eric Eisenstat, Radu Herman
Coloana AF, care conine cele 25 de iteraii, ofer eantionul dorit din
F ( p* ) , care poate fi direct utilizat pentru aproximarea E ( p* ) i var( p* ) .
Pentru cea din urm, ENS (erorii numerice standard) pentru aproximarea
mediei este computat utiliznd direct variana estimat.
(A)
(B)
(C)
Simulri de marketing
58
Eric Eisenstat, Radu Herman
x w( xi ) xi , w( xi )
i 1
p( xi )
. (5.7)
q( xi )
a. s.
Se observ c x
E( x) se deduce direct din LNM uniform utiliznd
h( x ) w( x ) x i aplicnd identitatea
E ( x)
Simulri de marketing
60
Eric Eisenstat, Radu Herman
P( Bi ) P( A Bi )
n
P( A B ) P( B )
j 1
2.1.3))
Pentru acei care nu sunt obinuii cu raionamentele matematicii formale i
prezentrile axiomatice, ce urmeaz ar putea prea strin. Totui, nelegerea
detaliilor Teoremei 5.2 nu este important n contextul nostru; este doar oferit
pentru a sublinia faptul c metodologia Bayesian se sprijin pe matematic
riguroas. Ce este mai important este s se neleag bine intuiia din spatele
acestui rezultat. Specific, Teorema 5.2 spune c pentru a construi
probabilitatea condiional P( Bi A) , tot ce trebuie s tim sunt probabilitile
marginale P ( Bi ) i probabilitile condiionale P( A Bi ) pentru fiecare i = 1,
2,..., n. Semnificaia acesteia poate fi mai bine apreciat cu urmtorul exemplu
simplu.
Presupunem c prietenei tale Ioana i place s bea cafeaua dimineaa i cola la
prnz. Fiind advers la a consuma prea mult cafein, totui ncearc s nu le
consume pe ambele n aceeai zi. n consecin, ea bea de obicei o cola la
prnz cu o probabilitate de 0,9, fiind dat c ea nu a consumat o cafea
dimineaa. Pe de cealalt parte, dac bea o ceac de cafea dimineaa, atunci
probabilitatea ei de a bea cola la prnz este doar 0,3. Acum, presupunem c o
ntlnii pe Ioana la prnz i observai c i comand o cola. Care este
probabilitatea ca ea s fi consumat o cafea dimineaa?
Un Bayesian ar aborda rspunsul acestei ntrebri dup cum urmeaz.
Dimineaa, poate aprea unul din cele dou evenimente posibile: fie Ioana
consum o cafea, fie nu consum. Corespunztor, putem caracteriza acest
comportament cu distribuia de probabilitate P(cafea), P(non-cafea), unde
P(non-cafea)=1-P(cafea). La prnz, alegerea ei de a bea sau nu o cola este
legat de comportamentul ei de a consuma cafea n dimineaa respectiv, care
este caracterizat de distribuiile condiionale
Simulri de marketing
62
Eric Eisenstat, Radu Herman
P(cafea cola )
(0.5)(0.3)
0.25
(0.5)(0.3) (0.5)(0.9)
(5.11)
Simulri de marketing
Prin definiie, moneda este simetric dac 0.5 . Premisa acestui exerciiu
este totui c este necunoscut; dimpotriv, este exact cantitatea depre care
dorim s nvm.
Cum este privit problema n abordarea Bayesian? Ca nainte, cineva
ncepe cu o expresie a credinei priori legat de prin specificarea unei
distribuii anterioare. Deoarece poate lua orice valoare n intervalul dintre
zero i unu, specificm densitatea de probabilitate a funciei (dpf) care este pozitiv
pe [0,1] i zero altundeva. Pentru aceasta, o distribuie convenient i flexibil
este cunoscut ca i distribuia beta i are urmtoarea dpf:
( 0 0 ) 1
p( )
(1 ) 1 , (5.13)
( 0 ) ( 0 )
0
0 0
0 0
.
(0 0 )2 ( 0 0 1)
Figura 5.1 prezint distribuia beta sub trei diferite atribuiri ale lui 0 i 0 .
Prin analogie, fiecare specificaie reflect o credin diferit a priori cu privire
la . n panelul A, dpf este doar o linie dreapt deoarece ntre zero i unu
(adic o distribuie uniform), care reflect (ca n exemplul anterior de mai sus)
o ntreag credin anterioar neinformat - este la fel de probabil s ia orice
valoare ntre zero i unu. n contrast, specificarea reflectat n Panelul B
exprim o convingere i mai evident.
64
Eric Eisenstat, Radu Herman
p( ) in1 p( yi )
1
p( )
n
i 1
(5.14)
p( yi )d
Simulri de marketing
ny 1(1 )
n (1 y ) 1
ny 0 1
(1 )
(5.15)
n (1 y ) 1
ny 0 ,
n(1 y ) 0 ,
2
.
( ) ( 1)
2
pentru
wn y (1 wn ) 0 , wn
n
n 0 0
. (5.16)
66
Eric Eisenstat, Radu Herman
5
6
1
6
20
p( ) i1 p( yi ) d
0
p( yi y1 ,..., y10 ) i 11 p( yi )
20
p(
y1 ,..., y10 ) i 11 p( yi ) d
20
Simulri de marketing
Credin
anterioar
dinamic
Priori Post
Medie Medie
0.500 0.667
0.667
0.591
0.591
0.625
0.625
0.595
0.595
0.615
68
Eric Eisenstat, Radu Herman
unui eantion pentru din care pot fi derivate mai multe barometre de
incertitudine precum intervale de ncredere etc. Eantionul distribuiei poate fi
de asemenea utilizat pentru a depista efectele estimaiei incertitudinii pe
Simulri de marketing
hm
1 m
l el
m l 1
p ( ) p( y )
p( ) p( y )d
. (5.17)
70
Eric Eisenstat, Radu Herman
3
4
Simulri de marketing
Bibliografie
Geweke, J. (2005). Contemporary Bayesian Econometrics and Statistics.
Hoboken: John Wiley & Sons.
Metropolis, N. (1987). The beginning of the monte carlo method. Los
Alamos Science (Special Issue dedicated to Stanislaw Ulam), 125130.
Poirier, D. J. (1988). Frequentist and subjectivist perspectives on the
problems of model building in economics (with discussion). Journal of
Economic Perspectives 2, 121144.
Poirier, D. J. (1995). Intermediate Statistics and Econometrics: A
Comparative Approach. Cambridge: MIT Press.
Rao, C. R. (1973). Linear Statistical Inference and Its Applications (Second
ed.). New York: Wiley.
72
Eric Eisenstat, Radu Herman
Simulri de marketing
74
Eric Eisenstat, Radu Herman
Simulri de marketing
Aici este locul n care MUA ofer o lumin cluzitoare. Axioma sa cheie
este decompoziia utilitii n dou componente: care este observabil
cercettorului i care se noteaz cu
U ij Vij ij . (6.1)
(6.2)
( i 3 i 4 ) Vi 3 Vi 4 .
76
Eric Eisenstat, Radu Herman
i 3 i 0 Vi 3 Vi 0
i 3 i1 Vi 3 Vi1
Pi 3 P
{x , } .
i 3 i 2 Vi 3 Vi 2 j ij
i 3 i 3 Vi 3 Vi 3
3
0 0 1 1 0
0 0 0 1 1
6.3 Estimarea
Odat ce este specificat modelul privind comportamentul alegerii,
urmtorul pas este calibrarea acestuia la datele disponibile. Abordarea
econometric standard la aceasta este colectarea datelor privind alegerile
observate care sunt realizate de ctre un eantion de consumatori i estimarea
parametrilor preferinelor prin asocierea acestor observaii cu probabilitile
derivate ale alegerilor. Datele privind alegerile pot fi rezultatul deciziilor de
achiziie din lumea real (adic preferine manifestate6) observate pasiv sau ex-post
de ctre cercettor, sau aceste date pot fi obinute n condiii experimentale
6
Simulri de marketing
78
Eric Eisenstat, Radu Herman
Simulri de marketing
80
Eric Eisenstat, Radu Herman
pentru j 1,, m (adic m produse din pia), iar Vi 0 0 pentru bunuri din afar
(adic opiunea s nu cumperi). O component important, ca de
exemplu ik x jk este atunci interpretat ca fiind contribuia atributului k la
utilitatea individual a lui i prin consumul de produs j.
Se pot face mai multe observaii privind (6.4). n primul rnd, parametrii
preferinelor i ,{ik } au ca indice pe i pentru a indica c efectul caracteristicilor
produsului i preului asupra utilitii individuale sunt ntr-adevr heterogene
(adic variaz n funcie de individ). n practic, mai multe studii simplific
aceast specificaie, anume c parametrii preferinelor sunt constani printre
consumatori. Implicaiile depind n mare msur de context i vor fi discutate
n particular atunci cnd va fi cazul. Mai mult, cnd parametrii preferinelor
sunt tratai ca heterogeni, se presupune de obicei c sunt cunoscui printr-o
Simulri de marketing
.
dx
U ( x, y ) / y
Fiind dat (6.4), putem aplica acest concept pentru a rspunde la ntrebarea
de genul ct ar mai fi dispus suplimentar consumatorul i s plteasc pentru o
mic mbuntire a atributului x jk din produsul j?. De fapt, ntrebarea
nseamn n terminologia economic care este RMS dintre xij i pre?.
Rspunsul este uor de dedus:
dx jk
dp j
Uij / p j
Uij / x jk
ik
.
i
82
Eric Eisenstat, Radu Herman
Simulri de marketing
E(
ik
E ( ik )
)
.
i
E (i )
iar raportul ik este interpretat ca valoarea timpului (VT) (adic RMS dintre
i
venit i timpul economisit). Studiile din acest domeniu consider c sunt
variate distribuiile empirice pentru VT din cadrul populaiilor. De exemplu,
figura 6.1 ilustreaz distribuia empiric a VT pentru navetitii din autostrada I15 din Sudul Californiei (reconstruit pe baza estimaiilor raportate n
Brownstone i ceilali, 2003). Privind la histogram, ct de mult ajut s tim c
84
Eric Eisenstat, Radu Herman
j k ik x jk ij i 0
i
, (6.5)
11
j k ij x jk
2
, (6.6)
Simulri de marketing
86
Eric Eisenstat, Radu Herman
este valabil, VCi = 0. Totui, dac aroma j este ntr-adevr aroma sa aleas
atunci prin renunarea la aceasta, utilitatea consumatorului va fi redus la aceea
privind a doua cea mai bun opiune, pe care s o denumim h. Pentru a reda
satisfacia consumatorului privind comerciantul nainte de tergerea opiunii,
comerciantul ar trebui s micoreze preul aromei h prin VCi.
n mod cert, nu toi consumatorii consider aroma j ca fiind alegerea
favorit iar pe h ca fiind a doua cea mai bun alegere. A crede altceva ar
presupune o deprtare de realitate cu consecine importante. Pe de alt parte,
managerul comerciant nu poate elimina selectiv aroma j pentru unii
consumatori i s-o lase pentru alii, precum nu poate discrimina preurile
rmase ale aromelor pentru ca fiecrui consumator s-i fie oferit un pre
diferit. Un tratament superficial al heterogenitii preferinelor ar conduce la
concluzii eronate i ar deprta comerciantul de scopul su privind alegerea
unei scheme optimale de pre pentru aromele rmase. Urmndu-l pe Kim i
ceilali (2002), comerciantul ar trebui s se bazeze pe metode de simulare ca
fiind cel mai eficient mijloc de aproximarea i agregarea variaiilor de
compensare, iar ulterior, utilizarea acestora pentru a deduce o schem de pre
optim pentru aromele rmase.
Poate cea mai comun utilizare a cadrului de alegere discret se regsete n
analizarea cotelor de pia. n particular, este adesea de interes n cercetare i n
practic s se evalueze efectele diferitelor schimbri n atributele produselor
sau compoziia setului de alegeri, prin cotele de pia ale produselor. Pentru
computarea cotei de pia a produsului j este necesar specificarea distribuiei
{ ij } . Corespunztor, termenii erorilor sunt aproape ntotdeauna considerai
independeni ntre indivizi. Totui, n afar de asta, o plaj larg de modele au
fost propuse i utilizate n ultimele decenii, care includ diverse forme ale
distribuiilor i ipoteze privind relaiile termenilor de eroare ntre produse.
Capitolele 7 i 8 discut cteva din aceste abordri comune. n general, se pare
c alegerea formei distribuiei este ghidat mai mult de conveniente
computaionale dect de o anumit paradigm de comportament. Pe de alt
parte, cum specific cineva relaiile dintre ij i ih determin implicaii
importante privind tiparele de substituie privind alternativele dintr-un set dat
de alegeri.
Considerm de exemplu un model n care ij este considerat a fi iid printre
indivizi i produse, n timp ce ij este constant ntre indivizi astfel c utilitatea
Simulri de marketing
Vj
1 h 1 eVh
m
. (6.7)
s2 s3. (6.8)
14
88
Eric Eisenstat, Radu Herman
Simulri de marketing
6.5 Simulare
Pn aici am vzut c dei modelele derivate din cadrul MUA pot fi foarte
avantajoase n ce privete flexibilitatea n aplicaiile economice, totui acest
lucru este dificil doar cu metodologiile standard de estimaie. Lucrul cu teoria
eantionrii i arat limitele, respectiv impune limite importante n utilizarea i
interpretarea acestor modele. De fapt, progresul recent n tehnologiile de
computaie i simulare sunt cele care au mpins cu adevrat evoluia modelelor
de alegere discret i a permis o putere deplin a modelelor avansate cum
sunt cele de logit mixt (Train, 2003). n consecin, algoritmii de simulri de
marketing construii n jurul modelelor de alegere discret ofer un instrument
puternic n analizarea i previzionarea comportamentului consumatorului ca
rspuns la schimbrile de produs. n industrie, asemenea algoritmi de simulare
sunt cunoscui ca simulatori conjoint.
Considerai un exemplu simplu c Analistul 3 dorete s computeze VPA
asociat cu mbuntirile n rezoluia i factorul puterii de focalizare a camerei
handheld P1. Reamintim din Capitolul 1 c modelul mbuntit al camerei
handheld prezenta o modificare n rezoluie de la 8 megapixeli la 10 mexapixeli,
la fel ca i o mbuntire a lungimii factorului de focalizare de la 5x la 10x. Mai
mult, a fost prezentat faptul c Analistul 1 a susinut anterior c aceast
combinaie privind mbuntirea de atribute implic o valoare medie de 100
bazat pe afirmaia c n medie clienii sunt dispui s plteasc aproximativ 25
per megapixel i 10 per lungimea factorului de focalizare. Pentru a explora n
continuare, Analistul 3 i cere colegului s ofere detalii suplimentare cu privire
la cum a ajuns la aceste concluzii. El explic c valorile au rezultat prin
inferen din aplicarea datelor dintr-un studiu EAD pentru estimarea
specificaiilor MUA.
U ij j 1res j 2 zoom j 3lcd j 4 weight j p j ij , (6.10)
90
Eric Eisenstat, Radu Herman
2 1 5 2
VPA 2
100 (6.11)
ln i ( , 2 ), (6.12)
21 5 2
) 125. (6.13)
ncearc singur
S lum Analistul 3 care ntreprinde urmtorul pas mai departe. S
presupunem c i dorete s investigheze n continuare forme suplimentare de
agregare. Prin urmare, fie y i indexul camerei pe care individul i l alege nainte
Simulri de marketing
. (6.16)
Analistul 3 poate prin urmare s utilizeze cele trei tipuri de msuri pentru
separarea analizei peste trei segmente importante de pia tipul I, tipul II, tiul
III de consumatori ale camerelor digitale prin analizarea heterogenitii
distribuiilor VPA, VRPA i SSC cnd este dat un segment potrivit de pia.
n particular ar analiza:
92
Eric Eisenstat, Radu Herman
Simulri de marketing
i exp{ vi }.
n Excel, formula corespunztoare trebuie introdus pentru fiecare din cele
1,000 de extrageri. Fiind dat specificarea de mai sus, ncepei prin
introducerea " EXP($B$1 $B$2* B6)" n celula C6 i copierea-lipirea la
C1005. Pe de alt parte, o extragere a termenului eroare ij este obinut prin
transformarea unei extrageri din ditribuia uniform. O variaie uniform
aleatoare este obinut n Excel cu comanda RAND(), iar o extragere de tip
I de valoare extrem cu formula =-LN(-LN(RAND())). Deoarece toi
termenii eroare sunt iid, cea din urm trebuie s fie copiat-lipit de 1,000 de
ori pentru fiecare din cele cinci ij .
94
Eric Eisenstat, Radu Herman
Simulri de marketing
(A)
(B)
(C)
96
Eric Eisenstat, Radu Herman
(A)
(B)
Simulri de marketing
Vij Vi 0
. (6.18)
98
Eric Eisenstat, Radu Herman
PR
pij
Vij( t ) Vi (0t )
i( t )
. (6.21)
iar orice transformare a celei din urm, s spunem g( PRij(1) ),, g( PRij(T ) ) sunt
extrageri din distribuia
( g( PRij ) y1,, yn ).
15
Pentru a fi riguros pe deplin, extragerile rezultate din schema de eantionare n Algoritmul 6.1
pentru un lan Markov care este cunoscut c converge ctre extragerile din distribuia adecvat,
aa cum a fost discutat n Capitolul 5. n deplin conformitate cu teoria eantionrii, cineva ar
trebui s se debaraseze de poriunea a eantionului pentru a justifica traiectoria de convergen
(adic nainte de convergen extragerile nu sunt reprezentative pentru distribuia int). Mrimea
eantionului eliminat poate fi evaluat prin diagnostice formale de convergen, dei n practic, 1020% din mrimea total a eantionului (T) se consider c este acceptabil.
Simulri de marketing
PR ij
1 T
PRij( t ) . (6.22)
T t 1
100
Eric Eisenstat, Radu Herman
Aceast tehnic poate fi extins la cazurile n care alegerile care implic chiar
i o cantitate aparent continu (adic n timp) sunt modelate n termenii
alternativelor discrete (adic 0-5 minute, 6-10 minute, etc.). Despre o astfel de
abordare se tie c a fost implementat cu succes n munca academic (vezi de
exemplu Small. 1982) la fel ca i n practic.
Cu toate acestea, cteva cuvinte de pruden sunt potrivite cu privire la
extensia i/sau discretizarea setului de alegeri. n particular, manipularea
setului de alegeri nu este o ntreprindere oportun. Aceasta este deoarece dintr-o
perspectiv econometric, alternativele dintr-un set de alegeri trebuie s fie
potrivite cu date folositoare privind atributele alegerilor. n terminologia
econometric, identificarea prilor care merit i au utilitate depind n mare
msur de cantitatea de variaie exogen din datele privind alegerile (adic
{ x j } ). De aceea, pentru fiecare design particular al alternativelor, cineva trebuie
s considere cu atenie ce tip de date poate fi utilizat pentru a caracteriza n
mod unic alternativele specifice incluse. Dificultatea aderrii la aceasta crete
evident cu mrimea setului de alegeri i relaiilor dintre alternative. Un design
al setului de alegeri la care nu se acord importan risc s produc un model
care nu poate fi calibrat la datele din lumea real i ca o consecin va fi
irelevant pentru multe scopuri ale simulrii.
Simulri de marketing
Bibliografie
Berry, S., J. Levinsohn, and A. Pakes (1995). Automobile prices in market
equilibrium. Econometrica 63 (4), 841890.
Brownstone, D., A. Ghosh, T. F. Golob, C. Kazimi, and D. V. Amelsfort
(2003). Drivers willingness-to-pay to reduce travel time: evidence from the
San Diego I-15 Congestion Pricing Project. Transportation Research A 37, 373
387.
Green, P. E. and V. R. Rao (1971). Conjoint measurement for quantifying
judgmental data. Journal of Marketing Research 8, 355363.
Jedidi, K. and J. Z. Zhang (2002). Augmenting conjoint analysis to estimate
consumer reservation price. Management Science 48 (10), 13501368.
Kim, J., G. M. Allenby, and P. E. Rossi (2002). Modeling consumer demand
for variety. Marketing Science 21 (3), 229250.
Louviere, J. J., T. N. Flynn, and R. T. Carson (2010). Discrete choice
experiments are not conjoint analysis. Journal of Choice Modelling 3 (3), 5772.
Marschak, J. (1960). Binary choice constraints on random utility indications. In
K. J. Arrow (Ed.), Stanford Symposium on Mathematical Methods in the Social Sciences,
pp. 312329. Stanford: Stanford University Press.
McFadden, D. (1974). Conditional logit analysis of qualitative choice behavior.
In P. Zarembka (Ed.), Frontiers in Econometrics, pp. 105142. New York:
Academic Press.
McFadden, D. (1986). The choice theory approach to market research.
Marketing Science 5, 275279.
McFadden, D. and K. Train (2000). Mixed MNL models of discrete response.
Journal of Applied Econometrics 15, 447470.
Small, K. A. (1982). The scheduling of consumer activities: Work trips. The
American Economic Review 72 (3), 467479.
Swait, J., T. Erdem, J. Louviere, and C. Dubelaar (1993). The equalization
price: A measure of consumer-perceived brand equity. International Journal of
Research in Marketing 10 (1), 2345.
Thurstone, L. L. (1927). A law of comparative judgment. Psychological Review 34,
273286.
Train, K. (2003). Discrete Choice Methods with Simulation. Cambridge:
Cambridge University Press.
102
Eric Eisenstat, Radu Herman
Simulri de marketing
104
Eric Eisenstat, Radu Herman
Simulri de marketing
vi
(vi / ) ( i 0, 2 )d i ,
0
ex'
.
1 ex'
106
Eric Eisenstat, Radu Herman
Vij
1 h 1 eVih
m
,(7,3)
Wij
1 h 1Wih
m
.(7.4)
Luce s-a referit la aceast axiom ca independena alternative irelevante (IAI), iar
Marshak a artat n formularea lui privind MUA c IAI implic MUA. ntradevr, contribuia original a lui McFadden a fost un pic mai mult dect s-i
Simulri de marketing
ds j
dp j
dV j
dp j
s j (1 s j ) (7.5)
dVh
s j sh (7.6)
dph
108
Eric Eisenstat, Radu Herman
unde orice costuri fixe poteniale ntlnite de P2 sunt omise deoarece sunt
irelevante pentru optimizare.
Fiind dat (7.5), conditiile necesare de ordinul 1 (CNO) pentru maximizarea
profitului pot fi exprimate ca
1 ( p4 c4 )(1 s4 ( p4 )) 0,(7.8)
Simulri de marketing
V V
definim V 4 c4 i S eV j 1 e
. Utiliznd aceast notaie,
x*
c4 . (7.11)
1
, (7.12)
1 s4 ( p4* )
110
Eric Eisenstat, Radu Herman
Vij /
Dg1 f 0 D f
G
, (7.13)
unde
Dg
Vih /
hGg
Simulri de marketing
s3 0
altfel.
Aceasta poate fi uor generalizat pentru a permite fiecrui grup s aibe propriul
g , n schimbul
18
19
112
Eric Eisenstat, Radu Herman
20
(V V )/
e ij ih
. (7.14)
( Dg / D f )1
Simulri de marketing
Bazat pe productor
Bazat pe tipul modelului
Figura 7.1: Dou posibile grupri ale alternativelor privind camera digital
pentru o specificare logit nested.
Acesta este motivul pentru care atributele altor produse din grupurile g i f
intr n ecuaie prin Dg i D f . Totui, produsele din alte grupuri dect g i f
rmn irelevante o schimbare n atributele unui astfel de grup de produse tot
afecteaz proporional pe s j i s h . Aceast proprietate a lui LN seamn bine
cu IAI la un nivel de grup i este cunoscut ca proprietatea independenei nesturilor irelevante21 (INI). Mai mult, pentru oricare dou grupuri cu cote de pia ale
grupurilor echivalente, Dg D f i prin urmare, IAI predomin din nou pentru
oricare pereche de produse din cele dou grupuri. Prin urmare, esenial este c
ceea ce LN realizeaz n termeni de relaxarea IAI la un nivel individual al
alternativelor este s mping aceast proprietate pn la nivelul gruprii.
Un numr de generalizri ale LN de baz au fost propuse de-alungul anilor.
Cele mai evidente extensii ale proiectrii pentru un nivel de grupare prezentat
n aceast seciune este n termenii ierarhiei de grupare. Adic, cineva s-ar
putea acomoda cu proprietatea INI la nivelul iniial al gruprii printr-o alt
grupare n continuare a acelor grupuri. Aceasta poate fi repetat de mai multe
ori dac este necesar s se ating nest-uri pe multi-nivele (ca urmare a utilitii
reprezentrii arborelui de decizie). Efectul rezultat al operaiei este din nou
forarea IAI la niveluri mai mari de grupare. Pentru a o generaliza pe cea din
urm, un numr de extensii au fost propuse i orientate spre relaxarea
restriciei c orice alternativ particular trebuie s fie un membru a exact unui
grup (sau cuib). Aceast clas de modele este captat de logit generalizat nest22
(LGN) de Wen i Koppelman (2001), care permite fiecrei alternative s fie
simultan o component a oricrui numr de nest-uri. ntr-adevr, cea din urm
21
22
114
Eric Eisenstat, Radu Herman
U ij V j d g ig ij . (7.16)
g 1
Simulri de marketing
24
Este de interes de menionat c introducerea coeficienilor aleatori nu ofer doar tipare mai
complexe de corelare inter-produse, dar permite i heteroskedasticitate n model adic, varian
diferit a termenilor erorilor printre alternative. ntr-adevr, nsi heteroskedasticitatea joac un
rol important care st la baza modelrii tiparelor de substituie. Totui, orice extindere a lui LN
care conserv maleabilitatea analitic a cotelor de pia este n cele din urm homoskedastic.
Indiferent de cum sunt modelate corelaiile ntre alternative (adic chiar cu independen deplin),
introducerea heteroskedasticitii produce o integral pentru probabilitile alegerii care nu are o
form nchis.
116
Eric Eisenstat, Radu Herman
Specific, putem cere unui respondent s declare un numr care reprezint nivelul su de
satisfacie, dar cineva nu trebuie s atepte consisten n aceste rspunsuri. Adic, atunci cnd un
chestionar se repet, numrul s-ar putea schimba de fiecare dat.
Simulri de marketing
e 1 Wi
P( yi 1)
,
1 e 1 Wi
e r Wi
e r 1 Wi
P( yi r )
, r 2,, 4, (7.17)
1 e r Wi 1 e r 1 Wi
e 4 Wi
P( yi 5) 1
.
1 e 4 Wi
118
Eric Eisenstat, Radu Herman
Simulri de marketing
120
Eric Eisenstat, Radu Herman
Pij
e ij
1 h 1 eVih
4
, (7.19)
Ei ( Pi 4 ) ( p4 c4 ) Ei (i Pi 4 (1 Pi 4 )) 0. (7.20)
Simulri de marketing
42
s4
unde
s4
(7.23)
Ei (i Pij (1 Pij ))
este markup n echilibru pentru camera handheld P2. Dei proprietile lui f(p4)
i f(p4) nu sunt uor de derivat analitic, un mod rapid de analizarea a
caracteristicilor ce urmeaz Metoda Newton este de a studia grafic pe f(p4).
Deoarece problema studiat este unidimensional, o abordare direct pentru
construirea graficului necesar ncepe prin definirea unei grile fine de puncte Q
pentru variabila de pre p4 (pe intervalul 0 p4 p4(max) ):
1
2
p4(max) , p4(max) ,, p4(max) .
Q
Q
q (max)
p4
funcia f () poate fi evaluat prin
Q
26
Notm c Figura 7.3 a fost generat utiliznd o gril de mrimea Q = 100, care este suficient
pentru a produce o imagine informativ.
122
Eric Eisenstat, Radu Herman
f ( p4,t 1 )
p4,t p4,t 1
,
f '( p4,t 1 )
unde
4,2 t 1 1 n 2
f '( p4,t 1 ) 2 [ i Pi 4,t 1 (1 Pi 4,t 1 )(1 2 Pi 4,t 1 )], (7.25)
s4,t 1 n i 1
date fiind
Simulri de marketing
1 n
s4,t
4,t
, (7.27)
1 n
i Pi 4,t (1 Pi 4,t )
n i 1
i
Pi 4,t
4 i p4,t
1 h 1 e
4
h i ph ,t
. (7.28)
(b) Verificarea dac algoritmul a avut convergen: dac p4,t p4,t 1 , returneaz p4,t
ca fiind soluia aproximativ la (7.20), altfel continu la urmtoarea iteraie t + 1
(att timp ct t < T).
4. Dac dup T iteraii algoritmul nu a avut convergen, sau a returnat o eroare, altfel se
continu la Pasul 5.
5. Aproximarea cotelor de pia rezultate ca
1 n
s j Pij , (7.29)
n i 1
unde Pij este computat fiind date preurile definite de utilizator p1 , , p3 i preul
aproximat optimal p4 (ca rezultnd din Etapa 2 4).
6. Repetarea Pailor 2-5 utiliznd diferite preuri p1 , , p3 (adic prin ncercare-ieroare) pn cnd cotele de pia dorite sunt obinute.
Restul acestei seciuni este dedicate implementrii Algoritmului 7.2 n
practic, utiliznd toate informaiile privind ipotetica pia a camerelor digitale
prezentate n text.
ncearc singur:
nc o dat, pregtii spaiul de lucru n Excel prin introducerea valorilor
medii ale calitii (post-mbuntite)
124
Eric Eisenstat, Radu Herman
` 5, 2 8, 3 9, 4 7,
i2
i3
i1
i2
i3
Simulri de marketing
i2
i3
i1
126
Eric Eisenstat, Radu Herman
Deoarece cota de pia pentru camera handheld P2 (s4) este aproximat prin
media eantionului a celei din urm, va fi folositoare n continuare computarea
acesteia prin adugarea unui rnd (adic rndul 1006) dup cum urmeaz:
Simulri de marketing
128
Eric Eisenstat, Radu Herman
s j Ei (
e ij
(1 Pi 4 )) , j=1,2,3.
Si
Simulri de marketing
130
Eric Eisenstat, Radu Herman
Bibliografie