دانلود ترجمه مقاله پیش بینی ساختار یافته در راستای داده های بازاریابی

1. مقدمه 2. مدل های رفتاری در سطح فردی 3. مدل های ناهمگنی 4. خلاصه

خلاصه: پیش بینی های سطح فردی از جمله گرایشات در بازاریابی هستند و زمانی که مداخله ای در راستای زیرمجموعه ای از افراد در بازار انجام می گیرد، پاسخ و واکنش آنها نیز در زمینه بازاریابی بررسی شده و مورد توجه قرار می گیرد. چالش اولیه و ابتدایی هنگام پیش بینی بازاریابی در تطابق با داده های پراکنده در سطح فردی می باشد. با اینکه داده های بازاریابی مکررا به عنوان داده هایی بزرگ شناسایی و مشخص شده اند، ساختار آنها در حقیقت ناقص و پراکنده می باشد و مکعبات داده های تعریف شده توسط مشتریان، محصولات و زمان عموما خالی می باشد. این مقاله به مرور و بررسی پیشرفت های اخیر در استفاده از مدل های مبتنی بر تئوری انتخاب هایی پرداخته که به ما کمک می کنند تا از مدل های توصیفی که گرایش به پارامتری سازی دارند دور شویم. علاوه بر این، الگوهای سلسله مراتبی تصادفی، منبعی اضافی از اطلاعات را برای تولید و ایجاد پیش بینی های بازاری از طریق به اشتراک گذاری اطلاعات در میان پاسخ دهندگان در زمان برآورد سطح فردی ارائه می دهند. ایده تحمیل ساختارهای بیشتر در پیش بینی به منظور پرداختن به موضوع پراکندگی داده ها، موضوع جدیدی نیست. این ساختارها روی بیشتر مدل های توصیفی و تشریحی و تصمیم گیری برای حذف یا شمول ساختارها و مشخصات مدل ها و نیز تعیین فرم های عملکردی یک مدل دیده می شوند و به کرات مورد بررسی قرار گرفته اند. این ساختارها همچنین تحت فرم های عملکردی منتخبی هستند که نشانه های جبری ضعیف را محدود می کنند، مواردی چون ضریب قیمتی که باید منفی باشد. این جنبه های مدل سازی، یک سری اطلاعات پیشینه قوی را در آنالیزها معرفی می کنند. مدل های سطح فردی تشریح شده در بالا، کلاس دیگری از مدل ها را به منظور بررسی ارائه می دهند و مدل های سلسله مراتبی می توانند به عنوان روشی دیگر در معرفی اطلاعات از طریق سلسله مراتب در اشتراک اطلاعات بین افراد در نظر گرفته شوند.

Summary: Individual-level forecasts are of interest for marketing whenever an intervention that is being considered is directed toward a subset of individuals in a market for whom their predicted response is of interest. The primary challenge when producing marketing forecasts is in dealing with data sparsity at the individual level. While marketing data are frequently characterized as being large, their structure is actually sparse, in that the data cube defined by consumers, products and time is mostly empty. This paper reviews recent advances in the use of theory-based models of choice that help us to move away from descriptive models that tend to be overparameterized. In addition, hierarchical Bayes randomeffect models provide an additional source of information for the production of market predictions through the sharing of information across respondents when making individual-level estimates. The idea of imposing more structure on forecasts in order to address the issue of data sparseness is not new. Structure is imposed in even the most descriptive of models when deciding which covariates to include in the model specification and which to exclude, or when determining the functional form of a model. Structure is also imposed by selecting functional forms that restrict coefficients’ algebraic signs, such as restricting a price coefficient to be negative. These aspects of modeling introduce strong prior information into an analysis. The individual-level models described above provide another class of models to consider, and the models of heterogeneity can be thought of as another way of introducing information through a hierarchical prior where information is shared across people.