A heterogeneous multivariate probit model with cross effects of marketing variables to analyse cross category dependences
Final Report Abstract
Die ersten beiden nachfolgend angeführten Punkte beziehen sich auf die Bewertung diverser heterogener multivariater Probit-Modelle für Partitionen der untersuchten 25 Produktkategorien aufgrund des kreuzvalidierten Log Likelihood Werts, der mit Hilfe einer Resamplingprozedur bestimmt wurde: • Modelle, die auch Kreuzeffekte von Marketingvariablen (eine Maßnahme in einer Produktkategorie wirkt sich auf die Kaufwahrscheinlichkeit einer anderen Kategorie aus) aufweisen, schneiden schlechter ab als Modelle, die nur eigene Effekte von Marketingvariablen (eine Maßnahme in Produktkategorin wirkt sich auf die Kaufwahrscheinlichkeit dieser Kategorie aus) berücksichtigen. Anmerkung: Dieses Ergebnis kann man damit erklären, dass eine strengere Form der Kreuzvalidierung als im Erstprojekt vorgenommen wird, die Modelle mit höherer Parameteranzahl stärker bestraft. Allerdings habe ich nicht erwartet, dass sich Modelle, die keine Kreuzeffekte aufweisen, generell (d.h. sowohl für a priori als auch post hoc Partitionen und jede Gruppenanzahl) als überlegen herau.sstellen. • Das insgesamt beste Modell basiert auf einer post hoc Partition mit zwei Gruppen, wovon eine Gruppe nur wenige Kategorien umfasst. Beim zweitbesten Modell werden alle Produktkategorien als eine Gruppe betrachtet. • Falls Entscheidungsträger bestimmen wollen, in welchen Produktkategorien die Marketingvariablen Features (regionale Anzeigen- und Flugblattwerbung) und Displays (Sonderplatzierung und Werbung im Laden) eingesetzt werden sollen und sie dabei den Umsatz maximieren wollen, genügt es ein Modell zugrunde zu legen, das relativ viele, durch typisches Verwendungsverhalten der Haushalte (wie z.B. Körperpflege, Trinken, Reinigung usw.) charakterisierte Gruppen von Kategorien unterscheidet. Dies obwohl dieses Modell im Vergleich zu Modellen, die auf weniger Gruppen basieren, weniger komplex ist, d.h. weniger Parameter besitzt. Anmerkung: Dieses Ergebnis kann man als unerwartet ansehen. • Falls Entscheidungträger allertlings auch den Umsatz vorhersagen wollen, der durch den Einsatz von Features und Displays bedingt ist, sollten sie ein Modell mit wenigen Gruppen von Kategorien wegen dessen höherer statistischen Genauigkeit verwenden.
Publications
- A Model of Heterogeneous Multicategory Choice for Market Basket Analysis, in: Review of Marketing Science, 2013, 1-31
Dippold, K., Hruschka, H.
