Novembro 2019 vol. 2 num. 6 - 12º Congresso Brasileiro de Inovação e Gestão de Desenvolvimento de Produto

Article - Open Access.

Idioma principal | Segundo idioma

MÉTODOS DE MODELAGEM PARA MENSURAÇÃO DE VALOR EM SOLUÇÕES INOVADORAS: CHOICE, MENU E ADAPTIVE MODELS

-

Magalhães, Ruane Fernandes de ; Lermen, Fernando Henrique ; Enrique, Daisy Valle ; Martins, Vera Lúcia Milani ; Echeveste, Márcia Elisa Soares ; , ;

Article:

Este artigo discute técnicas de modelagem estatísticas, empregadas em pesquisas que visam compreender o processo de tomada de decisão na perspectiva do consumidor, frente a soluções inovadoras. A teoria que embasa esses modelos parte da análise de cenários, os quais avaliam o processo de decisão da escolha do consumidor, denominados modelos de escolha de multi-atributos ou choice-experiments, na utilização de técnicas de análise conjunta (conjoint analysis). Essas análises habilitam desenvolvedores a criarem estratégias a fim de educar o consumidor na migração de escolhas para soluções mais sustentáveis. Entretanto, a forma de seleção e de emprego dessas técnicas de experimentação e modelagem não é suficientemente explicitada na literatura para tornar-se facilmente replicável. Assim, a proposta desse artigo é apresentar as principais técnicas utilizadas em modelagem de cenários para o desenvolvimento de ofertas inovadoras. A literatura de gestão, engenharia e sustentabilidade foi revisada, em que os autores empregam métodos de antecipação da preferência do consumidor. Para tanto, foi realizada uma análise dos principais artefatos de conjoint analysis, com descrição potencial de análises quantitativas e interpretação dos resultados voltados a estudos de inovação.

Article:

-

Download (PDF)

Palavras-chave: Valor para produtos inovadores; Conjoint Analysis; Valor para o consumidor; Análise de cenários; Árvore de decisão,

Palavras-chave: -,

DOI: 10.5151/cbgdp2019-42

Referências bibliográficas
  • [1] AMINI, H., YUNESIAN, M., HOSSEINI, V., SCHINDLER, C., HENDERSON, S. B., KÜNZLI, N. A systematic review of land use regression models for volatile organic compounds. Atmospheric Environment, v. 171, p. 1-16, 2017.
  • [2] BEUSTERIEN, K. M., DZIEKAN, K., FLOOD, E., HARDING, G., JORDAN, J. C. Understanding patient preferences for HIV medications using adaptive conjoint analysis: Feasibility assessment. Value in Health, v. 8, p. 453–461, 2005.
  • [3] BREIDERT, C., HAHSLER, M., REUTTERER, T. A Review of Methods for Measuring Willingness-To-Pay. Innovative Marketing, p. 1-32, 2006.
  • [4] BROWNSTONE, D., BUNCH, D. S., TRAIN, K. Joint mixed logit models of stated and revealed preferences for alternative-fuel vehicles. Transportation Research Part B: Methodological, v. 34, p. 315-338, 2000.
  • [5] CHASSOT, S., HAMPL, N., WÜSTENHAGEN, R. When energy policy meets free-market capitalists: The moderating influence of worldviews on risk perception and renewable energy investment decisions. Energy Research and Social Science, v. 3, p. 143–15, 2014.
  • [6] CRAWFORD, C. M., DI BENEDETTO, C. A. New Products Management. McGraw-Hill Education, 2014.
  • [7] ECHEVESTE, M. E., MOSSÉ, D. A method for measuring customer value: A Case Study. In IIE Annual Conference. Proceedings Institute of Industrial and Systems Engineers (IISE), p. 1235-1240, 201
  • [8] FITZGERALD, B., HARTNETT, G., CONBOY, K. Customizing agile methods to software practices at Intel Shannon. European Journal of Information Systems, v. 15, p. 200-213, 2006.
  • [9] FRIEBE, C. A., FLOTOW, P. Von, TÄUBE, F. A. Exploring the link between products and services in low-income markets-Evidence from solar home systems. Energy Policy, v.52, p. 760–769, 2013.
  • [10] GREEN, P. E., RAO, V. R. Conjoint Measurement for Data Quantifying Judgmental. Journal of Marketing Research, v. 8, p. 355–363, 1971.
  • [11] HALL, B. KHAN, B. Adoption of New Technology. Department of Economics. UC Berkeley, p. 1-20, 2003.
  • [12] JENSEN, A. F., CHERCHI, E., MABIT, S. L. On the stability of preferences and attitudes before and after experiencing an electric vehicle. Transportation Research Part D: Transport and Environment, v. 25, p. 24-32, 20
  • [13] JOHNSON, R., ORME, B. A New Approach to Adaptive CBC. Technical Report. Sawtooth Software, p. 1–28, 2007.
  • [14] KAENZIG, J., HEINZLE, S. L., WÜSTENHAGEN, R. Whatever the customer wants, the customer gets? Exploring the gap between consumer preferences and default electricity products in Germany. Energy Policy, v. 53, p. 311-322, 2013.
  • [15] KAMAKURA, W. A., KWAK, K. Menu-choice modeling. 2012. Disponível em: .
  • [16] KELLEN, V. How to Do Customer Relationship Management without Spending Big Bucks. White Paper: Blue Wolf, p. 1-9, 2002.
  • [17] LIECHTY, J., RAMASWAMY, V., COHEN, S. H. Choice menus for mass customization: An experimental approach for analyzing customer demand with an application to a web-based information service. Journal of Marketing research, v. 38, p. 183-196, 2001.
  • [18] LÜTHI, S., WÜSTENHAGEN, R. The price of policy risk - Empirical insights from choice experiments with European photovoltaic project developers. Energy Economics, v.34(4), p. 1001–1011, 2012.
  • [19] MCFADDEN, D. The Choice Theory Approach to Market Research. Marketing Science, v. 5, p. 275-297, 1986.
  • [20] ORME, B. K. Menu-based choice modeling using traditional tools. In: Sawtooth Software Conference Proceedings, Sequim, WA, 2010.
  • [21] ORME, B. K. Getting Started with Conjoint Analysis: Strategies for Product Design and Pricing Research. Research Publishers LLC. 2010.
  • [22] ORME, B. K. Menu-based choice (MBC) for multi-check choice experiments. Oren, UT: Sawtooth Software, Inc, 2012.
  • [23] PAPAPETROU, M., CIPOLLINA, A., COMMARE, U. L., MICALE, G., ZARAGOZA, G., KOSMADAKIS, G. Assessment of methodologies and data used to calculate desalination costs. Desalination, v. 419, p. 8-19, 2017.
  • [24] PARRY, M. E., KAWAKAMI, T. Virtual Word of Mouth and Willingness to Pay for Consumer Electronic Innovations. Journal of Product Innovation Management, v. 32, p. 192–200, 2015.
  • [25] RIETVELT, J. Creating and Capturing value from freemium business models: A demand-side perspective. Rotterdam School of Management, Erasmus University, p. 1-43, 2017.
  • [26] SHAMMAS, R. L., MELA, N., WALLACE, S., TONG, B. C., HUBER, J., MITHANI, S. K. Conjoint Analysis of Treatment Preferences for Nondisplaced Scaphoid Fractures. Journal of Hand Surgery, v. 43, p. 678, 2018.
  • [27] STÖCKIGT, G., SCHIEBENER, J., BRAND, M. Providing sustainability information in shopping situations contributes to sustainable decision making: An empirical study with choice-based conjoint analyses. Journal of Retailing and Consumer Service, v. 43, p. 188–199, 2018.
  • [28] VOLETI, S., SRINIVASAN, V., GHOSH, P. An approach to improve the predictive power of choice-based conjoint analysis. International Journal of Research in Marketing, v. 34, p. 325–335, 2017.
  • [29] ZHANG, H., LIANG, X., WANG, S. Customer value anticipation, product innovativeness, and customer lifetime value: The moderating role of advertising strategy. Journal of Business Research, v. 69, p. 3725-3730, 2016.
Como citar:

Magalhães, Ruane Fernandes de; Lermen, Fernando Henrique; Enrique, Daisy Valle; Martins, Vera Lúcia Milani; Echeveste, Márcia Elisa Soares; , ; "MÉTODOS DE MODELAGEM PARA MENSURAÇÃO DE VALOR EM SOLUÇÕES INOVADORAS: CHOICE, MENU E ADAPTIVE MODELS", p. 560-571 . In: Anais do 12º Congresso Brasileiro de Inovação e Gestão de Desenvolvimento de Produto. São Paulo: Blucher, 2019.
ISSN 2357-7592, DOI 10.5151/cbgdp2019-42

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações