elsur.jpn.org >

« 読了:Binder (2015) 回答におけるキリの良い数字に注目して確信度を測定する | メイン | 読了:Hoeting, et al. (1999) ベイジアン・モデル・アベレジーングへの招待 »

2016年2月 4日 (木)

Dahan, E., Mendelson, H. (2001) A Extreme-value model of concept testing. Management Science, 47(1), 102-116.
 仕事の足しになるかと思ってざっと目を通した。
 コンセプト・テストについての論文ってのは最近ではちょっと珍しい。えーと、ここでいうコンセプト・テストというのは、ある製品なりサービスなりを開発している途中で、その(実物じゃなくて)コンセプトについて潜在顧客がどう思うかとか、商品化した暁には買ってくれるだろうかとか、そういうのを調べることを指している。こういう市場調査の定番的課題についての議論はとっくに枯れちゃってて、情報を仕入れようにも、かえってろくなものがない。

 第一著者は予測市場のマーケティング応用なんかをやっているMITのEly Dahanさん。タイトル通り、コンセプト・テストに極値分布を使ったモデルを使いましょうという話である。先生ってば、またそういう変なことを...

 いわく。
 新製品開発(NPD)の初期段階(ファジー・フロント・エンド)での手法としては、VOCとかリードユーザ分析とかコンジョイント分析とか狩野法とかPughのコンセプト選択とかいろいろある。コンセプト・テストは最良のデザインとか価格とかを探索する手法であると考えられている。きちんとやれば利益の期待値は上がるがコストもかかる。
 コンセプト・テストの先行研究は次の3つに分けられる。

 提案モデル。
 次のように想定しよう。それぞれのコンセプトの利益は独立。それぞれのコンセプトは最良の下位コンセプトからなる[←もうrefineされ尽くしているという意味であろう]。利益の分布パラメータは企業と製品カテゴリに依存する。テストにかかるコストはコンセプトあたりで一定。テストしたいすべてのコンセプトを同時並行でテストできるけど、コンセプト数は事前に決めないといけない。利益の期待値が一番でかいやつを上市する。
 コンセプト・テストを特徴づけるパラメータってのは、結局次の3つだ。コンセプトあたりのテストのコスト $c$、利益の潜在的不確実性 $b$、そして利益の分布の右の裾の太さ $\alpha$。いま、$n$個のコンセプトを同時にテストするとしよう。コンセプト $i$ の利益を$x_i$とする。
 コンセプト数$n$を大きくすれば、利益の最大値$\pi_n$の期待値$E[\pi_n]$が大きくなるけど、コスト$n \cdot c$が増大する。最適なコンセプト数を$n^*$とする。話を簡単にするために、コンセプト数は連続的に動くことにする(実際には整数だけど)。

 話を簡単にするために、あるコンセプトについてテストすれば、そのコンセプトから得られる利益$x$が直接にわかっちゃうってことにしよう。
 $x$は確率分布$F(x)$に従う確率変数だとする。$n$個の独立したテストの結果の最大値の累積分布は$[F(x)]^n$だ。[←しれっとこう書いてあるけど、ちょ、ちょっと待って... 確率変数$X$の累積確率分布を$G(x)=P(X \leq x)$として、 独立な実現値$x_1, x_2, \ldots, x_n$の最大値が$x$以下である確率は$P(x_1 \leq x) \cdot P(x_2 \leq x) \cdots P(x_n \leq x) = [G(x)]^n$じゃないですか? ってことは、この論文では$F(x)$を確率分布と呼んでいるけど、実は累積確率分布なの?]
 その確率密度関数は$n \cdot f(x) \cdot [F(x)]^{n-1}$だ。よって期待される利益は
 $E[\pi_n] = n \int^\inf_{-\inf} x \cdot [F(x)]^{n-1} \cdot f(x) dx - c \cdot n$
これを解いて...[中略]... コンセプト数$n$を1増大させることによる限界利益を算出できる。
 もし「どれも儲かりそうになかったらなにも上市しない」という選択肢を許すと... [略]

 [さあ、ここが本題だ。だんだん読む気が失せてきたけど]
 分布$F(x)$は当該コンセプトの利益の不確実性を表している。これは、過去データとかから推定される、そのカテゴリの利益の分布$H(x)$とはちがう。なぜなら、$H(x)$は一般的な利益の分布であり、そこから取り出したありうるコンセプトの巨大な下位集合の、そのまた最大値が、テストされるコンセプトだからだ。つまり、$F(x)$は$H(x)$からランダム・ドローした標本の最大値だと考えられる。$H(x)$の性質に応じて、$F(x)$はフレシェ分布、ガンベル分布、ワイブル分布になるか、あるいはそのどれにもならない。なお、「当たればでかい」製品カテゴリはフレシェ分布、当たっても上限がある製品カテゴリはワイブル分布、だいたい利益が決まっているような製品カテゴリはガンベル分布で表現される。

 事例。Inhaleという会社についての実例である。[現在はNektarという社名らしい]
 この会社はインシュリンみたいな薬を吸入して肺の奥深くに届けるというシステムを開発している。VCからすごいお金が流れ込んでいる。3つの開発プロジェクトが進んでいる。(A)薬を乾燥した粉にする方法の開発。(B)粉を安く作って梱包する方法の開発。(C)吸入装置の開発。それぞれ他の会社に売ることを考えている。
 過去データとかシミュレーションとかで、それぞれのコンセプトの利益の確率分布関数を推定した(その方法はこの論文の本題ではない)。Aはフレシェ分布[←ワイブル分布やガンベル分布と同じく、極値分布の一種なのだそうだ]、Bはワイブル分布、Cはガンベル分布となった。ここから各カテゴリにおける最適コンセプト・テスト数が出せました。

 考察。企業のみなさん、新製品の評価をする際には、利益の期待値と分散だけでなく、分布の右裾の太さを考えなさい。テストするコンセプト数をカテゴリごとに最適化しなさい。云々。[他も書いてあるけど省略。「効率の良いテスト手法を考えなさい」なんて、この論文で説教されても困る]

 。。。理解できているのか怪しいものだが、要するにこういう論文だったのではないかと思う。

 正直、一読して、ぽかーんとしてしまう内容であった。ぽかーん。

 多くの研究がそうであるように、この論文もさまざまな想定に基づいているので、どれが非現実的か、またどれがクリティカルか、きちんと考えないといけない。

 こうして整理すると、一番あっけにとられるのは、(5)このモデルでコンセプト数を決める、という点である。
 なぜ? なぜここまで苦労して、コンセプト数の最適値を解析的に決めないといけないの? 解を閉形式で書くってのはそんなにすごいことなの?
 だって、コンセプト・テストで上市後の利益がわかるんでしょう? その確率分布も事前にわかっているんでしょう? テストのコストを所与として、全体の利益を最大化するためには何個テストすればいいかがわかればいいんでしょう? コンセプトの数は絶対に整数で、いくら多くてもせいぜい一桁でしょう?
 。。。いろんなコンセプト数についてモンテカルロ・シミュレーションすればいいじゃん!!!

論文:マーケティング - 読了:Dahan & Mendelson (2001) コンセプト・テストの極値モデル

rebuilt: 2020年11月16日 22:56
validate this page