Estimación bayesiana del parámetro de decepción en modelos de elección discreta bajo el paradigma RRM (Random Regret Minimization): aplicación al diseño de exhibiciones en grandes superficies

Resumen (es)

El presente estudio compara dos enfoques metodológicos para analizar experimentos de elección discreta con el fin de identificar la estrategia \'optima de organización de productos en góndolas de supermercados y reducir la complejidad cognitiva para el comprador durante el proceso de compra. Se contrastan el modelo Logit Multinomial Mixto basado en la Maximización de la Utilidad Aleatoria (RUM) y el Modelo Logit Multinomial Mixto con estimación bayesiana de parámetros bajo el enfoque de Minimización del Arrepentimiento Aleatorio (RRM). El experimento, diseñado de manera factorial fraccionada y realizado con la participación de 748 compradores colombianos en la categoría de crema dental, revela que el modelo RRM bayesiano ofrece predicciones más sensibles en comparación con el MNL RUM, especialmente en productos con participaciones de mercado medianas o pequeñas. Asimismo, la obtención de distribuciones posteriores de los parámetros que impactan variables como precio, beneficios, marca y posición en la góndola permite realizar simulaciones precisas de diversos escenarios. Estas simulaciones capturan la heterogeneidad no observada en las preferencias individuales de los compradores, lo que favorece la toma de decisiones en la negociación de estrategias de exhibición con grandes superficies. Ademós, las distribuciones posteriores ofrecen ventajas adicionales al contar con densidades empíricas conocidas, superando las limitaciones de los métodos estándar de estimación de parámetros en términos de optimización estadística.

Palabras clave (es): Discrete Choice Models, Mixed Multinomial Logit Model, RUM (Random Utility Maximization), RRM (Random Regret Minimization), Display strategy, Trade Marketing

Resumen (en)

This study compares two methodological approaches for analyzing discrete choice experiments aimed at identifying the optimal product organization strategy in supermarket shelves, while reducing cognitive complexity for buyers during the purchasing process. The study contrasts the Mixed Multinomial Logit model based on Random Utility Maximization (RUM) with the Bayesian parameter estimation approach of the Mixed Multinomial Logit model under the Random Regret Minimization (RRM) framework. The experiment, structured as a fractional factorial design and conducted with the participation of 748 Colombian shoppers in the toothpaste category, reveals that the Bayesian RRM model provides more sensitive predictions compared to the standard MNL RUM model, particularly for products with medium or small market shares. Additionally, the posterior distributions of parameters affecting variables such as price, benefits, brand, and shelf position enable precise simulations of various scenarios. These simulations capture unobserved heterogeneity in individual consumer preferences, facilitating decision-making in negotiations regarding shelf display strategies with major retailers. Moreover, the posterior distributions offer additional advantages by providing known empirical densities, overcoming the limitations of standard parameter estimation methods in terms of statistical optimization.