{市场分析}市场研究中的多元统计分析原则

《{市场分析}市场研究中的多元统计分析原则》由会员分享，可在线阅读，更多相关《{市场分析}市场研究中的多元统计分析原则（68页珍藏版）》请在金锄头文库上搜索。

1、市场研究中的多元统计分析方法 -,上海市中消研市场研究有限公司 数据统计部 制作,1,讨论议题,我们的研究工作是什么? 什么是多元统计分析（)? 为什么我们需要它? 通常的分析技术 详细介绍及例子: 相关分析（ ） 回归/多元回归分析（ / 因子分析（ ） 聚类分析（ ) 结论,2,市场研究的工作是什么?,它只是 ？: 问卷设计? 运作质量的控制? 制作图表? 撰写报告? 我们的工作是 提供解决方案 是解决市场问题 是为我们的客户挣更多的,特征 或 我们所 传送的 意识.,3,当我们进行分析时,有简单性的一面. 例如：基本的分析（变量关联表） 另外也有复杂性的一面 . 大量附加的分析 运用许多

2、的分析技术 然而我们需要看到“复杂性问题背后的简单表述” 使复杂问题简单化 为了达到这一目的，你不得不研究复杂问题然后去提炼出使人容易明白的信息,4,什么是多元统计分析?,单一问题分析( ) 例如频率分布通常作为数据的第一步的描述分析 关联表( ) 总是作为主要的分析手段而被市场研究者反复 使用 把一个问题或变量与另一个关联交叉作表(例如对受访者背景变量：性别、年龄等) 如果同时分析的变量超过二个就被称为多元统计分析,5,为什么要做这种“附加值”的分析?,我们不做分析是因为 它使我们看起来很好 我们喜欢它 我们已经聘请了统计师、购买了统计软件而且得到公司财务部门的批准 我们不做分析是因为 它会

3、使数据对客户更有指导作用 它能使你得到单变量分析无法达到的结果 因此，它可以使你更好的利用信息，赚取更多的钞票,6,我们通常使用的多元分析技术.,相关性分析（ ） 主成分分析 因子分析 多元回归 聚类分析/市场细分 联合性分析/ 平衡（ ） 分析 判别分析 . . .,7,多元统计分析技术,一个研究者可能不了解所有的分析技术细节 但是他们应该能够正确地选择适当的方法 使用多元技术，你不必知道详细的数学公式-但是你应当明白它的原理 多元分析并不是魔术棒，不需要我们开动脑筋就能解决问题 - 它不会轻易告诉你答案 如果问卷设计的很差，多元分析就很难发挥作用,8,相关性分析,9,结构,什么是相关性分析

4、？ 尝试通过练习了解它 输入的类型 设计录入的格式 执行分析 解释和表述分析的结果,10,什么是相关性分析?,经常也称作 或 = () 相关性分析图 一种非常有用的市场研究工具，可以表述一个市场的侧面（市场细分，品牌定位等） 可以在2维空间内同时表达多维的属性 可以更好的理解品牌和属性之间的关系,11,帮助客户/市场决策者 为实施市场战略而去发现市场的空隙和优化产品的定位（对于新品牌或新产品的开发/延伸） 发现市场上决定性的或显著的属性，例如对于选择不同品牌的重要和有显著区别的属性,12,什么是 ?,.,13,一个例子- 原始数据,以下这张表显示不同家庭宠物的颜色,14,可能制作的分析图.,1

5、5,可能制作的分析图.,16,现在我们用颜色和动物名称两个变量来做2-维的图表,努力来显示. - 那些动物在颜色方面最相似，那些区别最大？ - 那些颜色更倾向那类动物 - 那些动物和那些颜色有更强的相关性，那些相关性很弱,17,18,19,20,为了建立这种立体的图表你不得 不.,把那些与较多动物相关联的颜色放置在图的中央位置 把那些与较多动物相关联的颜色放置在图的边缘位置 如果一种颜色同时与超过二种以上的动物强相关，这些动物将会在图中更接近,21,非常简单这就是相关性分析所做的事,22,以下这张表就是依据原始数据生成的.,23,以下这张表就是依据原始数据生成的.,24,相关性分析输入数据的类

6、性,百分比或原始数据都可以 品牌的相关联的格子（通常形式） 任何具有缺省/存在的分数类型 切记得分数是以样本的总数而不是以单个样本为基础的,25,设计输入类型,只研究数据并想到进行分析并不是一个好主意 分析应该在问卷设计以前的表述/决定研究目标阶段就开始考虑 如果你乡做相关性分析表 - 你通常打算使用（二分制）不在/在的数据类型 这些数据可以通过品牌与品牌或类别系列等形式收集. .,26,设计输入类型,通过系列的类别. 请看这个品牌的列表，然后告诉我那一个符合下述的声明. 更便宜，更容易，更快 品牌和品牌. , , / ,27,复制定性研究的图表,有时，定性研究可以得到一个关于品牌、细分市场和

7、需求定位的图表. 如果我们已经有了这些结果，我们就能在定量研究阶段尝试重复这一研究 它需要我们仔细思考和再设计 - 可能需要从定性研究人员那里得到帮助 最理想是同一公司内部人员 它会很有帮助（尤其对市场人员），如果 有相同的定位 -但是，相同的定位并不意味着什么,28,分析数据,看下面的输出结果. 是否有任何品牌或语句使倾斜? 是否应该删除或增添品牌 - 或许需要删除小的品牌 这幅是否有意义? 我们能解释它吗? 品牌与语句回出现在不该出现的地方吗? 检查原始数据-什么原因? 可以通过删除或补充某些品牌和属性来产生直到它变的较为明显，可以让使用者更容易理解 - 需要执行者的判断 最少点的限 -

8、你需要至少3个点去做一张 , 4 更好,29,当你看一张时 . 问你自己,它意味着什么？ 它对理解数据有什么附加的作用? 它对我们所知道的市场/顾客的思考方式是否适合? 如果不是 - 错在什么地方? 它是否帮助我更好地了解市场?,30,当你看一张时 . 问你自己,一张图表总是浓缩数据并使数据变的直观，但是它也有局限性，大量的数据本身蕴涵的信息将会丢失 (例如仅是重要的信息被保留）。因此，相关性分析图应当小的心运用和解释（例如我们不能依赖表面的定位图，因为一些变量可能没有在上表现出来）,31,概念（ ）的基本方法,通过因子分析程式来运行一组数据 减少大量的变量（如产品属性）到小规模的基础变量。这

9、些变量是高度自相关的变量，例如，受访者的回答模式都非常相似 通过因子提取来解释因子变量。高的得分意味着更加重要的变量已经被因子所包含,32,回归分析,33,回归分析是什么?,线性回归（ ） 画出因变量( )和自变量( )之间的关系 因变量 = B* 自变量+ 常数项 + 残差,34,回归分析是什么?,线性回归方程式： Y = C + + e Y = 产出( ) X = 输入变量( / ) c = 常量 (当0时) b = 斜率 e = 误差/残差（ / ）,35,多元回归象线性回归一样只不过有更多的独立变量,Y = c + b1x1 + b2x2 + b3x3 + . + e,36,多元回归在

10、市场研究中的运用,37,关键的驱动因素 - 在上升的咖啡市场,r2 = 0.57,38,12%,30%,30%,66%,14%,0.45*,0.22*,0.16*,0.10,0.02,0.02,0.02,% - 2 *,0.42*,0.35*,-0.21*,0.17*,0.10,0.12,0.19*,0.09,计算机公司的客户满意关系,39,回归分析意味着什么?,我们通常认为是独立变量在某些方面影响着非独立变量 例如过度的吸烟会导致肺癌的发生 在市场/社会研究中，它通常表现出是“先有鸡还是先有蛋的关系”: 你喜欢某件产品是因为它很时髦还是你认为因为你喜欢它才觉得它她时髦? 你喜欢一个公司是因为

11、它有好的服务？或者你认为这个公司的服务很好只因为你喜欢这家公司 (或者公司其他方面的因素),40,回归分析意味着什么?,考虑 得分将可能更有意义（通常是喜好的排序值） 值越大，喜好的波动越大（影响也越大） 这表示这些是非常重要的属性因为他们是和喜好一起变动的属性 在市场研究中，我们经常称它为可导出的重要性以此与规定的重要性相对比,41,但是我们不能说一件事情导致另一件事情的发生,42,回归分析假设.,X1, X2, X3 独立的 - 没有很强的相关性 如果它们强相关，我们称为多元共线性 市场研究数据通常都有很强的内部相关性 例如，如果你喜欢一个品牌，你也倾向于认为它时髦、耐用、所有场合都适用、

12、对小孩和成年人都适合等等 背景资料通常也是相关的 -例如，年龄和收入、收入和教育程度等. 对我们来说是一个大问题,43,最后的想法,仔细观察数据 - 作出一些散布图去看一看相关的形状 执行相关分析去寻找 来帮助你解释数据 记住，我们假设显著的 是重要的 - 但是他们只能与另一个我们无法测量的因子联系在一起 例如：,44,散布图 - 会议与“少女吧”的关系,45,得出的结论.,我们可以回归出在不同城市举办会议的次数通过“少女吧”的数量，然后得出在世界不同城市举办众多会议的原因 但是，我们可能忽略了其他显著的因素，如：旅馆的方便性、承受能力、中心位置、娱乐设施的便利性等潜在的因素 这些也可能与“少

13、女吧”的收益有关系,46,因子分析,47,因子分析是什么?,一种用来在众多变量中辨别、分析和归结出变量间的相互 关系并用简单的变量（因子）来描述这种关系的数据分析方法,48,因子分析,一个例子: 0.9 1 0.8 2 0.2 3 与 高度相关. 一个基本的因子“科学能力”正是通过因子分析所得到的能够更好地表达这两个变量.,49,因子分析做什么?,识别一组观察不到的尺度（因子），这些因子已经概括了原始的变量的大多数的信息 估计这种关系并且通过变量与因子之间的变形等式来获得因子 降低原始变量的维数，为进一步的分析作准备,50,为什么使用它 ?,去产生新的、更少的变量以便为后续的回归和其他分析做基

14、础. 去识别概念或产品的基本感知和特性 去制作 去改善市场研究领域多元测量的结构与方法.,51,- I,1:,2:,(R07) (R06) (R04) (R05) (R08) (R22) (R21) (R17),(R13) (R15) (R11) (R16) (R14),47% 0.76 0.72 0.69 0.67 0.58 0.56 0.54 0.49,7% 0.80 0.75 0.70 0.63 0.54,52,-,3:,4:,(R03) a (R02) (R01),4% 0.69 0.65 0.64,(R25) a (R23) a (R24) (R20),5% 0.83 0.74 0.

15、69 0.61,53,-,5:,6:,(R09) (R10),3% 0.83 0.56,(R18) a (R12),3% 0.79 0.43,54,-,7:,(R19) a,3% 1,55,得出结论.,我们能减少变量的数量: 大批量的变量 少量的基本特性 我们可能会忽略了显著的因子，尽管它们也是因子分析的结果 数据的基础结构将会抽象出来,56,但是 针对对购买的影响因素，我们不能说一个因子比另一个因子更重要 我们甚至更不能说那个因子直接导致购买行为,57,并且 我们可以利用因子分析得出的结果进行其他的统计分析 回归分析: 寻找出关键的驱动因素 聚类分析: 把目标分类为某些特征更加相似的细分群体,58,聚类分析,59,结构,什么是聚类分析? 聚类分析做什么? 聚类分析怎样使用? 市场细分和定位计划?,60,聚类的概念,把研究目标分割成为具有相同属性的小的群体,B,A,. . . .,. . . . . . .,. . . . . . . .,61,聚类分析做什么?,把研究对象（人，城市，品牌等）分割成为更加同质的细分群体 描述对象的整体结构或者各个簇之间的组织关系 根据每个簇的描述资料进行该簇特征的定位 决定判别群体之间区别的显著性水平（例如：总体的%） 评价一种判别簇类之间定性区别的