偏好图-品牌图-二元图分析3.pptVIP

偏好图-品牌图-二元图分析Preference/Brand/Biplot Mapping 北 京 广 播 学 院 新 闻 传 播 学 院 调 查 统 计 研 究 所 主要应用领域 谁是我们的客户？ 还有谁应该是我们的客户？ 谁是我们竞争对手的客户？ 相对于竞争对手的产品，我们的产品定位如何？ 为什么我们的产品定位在这里？ 我们如何对现有产品进行重新定位？ 我应该开发什么新产品？ 我的新产品应该针对什么样的客户？ 数据分析 统计数据法：通常采用标准的数据分析方法。 描述性统计量、交叉列联表等。 结合分析：探讨消费者在购买决定时如何权衡产品的属性。 全轮廓、自适应、离散选择等实验设计模型。 直观图示法：产生图、利用图来显示产品的定位、对产品的偏好、与竞争产品的偏好差异。 直方图、饼图、折线图、散点图、雷达表等。 茎叶图、冰柱图等。 二元图 什么是二元图？ 是一种从数据矩阵生成图形化显示的数据分析方法。 主要分为两种类型：分解的方法和组合的方法 分解的方法： 多维尺度分析 组合的方法： 主成份分析 因子分析 对应分析 多元对应分析 多维判别分析 二元图的基本原理 在低维空间（一般二维）同时显示数据矩阵的行和列的标签。 二元是行和列联合显示。 行坐标在图中表示为点，列坐标画为向量。 二元图是基于数据矩阵分解的思想。 矩阵分解的思想 为什么要使用二元图 消费者基于对产品/品牌的偏好，在制订产品市场营销策略中起着重要的作用。 通过品牌和竞争品牌的概念图可以提供非常丰富的市场信息。 简化数据。 更好地表现数据。 图示化技术 分解的方法： 多维尺度分析Multidimensional Scaling MDS 组合的方法： 主成份分析 Principal Component Analysis PCA 因子分析 Factor Analysis FA (EFA CFA) 多维判别分析 Multiple Discrimination Analysis MDA 对应分析 Correspondence Analysis CA 多元对应分析 Multiple Correspondence Analysis MCA 多维偏好分析 Multidimensional Preference Analysis MDPREF 非线性主成份分析 （Optimal Scaling) 多维尺度分析Multidimensional Scaling MDS 度量对象之间距离的数据 研究对象被表现在特定维数空间中 数据是一个或多个因素的相似性或差异性 构成对称矩阵或不对称矩阵——近似数据（邻近数据） 市场研究中对象主要是产品——品牌 在空间中的点越靠近越具有相似性，反之差异越大 采用特定的评价方法： 语义差异法 配对比较法 描点法 理想点模型：经常评价消费者的理想产品——品牌 偏好图只能表现特定的对象——产品/品牌 有时候维度的含义解释比较困难 主成份分析 Principal Component Analysis PCA 数据是消费者在品牌、属性和其它指标上的数量型数据 解释数据的最大变差 主成份是原始变量的线性组合（旋转） 有多少个原始变量就有多少个主成份 主成份之间是正交的 第一主成份解释的变差最大 第二主成份解释的变差次之 最后的主成份解释的变差最小 用第一、第二主成份作出偏好图 偏好图即可以表现品牌，也可以展示属性 品牌是点、属性是向量 因子分析 Factor Analysis FA (EFA CFA) 分析的数据类型是多个数量型变量 发现一组变量之间相关性结构 变量之间的相关性结构由因子表示 因子是潜在的、不可测量的变量 分为探索性因子分析和证实性因子分析 一般依据特征值的大小（大于1）生成因子数 一般采用主成份法和最大方差旋转 依前几个（两个）因子的坐标画出定位图 因子的命名比较困难 经常用于消减变量 因子作为新的变量用于聚类分析、回归分析等。 问卷中量表的信度检验 多维判别分析 Multiple Discrimination Analysis MDA 一个因变量是分组变量——定类变量——产品/品牌 一组自变量（预测变量）是数量型变量——属性评价 建立一个判别函数模型最大解释基于产品属性的最大变差 判别函数的个数等于分组变量的个数减1 第一判别函数解释最大的变差 第二判别函数解释变差次之 判别函数之间正交 依前两个判别函数的判别系数作出偏好图 偏好图可以同时表现品牌和属性 偏好图中的向量是产品属性 偏好图中的点是品牌各组评价的距心坐标 经常用于聚类分析 事后判别 对应分析 Correspondence Analysis CA 基于行列变量之间交叉列联表的关联性的一种低维表现图 数据是列联表中的频数，也可以是距离或其它测量尺