《偏好图-品牌图-二元图分析.ppt》由会员分享，可在线阅读，更多相关《偏好图-品牌图-二元图分析.ppt（35页珍藏版）》请在三一文库上搜索。
1、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,二零零一年七月,沈 浩,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
2、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,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,什么是二元图？,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,矩阵A的各行就是矩阵X各行点在对
3、应的二维图的坐标。 矩阵B的各列就是矩阵X各列点在对应的二维图的坐标。 q2时，矩阵AB近似等于矩阵X,是近似的二元图。,X,Y,Z,X,Y,Z,第一主成份,第二主成份,特征值奇异值,损失的信息,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。,知晓 awareness,兴趣 interest,考虑 consideration,尝试 Trial,购买 purchase,重复 repeat,产品/品牌的认知过程,潜在的消费者,品牌的属性和价格,B,F,A,G,D,C,E
4、,B,F,D,G,A,C,E,知晓,考虑,考虑,购买,品牌形象研究： 品牌A具有较高的品牌形象，但不是强有了的产品。 品牌D的品牌形象较差，但是一个强有力的产品。,B,C,A,B,C,A,B,C,A,B,C,A,技术落后,技术先进,质量非常差,质量非常好,售后服务差,售后服务好,安全性能差,安全性能好,B,A,C,技术先进,质量非常好,售后服务好,安全性能好,品牌之间,属性之间,B,A,C,技术先进,质量非常好,售后服务好,安全性能好,品牌和属性之间,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 C
5、omponent 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
6、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,身体有益,身体无益,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
7、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,每升行驶里程,可靠性能,安全性能,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
8、 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,判别函数2,判别函数1,对应分析 Co
9、rrespondence 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度 非常普遍和流行的方法 非常适合研究两个定类变量定性数据的分析 程序生成对应图 品牌和属性靠近的点具有相关性,多元对应分析 Multiple Correspondence Analysis MCA,基于一组定类变量定性数据的关联性的一种低维表现图 变量的定性数据分类 非常普遍和流行的方法 程序生成对应图 变量取值的标签表现在对应图中 靠近的点具有相关性 如果能够的话尽量转化为二维的行列变量简单的对应分析,多维偏好分析 Multidimension
10、al Preference Analysis MDPREF,收集到消费者对一组品牌的偏好评分 收集到对一组品牌的不同属性的偏好评分 基于主成份分析的原理作出消费者的偏好图 偏好图可以表现每个消费者对产品/品牌的偏好 偏好图中的点表示品牌/产品 偏好图中的向量表示消费者的偏好 数据容易获得 消费者较多是须归类消费者的评价,SUBJ3,SUBJ2,SUBJ1,偏好强,非线性主成份分析 （Optimal Scaling),如果所有的变量都是定性数据定类变量 SPSS的Optimal Scaling 是消减变量的方法 在主要维度解释多个定性变量的变差 也可以处理名义变量、定序、定比、定距变量 对应图可以表现变量、样本和变量与样本之间的关系,偏好图的理想点模型,理想点是在消费者评价现有产品/品牌的基础上，同时评价消费者心目中理想的产品 偏好图中有理想点的情况下，计算品牌点与理想点的欧几里德距离 距离越接近的品牌离消费者的理想点越好 也可以画出围绕理想点的同心圆，产品/品牌与理想点的距离 理想点与反理想点 主要基于等级数据的评价方法： 理想点：1-最不好，5-最好 反理想点：1-最好，5-最不好 即可以评价理想点也可以评价反理想点。,每升行驶里程,可靠性能,安全性能,理想点,