您现在的位置:拓索市场咨询(北京)公司 >> 研究领域 >> 调查执行技术  
分析技术

市场研究工作是什么 ?

市场研究工作它不只是问卷设计 、 运作质量的控制 、 制作图表 和 撰写报告 。市场研究最终是:( 1 ) 提供解决方案;( 2 )解决市场问题;( 3 )为我们的客户争取更多的商业回报。

在我们对众多的调查数据进行分析时就会发现: 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 …… 例如: 大量附加的分析,运用许多的复杂的分析技术; 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。多元统计分析就是发现复杂数据后面真实性问题的技术方法。

什么是市场调查中的统计分析技术( MVA ) ?

在定量市场调查中,现场执行完毕后获取了大量的调查信息与数据,对这些数据的整理、分析和问题的判断是市场调查环节中重要的组成部分。通常,单一问题分析 (univariate analysis) 和交叉问题分析是十分普遍的,例如:单一分析中的频率(频数)分析,或者把一个问题或变量与另一个关联交叉分析(例如对受访者背景变量:性别、年龄等)等通常作为数据第一步的描述性统计分析。但是,单一分析是不够的,因为在一项研究中,会有许多变量,许多影响因素,多元统计分析的运用则显得十分重要,并具有单一分析所不具有的附加值。

为什么要做这种 “ 附加值 ” 的分析 ?

我们做 MVA 分析不因为是“它使我们的研究报告更好看”,而是“它会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”,“它可以使委托方更好地利用信息,使市场调查的价值最大化”。


差分统计检验(Statistics Test Analysis)

统计推断最根本的目的是从抽样调查的结果中归纳出总体特征,统计判断最基本的原则是,在数学上不同的数字在统计学上可能并没有显著不同。例如,在啤酒口味测试中, 52 %的人偏好 A , 48 %的人偏好 B ,这里实际上的差别很小,并在我们所设计的误差之内,这种统计差别是不显著的。

在数学概念上,只要数字不同就有差分。然而,这并不能说明在统计上的意义是显著的。如果一个差分大到不可能由于抽样误差或者偶然因素引起的,那么这个差分在统计学上是显著的,称为统计显著性。那么,什么程度的差分才有统计显著性呢?差分的统计检验分析即可回答这个问题。

假设检验是我们通常使用的技术方法。例如,我们事先给某一个产品目标购买人群的定位是 25 岁,而调查表明是 28 岁。那么,事先的预测准确吗?通过假设检验技术就可以得到答案。

在假设检验中,柯尔莫洛夫-斯米尔诺夫 K-S 模型常常被采用。一个著名的案例是:康柏电脑在 FG 座谈会上得知,家庭电脑用户不喜欢办公环境中传统的颜色,在调查者出示了许多颜色以后,被调查者表示喜欢棕色。接下来,进一步对 6 个月内会购买电脑的 500 潜在用户进行了问卷调查,结果表明喜欢深棕色的 55 人,暗棕色的 45 人,中等棕色的 80 人,浅棕色的 170 人,特浅棕色的是 150 人。通常来讲,我们可以得到这样一个结论了:用户偏好浅棕色!但是,在进行 K-S 检验以后发现,统计量指 D 为 0.24 ,明显大于临界值 0.06 ,所用原来棕色偏好的假设不成立。


相关性分析 (Correspondence Analysis)

在许多市场调查中,调查者需要解决的问题远远超出一般性统计检验的需要,可能会对两个或者两个以上变量的关联度感兴趣,分析两个变量的关联度的技术方法,称为相关分析。

相关性分析一种非常有用的市场研究工具,可以在 2 维空间内同时表达多维的属性,也可以更好的理解品牌和属性之间的关系,还可以表述一个不同市场因素的关联度。

相关分析可以帮助客户 / 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。


因子分析 (Factor Analysis)

在对市场数据的分析中往往会看到变量与变量之间存在一定的相关关系,例如:某产品的价格和社会需求之间,服务满意度与服务之间都有密切的关系,销售额与产品价格水平之间的关系等,研究变量之间相互关系密切程度的分析为相关分析。如果在研究变量的相关分析时,把其中的一些因素作为所控制的变量,而另一些随机变量作为它们的因变量,确定这种关系的数理方法就称为回归分析。它常应用于满意度研究、消费者研究、市场预测以及一些专业技术研究等方面。

在实际运用中,回归分析根据变量的数目划分为二元变量回归和多元变量回归,回归的形式包括线性回归和非线性回归等。

通常,线性回归是常用的一种方法,二元线性回归的方程表示为:

Y = C + bX + e

其中: Y = 产出 (dependent variable /response variable) ; X = 输入变量 (independent variable / regressor) ; c = 常量 ( 当 x=0 时 ) ; b = 斜率; e = 误差 / 残差 (error / residual)

多元线性回归方程像线性回归一样,只不过有更多的独立变量,其线性方程表示为:

Y = c + b 1 x 1 + b 2 x 2 + b 3 x 3 + ... + e

多元回归被广泛运用在市场研究中,举例如下: (1) 咖啡市场中关键因素的确定; (2) 计算机客户满意度研究关键因素确定; (3) 社会调查中的使用。

案例 1 :找到关键的市场驱动因素 - 在上升的咖啡市场


案例 2 :计算机公司的客户满意关系


案例 3 :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 ) 。


因子分析 (Factor Analysis)

因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系,即将相关比较密切的几个变量归在同一类中,每一类变量就成为一个因子 ( 之所以称其为因子,是因为它是不可观测的,即不是具体的变量 ) ,以较少的几个因子反映原资料的大部分信息。常与其它技术联合使用,应用于满意度研究,市场细分研究中。

在市场研究中,研究人员感兴趣的是一些研究指标的集成或者组合,这些概念通常是通过等级评分问题来测量的,每一个指标的集合 ( 或是一组相关联的指标 ) 就是一个因子,指标概念等级得分就是因子得分。

在一个只有两个因子的因子得分分析中,因子得分的计算如下:

F1=0.40A1+0.30A2+0.02A3+0.05A4

F2=0.01A1+0.04A2+0.45A3+0.37A4

其中: F 为因子得分; A 为等级评分;等级评分的系数即为该变量的权数。

在实际应用中,通过因子得分可以得出不同因子的重要性指标,而管理者则根据这些指标的重要性决策需要首先解决的市场问题或者产品问题。


判别分析 (Discriminant Analysis)

判别分析 (Discriminant Analysis) 能够依据样本的某些特性,以判别样本所属类型。与聚类分析不同的是,判别分析是在已知研究对象可用某种方法分成若干类的前提下,建立判别函数,用以判定未知对象属于已知分类中的哪一类。在市场研究中,判别分析主要用于对一个企业进行市场细分,以选择目标市场,有针对性地进行广告、促销等活动。

判别分析的普通公式为:

Z = b 1 x 1 + b 2 x 2 + b 3 x 3 + ... + b n x n

其中, Z 为判别分; b 为判别权数; x 为自变量。


聚类分析 (Cluster Analysis)

聚类分析是指把具有某种相似特征的物体或者事物归为一类的方法与技巧。聚类分析的目的在于辨别在某些特性上相似的事物,并按这些特性将样本划分成若干类 ( 群 ) ,使在同一类内的事物具有高度的同质性,而不同类的事物则有高度的异质性。在市场研究中,聚类分析主要用于:

☆ 对消费者群进行市场细分;
☆ 把研究对象 ( 人,城市,品牌等 ) 分割成为更加同质的细分群体;
☆ 为市场测试确定相匹配的城市;
☆ 在市场结构分析中去识别竞争者
☆ 对产品进行分类
☆ 选择试验市场
☆ 确定分层抽样的层次
☆ 分析消费者的性格特征和行为形态等方面


联合分析/平衡分析 (Trade off)

通过联合分析可以模拟真实购买情况下,消费者的权衡之后的选择,消费者的回答在是综合各种条件包括自身经济条件做出的,反映了其潜在的权衡标准,而不会像传统测试方法中得出的价格最低,性能最优的非现实可操作的结论,也不会得到所有因素都非常重要或人们通常可以预料到的非实际反映的似是而非的结论。联合分析还可以预测并未实际测试过的产品组合的消费者认同程度和市场份额。

联合分析的基本程序如下:

(1) 确定产品特征与特征水平:联合分析首先要对产品或服务的特征进行识别。这些特征与特征水平必须是显著影响消费者购买的因素。特征与特征水平的个数决定了分析过程中要进行估计的参数的个数。

(2) 产品模拟:联合分析将产品的所有特征与特征水平通盘考虑,并采用正交设计的方法将这些特征与特征水平进行组合,生成一系列虚拟产品。在实际应用中,通常每一种虚拟产品被分别描述在一卡片上。

(3) 数据收集:请受访者对虚拟产品进行评价,通过打分、排序等方法调查受访者对虚拟产品的喜好、购买的可能性等。

(4) 计算特征的效用:从收集的信息中分离出消费者对每一特征以及特征水平的偏好值,这些偏好值也就是该特征的 “ 效用 ” 。

(5) 市场预测:利用效用值来预测消费者将如何在不同产品中进行选择,从而决定应该采取的措施。


多维偏好分析与多维尺度分析

多维偏好分析常用于分析消费者对产品与服务的偏好倾向,在市场研究中能具体解决如下问题:

☆ 圈定目标消费群体
☆ 市场上哪些品牌的竞争激烈
☆ 探索市场的空白区域
☆ 消费群体的分类
☆ 品牌评价

多维尺度分析是探索多个研究事物间的相似 ( 不相似 ) 程度,通过适当的降维方法,将这种相似 ( 不相似 ) 程度在低维度空间中点与点之间的距离表示出来,并有可能帮助识别那些影响事物间相似性的潜在因素,在市场研究中能具体解决如下问题:

☆ 市场上,相似品牌有哪些?
☆ 消费者评价品牌相似性的依据是什么?


认知图

知图是一种消费者对某种产品、品牌、公司或者其他如何事物在两个或者更广泛范围内的认知形象描述,有许多方法可以用来开发认知图,包括因子分析、多维量表、判别分析和对于分析等。通常,这些图在 X 和 Y 轴末端都有范围的限制。

举例说明:下图为手机市场的认知图。可得出的结论是:白领人士更偏好某品牌 A ;学生群体对于某品牌 B 的兴趣度较高;而私营业主对于某品牌 C 会更加青睐一些。