学习目标:
-
了解重要性测量的意义和方法理论基础
-
了解有哪些测量方法
-
了解如何测量,包括问卷和数据是什么样的
学习资料
《市场研究中的统计分析方法·基础篇》郑宗成
百度分享:链接: https://pan.baidu.com/s/13OQHZ14FdOP_q6bFDZLOGQ 提取码: qcgs
什么是重要性测量?
站在实际业务的角度上,我们总会面临一个问题:消费者为什么买其他品牌而不买我们品牌?如果继续深问的话,我们会问:他们是怎么考虑这些品牌差异的?
这些问题一方面可以用品牌形象研究的方法,去探讨多个品牌之间的差异。但从消费者决策的角度上看,消费者在选择时,除了受品牌形象因素影响外,对于功能性产品,更受产品所拥有的属性影响。
比如保健品食品,在购买时,消费者会对比各品牌产品的:功效,价格,是否有副作用,使用是否方便等等。消费者会有所侧重,那如何测量这些属性的重要性?转化为业务用语就是:消费者在挑选时,会考虑哪些因素?这些因素的重要性如何?
前提:每一个消费者都是不同的,但同时也存在相近特征的消费群。所以,1我们需要区分出这些消费群体,2我们要找到不同消费群的偏好
”重要性“不局限于产品属性选择,其他具体业务背景
-
在顾客满意度上,研究什么因素在决定着顾客满意度
-
在产品测试中,研究产品具体属性对产品总体接受度的影响力
-
在使用和态度研究中,研究各种因素在品牌选择中所起的作用
不局限于以上3个用途,探索部分与整体之间的关联,一个变量和另一个变量之间的关系。
重要性测量方法
重要性测量不同,有隐形重要性和显性重要性之分
显性重要性
指通过直接询问消费者对特定产品和服务具体属性的重视程度而获得重要性。方法主要有:
打分法:被访者对一系列属性逐一进行重要度打分。常见尺度有5分和10分量表。
排序法:被访者对一系列属性按照重要性排序
列举法:被访者从一系列属性中挑选出最重要的诺干个。
分配法:将属性总重要得分规定为100分或者10分,让被访者将其分配到各个属性上。
隐形重要性
何为隐形重要性:通过分析各属性与某个总体评价指标(如购买意愿,总体评价,总体喜欢程度)之间的联系得出的重要性。
隐形重要性的分析方法有相关分析,回归分析,判别分析,典型相关分析,联合分析,多层次贝叶斯分析,类别变量的最优尺度。
不论什么样的分析方法,在测量重要性时,都是通过问卷,设置类似如下两种题目,一个题目是询问总体情况,也可以是购买量,花费等等能衡量总体特征的值。另一个是具体影响因素(或构成部分)的测量得分。

具体分析方法
相关分析
-
等距或等比数据,使用person相关系数
-
有序数据使用spearman秩相关系数
-
分类变量使用列联表,可以实现两个分类变量之间关联性的分析。注意是两个变量,而不是多个变量,两个分类变量可以组成类似如下图的交叉表。

最后,通过比较相关系数的大小,来比较谁是和总体指标关联最大的因素。如下图

回归分析
多元回归,只适用于等距和等比数据
具体多元回归的做法,可以参看张文彤的SPSS教程
具体过程
第一:检测变量本身,了解变量数据的整体结构,比如极端值,分布,平均值。如果数据存在极端值,需要做具体处理后,才能继续做回归分析。
第二:在SPSS中做多元回归。
第三:查看结果,
1,查看拟合结果。也就是说,模型能否很好的应用,是否成功。衡量的指标是:R方,调整后的R方
如果R方比较小,分析原因,也就是下面要做的,分析各个变量对总体模型效果的影响。总的方向是,去除那些影响小的,提升R方。
2,在上一个环节后,确定R方后。我们要看各个变量的影响情况。自变量和因变量影响关系的指标有:回归系数,标准化回归系数,相关系数-包括三种:零阶相关系数,偏相关系数,部分相关系数。
输出的结果分析如下图

在前几步发现问题时,可以思考数据是否符合回归模型的前提假设和自变量之间存在多重共线性:
前提假设的检测方法:(此处参考数据分析笔记)
最优尺度回归
(看不太懂,实际也很少使用)
1.适合什么情况:
合适自变量和因变量是类别变量等不统一的情况,同时也适用于自变量和因变量不存在线性关系的情况。
2.原理:
核心在于将变量转化为合适的类型,比如将分类变量转化为顺序变量等等。
3.如何做?
第一步:确认各个变量的最优尺度类型,具体方法可以通过变换图来确定。
第二步:结果分析
书本中,继续使用了商品整体状况这个例子,有点搞不懂,因为这个案例中,数据都是数值类型的,使用了问卷,通过打分获取的数据,应该都是数值类型的,为什么还要用个案例?而不是使用汽油花费那个案例
案例中,将原数据改为顺序数据后又改为类别变量,最有尺度为类别变量。不明白是指第8个变量为类别变量还是所有的变量都为类别变量

对属性的重要性测量还有另一种方式:KANO模型。不过该模型把属性分成5种,通过分析找到各属性的重要度,以及还没有被满足的属性。
网友评论