調研方法
統(tǒng)計分析技術的含義
在定量市場調查中，現(xiàn)場執(zhí)行完畢后獲取了大量的調查信息與數(shù)據(jù)，對這些數(shù)據(jù)的整理、分析和問題的判斷是市場調查環(huán)節(jié)中重要的組成部分。通常，單一問題分析和交叉問題分析是十分普遍的，例如：單一分析中的頻率（頻數(shù)）分析，或者把一個問題或變量與另一個關聯(lián)交叉分析（例如對受訪者背景變量：性別、年齡等）等通常作為數(shù)據(jù)第一步的描述性統(tǒng)計分析。但是，單一分析是不夠的，因為在一項研究中，會有許多變量，許多影響因素，多元統(tǒng)計分析的運用則顯得十分重要，并具有單一分析所不具有的附加值。
差分統(tǒng)計檢驗
統(tǒng)計推斷最根本的目的是從抽樣調查的結果中歸納出總體特征，統(tǒng)計判斷最基本的原則是，在數(shù)學上不同的數(shù)字在統(tǒng)計學上可能并沒有顯著不同。例如，在啤酒口味測試中，52%的人偏好A，48%的人偏好B，這里實際上的差別很小，并在我們所設計的誤差之內，這種統(tǒng)計差別是不顯著的。
在數(shù)學概念上，只要數(shù)字不同就有差分。然而，這并不能說明在統(tǒng)計上的意義是顯著的。如果一個差分大到不可能由于抽樣誤差或者偶然因素引起的，那么這個差分在統(tǒng)計學上是顯著的，稱為統(tǒng)計顯著性。那么，什么程度的差分才有統(tǒng)計顯著性呢？差分的統(tǒng)計檢驗分析即可回答這個問題。
假設檢驗是我們通常使用的技術方法。例如，我們事先給某一個產(chǎn)品目標購買人群的定位是25歲，而調查表明是28歲。那么，事先的預測準確嗎？通過假設檢驗技術就可以得到答案。
在假設檢驗中，柯爾莫洛夫-斯米爾諾夫K-S模型常常被采用。一個著名的案例是：康柏電腦在FG座談會上得知，家庭電腦用戶不喜歡辦公環(huán)境中傳統(tǒng)的顏色，在調查者出示了許多顏色以后，被調查者表示喜歡棕色。接下來，進一步對6個月內會購買電腦的500潛在用戶進行了問卷調查，結果表明喜歡深棕色的55人，暗棕色的45人，中等棕色的80人，淺棕色的170人，特淺棕色的是150人。通常來講，我們可以得到這樣一個結論了：用戶偏好淺棕色！但是，在進行K-S檢驗以后發(fā)現(xiàn)，統(tǒng)計量指D為0.24，明顯大于臨界值0.06，所用原來棕色偏好的假設不成立。
相關性分析
在許多市場調查中，調查者需要解決的問題遠遠超出一般性統(tǒng)計檢驗的需要，可能會對兩個或者兩個以上變量的關聯(lián)度感興趣，分析兩個變量的關聯(lián)度的技術方法，稱為相關分析。
相關性分析一種非常有用的市場研究工具，可以在2維空間內同時表達多維的屬性，也可以更好的理解品牌和屬性之間的關系，還可以表述一個不同市場因素的關聯(lián)度。
相關分析可以幫助客戶/市場決策者：
◆ 為實施市場戰(zhàn)略而去發(fā)現(xiàn)市場的空隙和優(yōu)化產(chǎn)品的定位（對于新品牌或新產(chǎn)品的開發(fā)/延伸）
◆ 發(fā)現(xiàn)市場上決定性的或顯著的屬性，例如對于選擇不同品牌的重要和有顯著區(qū)別的屬性。
回歸分析
在對市場數(shù)據(jù)的分析中往往會看到變量與變量之間存在一定的相關關系，例如：某產(chǎn)品的價格和社會需求之間，服務滿意度與服務之間都有密切的關系，銷售額與產(chǎn)品價格水平之間的關系等，研究變量之間相互關系密切程度的分析為相關分析。如果在研究變量的相關分析時，把其中的一些因素作為所控制的變量，而另一些隨機變量作為它們的因變量，確定這種關系的數(shù)理方法就稱為回歸分析。它常應用于滿意度研究、消費者研究、市場預測以及一些專業(yè)技術研究等方面。
在實際運用中，回歸分析根據(jù)變量的數(shù)目劃分為二元變量回歸和多元變量回歸，回歸的形式包括線性回歸和非線性回歸等。
通常，線性回歸是常用的一種方法，二元線性回歸的方程表示為：
Y=C+bX+e
其中：Y=產(chǎn)出（dependentvariable/responsevariable）；X=輸入變量（independentvariable/regressor）；c=常量（當x=0時）；b=斜率；e=誤差/殘差（error/residual）
多元線性回歸方程像線性回歸一樣，只不過有更多的獨立變量，其線性方程表示為：
Y=c+b1x1+b2x2+b3x3+。。。+e
因子分析
因子分析的基本目的就是用少數(shù)幾個因子去描述許多指標或因素之間的聯(lián)系，即將相關比較密切的幾個變量歸在同一類中，每一類變量就成為一個因子（之所以稱其為因子，是因為它是不可觀測的，即不是具體的變量），以較少的幾個因子反映原資料的大部分信息。常與其它技術聯(lián)合使用，應用于滿意度研究，市場細分研究中。
在市場研究中，研究人員感興趣的是一些研究指標的集成或者組合，這些概念通常是通過等級評分問題來測量的，每一個指標的集合（或是一組相關聯(lián)的指標）就是一個因子，指標概念等級得分就是因子得分。
在一個只有兩個因子的因子得分分析中，因子得分的計算如下：
F1=0。40A1+0。30A2+0。02A3+0。05A4
F2=0。01A1+0。04A2+0。45A3+0。37A4
其中：F為因子得分；A為等級評分；等級評分的系數(shù)即為該變量的權數(shù)。
在實際應用中，通過因子得分可以得出不同因子的重要性指標，而管理者則根據(jù)這些指標的重要性決策需要首先解決的市場問題或者產(chǎn)品問題。
判別分析
判別分析（DiscriminantAnalysis）能夠依據(jù)樣本的某些特性，以判別樣本所屬類型。與聚類分析不同的是，判別分析是在已知研究對象可用某種方法分成若干類的前提下，建立判別函數(shù)，用以判定未知對象屬于已知分類中的哪一類。在市場研究中，判別分析主要用于對一個企業(yè)進行市場細分，以選擇目標市場，有針對性地進行廣告、促銷等活動。
判別分析的普通公式為：
Z=b1x1+b2x2+b3x3+。。。+bnxn
其中，Z為判別分；b為判別權數(shù)；x為自變量。
聚類分析
聚類分析是指把具有某種相似特征的物體或者事物歸為一類的方法與技巧。聚類分析的目的在于辨別在某些特性上相似的事物，并按這些特性將樣本劃分成若干類（群），使在同一類內的事物具有高度的同質性，而不同類的事物則有高度的異質性。在市場研究中，聚類分析主要用于：
◆ 對消費者群進行市場細分；
◆ 把研究對象（人、城市、品牌等）分割成為更加同質的細分群體；
◆ 為市場測試確定相匹配的城市；
◆ 在市場結構分析中去識別競爭者
◆ 對產(chǎn)品進行分類
◆ 選擇試驗市場
◆ 確定分層抽樣的層次
◆ 分析消費者的性格特征和行為形態(tài)等方面
聯(lián)合分析/平衡分析
通過聯(lián)合分析可以模擬真實購買情況下，消費者的權衡之后的選擇，消費者的回答在是綜合各種條件包括自身經(jīng)濟條件做出的，反映了其潛在的權衡標準，而不會像傳統(tǒng)測試方法中得出的價格最低，性能最優(yōu)的非現(xiàn)實可操作的結論，也不會得到所有因素都非常重要或人們通常可以預料到的非實際反映的似是而非的結論。聯(lián)合分析還可以預測并未實際測試過的產(chǎn)品組合的消費者認同程度和市場份額。
聯(lián)合分析的基本程序如下：
1、確定產(chǎn)品特征與特征水平：聯(lián)合分析首先要對產(chǎn)品或服務的特征進行識別。這些特征與特征水平必須是顯著影響消費者購買的因素。特征與特征水平的個數(shù)決定了分析過程中要進行估計的參數(shù)的個數(shù)。
2、產(chǎn)品模擬：聯(lián)合分析將產(chǎn)品的所有特征與特征水平通盤考慮，并采用正交設計的方法將這些特征與特征水平進行組合，生成一系列虛擬產(chǎn)品。在實際應用中，通常每一種虛擬產(chǎn)品被分別描述在一卡片上。
3、數(shù)據(jù)收集：請受訪者對虛擬產(chǎn)品進行評價，通過打分、排序等方法調查受訪者對虛擬產(chǎn)品的喜好、購買的可能性等。
4、計算特征的效用：從收集的信息中分離出消費者對每一特征以及特征水平的偏好值，這些偏好值也就是該特征的"效用"。
5、市場預測：利用效用值來預測消費者將如何在不同產(chǎn)品中進行選擇，從而決定應該采取的措施。
多維偏好分析與多維尺度分析
多維偏好分析常用于分析消費者對產(chǎn)品與服務的偏好傾向，在市場研究中能具體解決如下問題：
◆ 圈定目標消費群體
◆ 市場上哪些品牌的競爭激烈
◆ 探索市場的空白區(qū)域
◆ 消費群體的分類
◆ 品牌評價
多維尺度分析是探索多個研究事物間的相似（不相似）程度，通過適當?shù)慕稻S方法，將這種相似（不相似）程度在低維度空間中點與點之間的距離表示出來，并有可能幫助識別那些影響事物間相似性的潛在因素，在市場研究中能具體解決如下問題：
◆ 市場上，相似品牌有哪些？
◆ 消費者評價品牌相似性的依據(jù)是什么？
認知圖
認知圖是一種消費者對某種產(chǎn)品、品牌、公司或者其他如何事物在兩個或者更廣泛范圍內的認知形象描述，有許多方法可以用來開發(fā)認知圖，包括因子分析、多維量表、判別分析和對于分析等。通常，這些圖在X和Y軸末端都有范圍的限制。舉例說明：下圖為手機市場的認知圖。可得出的結論是：白領人士更偏好某品牌A；學生群體對于某品牌B的興趣度較高；而私營業(yè)主對于某品牌C會更加青睞一些。
掃描二維碼，關注我們
