基于多维尺度技术的品牌选择模型

基于多维尺度技术的品牌选择模型田辉 安向龙 张朋（零点市场调查分析公司）摘要：本文分析了品牌选择模型的基本原理和应用领域，为实现品牌选择模型在市场研究中的应用，引入了多维尺度分析这种研究工具，并给出了具体的实现步骤。通过穿插于实现步骤中的实例分析，阐明品牌选择模型在市场研究中的应用价值。 关键词：品牌选择模型、多维尺度、知觉图、品牌偏好 一引言 在市场的推广过程中，商家越来越深切的意识到消费者购买到的“产品”是品牌、产品本身和服务综合的一体化概念。品牌对购买的影响力备受商家关注，关于品牌的研究也一直是市场调查和咨询策划中的一个重要领域。早在1955年，也就是市场营销学发展的初期，西德尼·莱维就提出了“品牌形象”这个概念。随着消费者消费观念和消费心理的不断发展，消费已不仅仅是产品的消费，而越来越多地体现在服务的消费和文化的消费。相应地，品牌已不仅仅只是一个简单的符号，而包含了更加丰富的内涵。 目前对于品牌的研究，大致集中在三个方面：品牌本身的研究、品牌与其他产品要素的比较研究、品牌与品牌的比较研究。 1、品牌本身的研究。研究一个特定产品品牌对消费者购买行为的影响力，包括购买过程不同阶段的品牌影响力、品牌认知研究等等； 2、品牌与其他产品要素的比较研究。研究在品牌、价格、包装等各产品要素中，相对其他产品要素而言，品牌对消费者购买行为的影响，例如品牌价格选择研究、依据联合分析进行的产品组合研究等等； 3、品牌与品牌的比较研究。研究同类产品中消费者在各个品牌中的选择。比如不同品牌在各个维度的表现，不同品牌在消费者中的偏好、不同品牌的价值评估等等。 在市场调查行业中，上述三类品牌研究模型都得到了较为充分的研究，各类模型的选择主要基于研究的需要。上述三类模型，通常是较为单纯的结论描述型研究。例如，我们可以通过询问消费者而知道品牌在消费者心中的认知度、对购买的影响程度；可以知道在不同的价格、产品中他们会选择什么品牌；可以知道不同的品牌在历史传承、给顾客的使用价值、情感价值等各个维度的得分情况；可以知道他们的品牌偏好但是，我们很难预测出消费者在真实场景下的行为。因为我们模拟的是一种可操作的、真实的市场模式，而且通过一些经过研究人员整理综合后的单纯的维度来测量和解释，这样的研究反映的是消费者在固定程式下的选择。 本篇论文中介绍的品牌选择模型是一种基于第三类品牌研究的方法，但与以往研究的方法有所区别。 二品牌选择模型的基本原理 品牌选择模型是以多维尺度为主要研究工具，通过二维知觉图的形式，直观反映市场主要品牌在重要产品属性维度上综合表现的定量模型。 品牌选择模型的核心思想是通过了解消费者对市场主要品牌的评价以及对理想品牌的期望，确定主要竞争品牌及理想品牌在知觉图上的位置，并根据各品牌同理想品牌距离的远近推断消费者的品牌偏好。大家知道，消费者偏好或动机是做出某种选择最好的预测器。进一步，如果知道消费者在重要属性上的选择率，我们就可以合理地解释消费者偏好，从而可以解释或预测消费者做出的某种选择。下面是品牌选择模型非常简化但却是其本质的形式： 偏好的相对 强烈程度 对各属性（在各属性上的评分×各属性的相对重要性）为使模型预测结果更好地模拟品牌选择的实际情况，除了多维尺度以外，市场细分以及对产品属性维度作加权处理是必要的纠正偏差的工具，引入市场细分后在知觉图上表现为理想品牌不再是单一化，各细分群体期望的理想品牌将出现分化；对产品属性维度作加权处理主要是考虑到不同产品属性对产品总体偏好的影响存在差异，在知觉图上表现为相对重要的产品属性维度有所"伸长"，相对次要的维度有所"缩短"，从而提高了模型的预测精度。 品牌选择模型不仅仅能简单地预测消费者行为，还能有效地测量消费者购买动机的强烈程度。它的目的和功效就在于，可以解释消费者行为，以及预测如果产品属性的特性发生改变，消费者会做出什么样的反应。 品牌选择模型在市场研究中的应用主要有： 1. 发展新的产品概念，借助模型测试和修正产品概念组合、新产品的包装及广告策略； 2. 测试已有品牌的市场再定位，同时也可测试经过修正的包装和广告策略； 3. 测试竞争对手推出一种新产品或改变广告策略后可能产生的市场反应，从而达到监测竞争对手活动的目的。 三品牌选择模型的研究工具多维尺度技术 如果是基于品牌属性获得输入数据（间接推导法），空间图（知觉图或偏好图）也可以用因子分析和判别分析方法获得。在这种方法中，每个消费者对n个产品（或品牌）在m个属性上进行评分（rating）。而多维尺度分析技术是一种适应性更广的专门用于得到空间图的方法，它不受得到数据方式的限制，对研究品牌选择模型更加有效。 多维尺度分析技术（Multidimensional Scaling，简称MDS）是“探索”和“观看”多维数据的强有力的方法。其主要特点在于：以一种简洁的、易于解释的形式，提供对信息的直观表示；深入地探索内在的联系和模型；比用数字表格来解释更为简单。 在市场研究中，最为有用的多维尺度技术是以下面的三种数据探索技术为基础的： l 多维尺度量表（Multidimensional scaling） l 多维偏好分析（Multidimensional preference analysis） l 对应分析（Correspondence analysis） 这三种技术的共同之处都是通过图示的方法，在几何空间里表示所研究对象的感觉和偏好（perceptions and preferences）。在各种刺激（stimuli）中形成的感觉上的或心理上的关系是通过所谓的空间图（spartial maps）中点与点之间的几何关系来表示的。而空间图的坐标轴（axes）则假定是表示所研究对象用于形成对刺激的感觉和偏好时其心理基础和潜在维度（underlying dimensions）。这三种技术统称为多维尺度技术，或简称MDS技术。本篇文章中主要介绍前两种方法的使用。 MDS分析有以下几个步骤： 四应用实例汽水类饮料品牌选择 下面用一个汽水类饮料品牌选择的实例来说明此模型在市场研究中的应用。 1提出问题（formulate the problem） 首先要规定研究的目的，然后选择分析中应包括的品牌或其他刺激。由于品牌（或其他刺激）的数量和具体的内容将直接影响到最终维度的性质和结构，为了得到比较好的空间图，品牌（或其他刺激）的数量一般最好不要小于8，也不要超过25。 选择哪种品牌（或其他刺激）以及选择的数量应该基于市场研究的问题、理论和研究人员的判断。例如：对汽水类饮料品牌的研究中，第一步是选择下列六种品牌，包括7-UP, Sprite, Jianlibao, Mirinda, Fanda, Sunkist）及理想品牌。 2. 获得分析数据（obtain input data） 见下图所示： （1） 感知数据（perceptions data）的获得方法 A：直接比较法 用直接比较法收集数据时，要求被访者按照他们自己的判定准则，对各种品牌或刺激的相似性或不相似性程度作出判断。主要有下列两种做法，分别得到定序和定距的数据：（假定有k个品牌，则可以配成k(k-1)/2个待评价的品牌对） 做法一，要求被访者将所有的品牌对按相似程度由大到小（或由小到大）的顺序排列（ranking），得到一个相似性比较矩阵（或下三角矩阵），其元素为表示相似程度顺序的秩。 做法二，要求被访者用李克量表（5级、7级或其他级）给所有的品牌对评分（rating），分数越低表示品牌对的相似程度越高；或者要求被访者在一条固定长度的直尺线段上定位，左端表示完全不相似，右端表示完全相似，定位点离右端越近表示越相似，定位点与右端的距离就是具体的评分值。结果也是得到一个相似性比较矩阵，只不过其元素是得分值。（注：还有其他评价办法，但最为常用的是做法二的评分方法。） B：间接推导法 用间接推导法收集数据时，要求被访者从产品的各个属性，对待比较的品牌或刺激进行评分（rating），可以使用语义差别量表或李克量表。每位被访者的评价得分实际上都是一个矩阵，行代表各个品牌，列代表各种属性，对应的元素就是该被访者对相应品牌在相应属性上的得分；在市场研究中，还经常让消费者对他们心目中的“理想品牌”（可能并不存在）的各个属性评分。从这些得分矩阵出发，进一步计算品牌间的距离矩阵或相似系数矩阵，就可得到分析所需的接近程度矩阵。 例如，从零点公司自己做的饮料品牌研究的数据库中，挑选出20个消费者和6种汽水类饮料品牌（7-UP, Sprite, Jianlibao, Mirinda, Fanda, Sunkist）及理想品牌。每个消费者对这些饮料品牌在口味（taste）、价格（price）和外观（aspect）这三个属性上的评分（按从1至6的量表评分，其中6表示程度最高），综合起来得到这些消费者对上述品牌在相应属性上的总得分。 C：直接比较法和间接推导法的优劣 直接比较法的优点是研究人员不用事先确定一套有显著性差异的产品属性，被访者可以根据自己的标准进行相似性判断；其缺点是判断标准会受到待评价的品牌（或其他刺激）的影响。例如，在相同的价格范围内对各种汽车品牌进行评价时，则价格不能再被作为一个重要的评价因素来考虑。此外，在作分析前很难决定是否应该以及怎样把每个受访者的判断结合进来。最后，直接比较法很难解释空间图的坐标意义（给维度作标签）。 间接推导法的优点是能够很容易确定受访者有哪些相似的感知，依据受访者对各种属性的评分可以对受访对象进行聚类。间接推导法也较容易解释空间图的坐标意义；其缺点是研究者必须确定出所有显著的产品属性，而这是相当困难的。空间图的获得依赖于这些属性的确定。 这两种方法比较起来，更经常使用的是直接判断法。然而，最佳的方法可能是两种方法的结合使用。即用直接法获得空间图，属性评分可用来帮助解释坐标（维度）的意义和知觉图的构造特点。 （2） 偏好数据（preferences data）的获得方法 偏好数据的获得方法跟感知数据相似。数据的典型格式是表示成n个消费者对k个产品（或品牌）的评价得分（rating），偏好数据也可以是排序的（ranking）或成对比较的（paired comparison）。当空间图基于偏好数据构成时，几何距离代表着偏好程度的不同。 例如：在汽水类饮料品牌选择中，数据是从零点公司自己做的饮料品牌研究的数据库中，挑选出20个消费者和6种汽水类饮料品牌7-UP, Sprite, Jianlibao, Mirinda, Fanda, Sunkist及理想品牌，按照消费者对这些饮料的偏好按从1至6的量表评分，其中6表示偏好程度最高。 消费者对产品（或品牌）的感觉（知觉、概念）与他们对产品（或品牌）的偏好是很不相同的。因此，多维尺度空间图（也叫知觉图、相似图等）与偏好图的维度在性质和重要性方面可能有很大的差异。例如，某两个品牌在知觉图上可能非常不同，因此在空间图中的位置很远；同时消费者对这两个品牌的偏好很一致，因此在偏好图上两者的位置很接近。这种情况常常会使人感到困惑，难以解释分析的结果。解决的方法是研究人员要把各种因素综合在一起考虑。 3. 选择一个MDS分析方法 选择一种特殊的MDS方法，首先是依赖于所获得的分析数据是感知数据还是偏好数据。 其次，输入数据本身的属性也是一个决定因素。非计量（nonmetric）MDS方法假设输入数据是名义量数（ordinal）或次序性（ranking等级）尺度，但结果的输出还是以计量的形式。与之相对应的是计量（metric）MDS方法，它假设输入的数据是等距或比率（rating）量数。因为它的结果输出也是计量的形式，因此在输入数据和输出数据之间保留有很强的关系。用非计量和计量这两种MDS方