偏好图品牌图二元图分析课件.ppt

偏好图偏好图-品牌图品牌图-二元图分析二元图分析Preference/Brand/Biplot Mapping 北 京 广 播 学 院 新 闻 传 播 学 院调 查 统 计 研 究 所二零零一年七月二零零一年七月沈 浩偏好图-品牌图-二元图分析主要应用领域主要应用领域n谁是我们的客户？谁是我们的客户？n还有谁应该是我们的客户？还有谁应该是我们的客户？n谁是我们竞争对手的客户？谁是我们竞争对手的客户？n相对于竞争对手的产品，我们的产品定位如何？相对于竞争对手的产品，我们的产品定位如何？n为什么我们的产品定位在这里？为什么我们的产品定位在这里？n我们如何对现有产品进行重新定位？我们如何对现有产品进行重新定位？n我应该开发什么新产品？我应该开发什么新产品？n我的新产品应该针对什么样的客户？我的新产品应该针对什么样的客户？偏好图-品牌图-二元图分析数据分析数据分析n统计数据法：通常采用标准的数据分析方法统计数据法：通常采用标准的数据分析方法n描述性统计量、交叉列联表等描述性统计量、交叉列联表等n结合分析：探讨消费者在购买决定时如何权衡产品的属性结合分析：探讨消费者在购买决定时如何权衡产品的属性。

n全轮廓、自适应、离散选择等实验设计模型全轮廓、自适应、离散选择等实验设计模型n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偏好差异n直方图、饼图、折线图、散点图、雷达表等直方图、饼图、折线图、散点图、雷达表等n茎叶图、冰柱图等茎叶图、冰柱图等n二元图二元图偏好图-品牌图-二元图分析n是一种从数据矩阵生成图形化显示的数据分析方法是一种从数据矩阵生成图形化显示的数据分析方法n主要分为两种类型：分解的方法和组合的方法主要分为两种类型：分解的方法和组合的方法n分解的方法：分解的方法：n多维尺度分析多维尺度分析n组合的方法：组合的方法：n主成份分析主成份分析n因子分析因子分析n对应分析对应分析n多元对应分析多元对应分析n多维判别分析多维判别分析什么是二元图？什么是二元图？偏好图-品牌图-二元图分析二元图的基本原理二元图的基本原理n在低维空间（一般二维）同时显示数据矩阵的行和列的标签在低维空间（一般二维）同时显示数据矩阵的行和列的标签n二元是行和列联合显示二元是行和列联合显示n行坐标在图中表示为点，列坐标画为向量。

行坐标在图中表示为点，列坐标画为向量n二元图是基于数据矩阵分解的思想二元图是基于数据矩阵分解的思想偏好图-品牌图-二元图分析矩阵分解的思想矩阵分解的思想矩阵矩阵A的各行就是矩阵的各行就是矩阵X各行点在对应的二维图的坐标各行点在对应的二维图的坐标矩阵矩阵B的各列就是矩阵的各列就是矩阵X各列点在对应的二维图的坐标各列点在对应的二维图的坐标q<=Min(n,m)，，一般一般q=2二维空间比较容易解释二维空间比较容易解释当当q>2时，矩阵时，矩阵AB近似等于矩阵近似等于矩阵X,是近似的二元图是近似的二元图偏好图-品牌图-二元图分析XYZX’Y’Z’第一主成份第一主成份第二主成份第二主成份特征值特征值——奇异值奇异值损失的信息损失的信息偏好图-品牌图-二元图分析为什么要使用二元图为什么要使用二元图n消费者基于对产品消费者基于对产品/品牌的偏好，在制订产品市场营销策略中起着重品牌的偏好，在制订产品市场营销策略中起着重要的作用要的作用n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n简化数据简化数据n更好地表现数据更好地表现数据偏好图-品牌图-二元图分析知晓知晓awareness兴趣兴趣interest考虑考虑consideration尝试尝试Trial购买购买purchase重复重复repeat产品产品/品牌的认知过程品牌的认知过程潜在的消费者潜在的消费者品牌的属性和价格品牌的属性和价格偏好图-品牌图-二元图分析BFAGDCEBFDGACE知晓知晓考虑考虑考虑考虑购买购买品牌形象研究：品牌形象研究：品牌品牌A具有较高的品牌形象，但不是强有了的产品。

具有较高的品牌形象，但不是强有了的产品品牌品牌D的品牌形象较差，但是一个强有力的产品的品牌形象较差，但是一个强有力的产品偏好图-品牌图-二元图分析BCABCABCABCA技术落后技术落后技术先进技术先进质量非常差质量非常差质量非常好质量非常好售后服务差售后服务差售后服务好售后服务好安全性能差安全性能差安全性能好安全性能好偏好图-品牌图-二元图分析BAC技术先进技术先进质量非常好质量非常好售后服务好售后服务好安全性能好安全性能好品牌之间品牌之间属性之间属性之间偏好图-品牌图-二元图分析BAC技术先进技术先进质量非常好质量非常好售后服务好售后服务好安全性能好安全性能好品牌和属性之间品牌和属性之间偏好图-品牌图-二元图分析图示化技术图示化技术n分解的方法：分解的方法：n多维尺度分析多维尺度分析Multidimensional Scaling MDSn组合的方法：组合的方法：n主成份分析主成份分析 Principal Component Analysis PCAn因子分析因子分析 Factor Analysis FA (EFA & CFA)n多维判别分析多维判别分析 Multiple Discrimination Analysis MDAn对应分析对应分析 Correspondence Analysis CAn多元对应分析多元对应分析 Multiple Correspondence Analysis MCAn多维偏好分析多维偏好分析 Multidimensional Preference Analysis MDPREF n非线性主成份分析非线性主成份分析 （（Optimal Scaling)偏好图-品牌图-二元图分析多维尺度分析多维尺度分析Multidimensional Scaling MDSn度量对象之间距离的数据度量对象之间距离的数据n研究对象被表现在特定维数空间中研究对象被表现在特定维数空间中n数据是一个或多个因素的相似性或差异性数据是一个或多个因素的相似性或差异性n构成对称矩阵或不对称矩阵构成对称矩阵或不对称矩阵——近似数据（邻近数据）近似数据（邻近数据）n市场研究中对象主要是产品市场研究中对象主要是产品——品牌品牌n在空间中的点越靠近越具有相似性，反之差异越大在空间中的点越靠近越具有相似性，反之差异越大n采用特定的评价方法：采用特定的评价方法：n语义差异法语义差异法n配对比较法配对比较法n描点法描点法n理想点模型：经常评价消费者的理想产品理想点模型：经常评价消费者的理想产品——品牌品牌n偏好图只能表现特定的对象偏好图只能表现特定的对象——产品产品/品牌品牌n有时候维度的含义解释比较困难有时候维度的含义解释比较困难偏好图-品牌图-二元图分析身体有益身体有益身体无益身体无益偏好图-品牌图-二元图分析主成份分析主成份分析 Principal Component Analysis PCAn数据是消费者在品牌、属性和其它指标上的数量型数据数据是消费者在品牌、属性和其它指标上的数量型数据n解释数据的最大变差解释数据的最大变差n主成份是原始变量的线性组合（旋转）主成份是原始变量的线性组合（旋转）n有多少个原始变量就有多少个主成份有多少个原始变量就有多少个主成份n主成份之间是正交的主成份之间是正交的n第一主成份解释的变差最大第一主成份解释的变差最大n第二主成份解释的变差次之第二主成份解释的变差次之n最后的主成份解释的变差最小最后的主成份解释的变差最小n用第一、第二主成份作出偏好图用第一、第二主成份作出偏好图n偏好图即可以表现品牌，也可以展示属性偏好图即可以表现品牌，也可以展示属性n品牌是点、属性是向量品牌是点、属性是向量偏好图-品牌图-二元图分析每升行驶里程每升行驶里程可靠性能可靠性能安全性能安全性能偏好图-品牌图-二元图分析因子分析因子分析 Factor Analysis FA (EFA & CFA)n分析的数据类型是多个数量型变量分析的数据类型是多个数量型变量n发现一组变量之间相关性结构发现一组变量之间相关性结构n变量之间的相关性结构由因子表示变量之间的相关性结构由因子表示n因子是潜在的、不可测量的变量因子是潜在的、不可测量的变量n分为探索性因子分析和证实性因子分析分为探索性因子分析和证实性因子分析n一般依据特征值的大小（大于一般依据特征值的大小（大于1）生成因子数）生成因子数n一般采用主成份法和最大方差旋转一般采用主成份法和最大方差旋转n依前几个（两个）因子的坐标画出定位图依前几个（两个）因子的坐标画出定位图n因子的命名比较困难因子的命名比较困难n经常用于消减变量经常用于消减变量n因子作为新的变量用于聚类分析、回归分析等。

因子作为新的变量用于聚类分析、回归分析等n问卷中量表的信度检验问卷中量表的信度检验偏好图-品牌图-二元图分析偏好图-品牌图-二元图分析多维判别分析多维判别分析 Multiple Discrimination Analysis MDAn一个因变量是分组变量一个因变量是分组变量——定类变量定类变量——产品产品/品牌品牌n一组自变量（预测变量）是数量型变量一组自变量（预测变量）是数量型变量——属性评价属性评价n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n判别函数的个数等于分组变量的个数减判别函数的个数等于分组变量的个数减1n第一判别函数解释最大的变差第一判别函数解释最大的变差n第二判别函数解释变差次之第二判别函数解释变差次之n判别函数之间正交判别函数之间正交n依前两个判别函数的判别系数作出偏好图依前两个判别函数的判别系数作出偏好图n偏好图可以同时表现品牌和属性偏好图可以同时表现品牌和属性n偏好图中的向量是产品属性偏好图中的向量是产品属性n偏好图中的点是品牌各组评价的距心坐标偏好图中的点是品牌各组评价的距心坐标n经常用于聚类分析经常用于聚类分析n事后判别事后判别偏好图-品牌图-二元图分析判别函数判别函数2判别函数判别函数1偏好图-品牌图-二元图分析对应分析对应分析 Correspondence Analysis CAn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n数据是列联表中的频数，也可以是距离或其它测量尺度数据是列联表中的频数，也可以是距离或其它测量尺度n非常普遍和流行的方法非常普遍和流行的方法n非常适合研究两个定类变量非常适合研究两个定类变量——定性数据的分析定性数据的分析n程序生成对应图程序生成对应图n品牌和属性靠近的点具有相关性品牌和属性靠近的点具有相关性偏好图-品牌图-二元图分析偏好图-品牌图-二元图分析多元对应分析多元对应分析 Multiple Correspondence Analysis MCAn基于一组定类变量基于一组定类变量——定性数据的关联性的一种低维表现图定性数据的关联性的一种低维表现图n变量的定性数据分类变量的定性数据分类n非常普遍和流行的方法非常普遍和流行的方法n程序生成对应图程序生成对应图n变量取值的标签表现在对应图中变量取值的标签表现在对应图中n靠近的点具有相关性靠近的点具有相关性n如果能够的话尽量转化为二维的行列变量如果能够的话尽量转化为二维的行列变量——简单的对应分析简单的对应分析偏好图-品牌图-二元图分析偏好图-品牌图-二元图分析多维偏好分析多维偏好分析 Multidimensional Preference Analysis MDPREFn收集到消费者对一组品牌的偏好评分收集到消费者对一组品牌的偏好评分n收集到对一组品牌的不同属性的偏好评分收集到对一组品牌的不同属性的偏好评分n基于主成份分析的原理作出消费者的偏好图基于主成份分析的原理作出消费者的偏好图n偏好图可以表现每个消费者对产品偏好图可以表现每个消费者对产品/品牌的偏好品牌的偏好n偏好图中的点表示品牌偏好图中的点表示品牌/产品产品n偏好图中的向量表示消费者的偏好偏好图中的向量表示消费者的偏好n数据容易获得数据容易获得n消费者较多是须归类消费者的评价消费者较多是须归类消费者的评价偏好图-品牌图-二元图分析SUBJ3SUBJ2SUBJ1偏好强偏好强偏好图-品牌图-二元图分析偏好图-品牌图-二元图分析偏好图-品牌图-二元图分析偏好图-品牌图-二元图分析偏好图-品牌图-二元图分析非线性主成份分析非线性主成份分析 （（Optimal Scaling)n如果所有的变量都是定性数据如果所有的变量都是定性数据——定类变量定类变量nSPSS的的Optimal Scalingn是消减变量的方法是消减变量的方法n在主要维度解释多个定性变量的变差在主要维度解释多个定性变量的变差n也可以处理名义变量、定序、定比、定距变量也可以处理名义变量、定序、定比、定距变量n对应图可以表现变量、样本和变量与样本之间的关系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-品牌图-二元图分析偏好图的理想点模型偏好图的理想点模型n理想点是在消费者评价现有产品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品牌的基础上，同时评价消费者心目中理想的产品的产品n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n距离越接近的品牌离消费者的理想点越好距离越接近的品牌离消费者的理想点越好n也可以画出围绕理想点的同心圆，产品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品牌与理想点的距离n理想点与反理想点理想点与反理想点n主要基于等级数据的评价方法：主要基于等级数据的评价方法：n理想点：理想点：1-最不好，最不好，5-最好最好n反理想点：反理想点：1-最好，最好，5-最不好最不好n即可以评价理想点也可以评价反理想点。

即可以评价理想点也可以评价反理想点偏好图-品牌图-二元图分析每升行驶里程每升行驶里程可靠性能可靠性能安全性能安全性能理想点理想点偏好图-品牌图-二元图分析。