偏好圖-品牌圖-二元圖分析ppt課件

1、北 京 廣 播 學(xué) 院 新 聞 傳 播 學(xué) 院調(diào) 查 統(tǒng) 計(jì) 研 究 所二零零一年七月二零零一年七月沈 浩主要應(yīng)用領(lǐng)域主要應(yīng)用領(lǐng)域n誰是我們的客戶？誰是我們的客戶？n還有誰應(yīng)該是我們的客戶？還有誰應(yīng)該是我們的客戶？n誰是我們競(jìng)爭(zhēng)對(duì)手的客戶？誰是我們競(jìng)爭(zhēng)對(duì)手的客戶？n相對(duì)于競(jìng)爭(zhēng)對(duì)手的產(chǎn)品，我們的產(chǎn)品定位如何？相對(duì)于競(jìng)爭(zhēng)對(duì)手的產(chǎn)品，我們的產(chǎn)品定位如何？n為什么我們的產(chǎn)品定位在這里？為什么我們的產(chǎn)品定位在這里？n我們?nèi)绾螌?duì)現(xiàn)有產(chǎn)品進(jìn)行重新定位？我們?nèi)绾螌?duì)現(xiàn)有產(chǎn)品進(jìn)行重新定位？n我應(yīng)該開發(fā)什么新產(chǎn)品？我應(yīng)該開發(fā)什么新產(chǎn)品？n我的新產(chǎn)品應(yīng)該針對(duì)什么樣的客戶？我的新產(chǎn)品應(yīng)該針對(duì)什么樣的客戶？數(shù)據(jù)分析數(shù)據(jù)分

2、析n統(tǒng)計(jì)數(shù)據(jù)法：通常采用標(biāo)準(zhǔn)的數(shù)據(jù)分析方法。統(tǒng)計(jì)數(shù)據(jù)法：通常采用標(biāo)準(zhǔn)的數(shù)據(jù)分析方法。n描述性統(tǒng)計(jì)量、交叉列聯(lián)表等。描述性統(tǒng)計(jì)量、交叉列聯(lián)表等。n結(jié)合分析：探討消費(fèi)者在購(gòu)買決定時(shí)如何權(quán)衡產(chǎn)品的屬性。結(jié)合分析：探討消費(fèi)者在購(gòu)買決定時(shí)如何權(quán)衡產(chǎn)品的屬性。n全輪廓、自適應(yīng)、離散選擇等實(shí)驗(yàn)設(shè)計(jì)模型。全輪廓、自適應(yīng)、離散選擇等實(shí)驗(yàn)設(shè)計(jì)模型。n直觀圖示法：產(chǎn)生圖、利用圖來顯示產(chǎn)品的定位、對(duì)產(chǎn)品的偏好、與競(jìng)爭(zhēng)產(chǎn)品的直觀圖示法：產(chǎn)生圖、利用圖來顯示產(chǎn)品的定位、對(duì)產(chǎn)品的偏好、與競(jìng)爭(zhēng)產(chǎn)品的偏好差異。偏好差異。n直方圖、餅圖、折線圖、散點(diǎn)圖、雷達(dá)表等。直方圖、餅圖、折線圖、散點(diǎn)圖、雷達(dá)表等。n莖葉圖、冰柱圖等。莖葉圖

3、、冰柱圖等。n二元圖二元圖n是一種從數(shù)據(jù)矩陣生成圖形化顯示的數(shù)據(jù)分析方法。是一種從數(shù)據(jù)矩陣生成圖形化顯示的數(shù)據(jù)分析方法。n主要分為兩種類型：分解的方法和組合的方法主要分為兩種類型：分解的方法和組合的方法n分解的方法：分解的方法：n多維尺度分析多維尺度分析n組合的方法：組合的方法：n主成份分析主成份分析n因子分析因子分析n對(duì)應(yīng)分析對(duì)應(yīng)分析n多元對(duì)應(yīng)分析多元對(duì)應(yīng)分析n多維判別分析多維判別分析什么是二元圖？什么是二元圖？二元圖的基本原理二元圖的基本原理n在低維空間一般二維同時(shí)顯示數(shù)據(jù)矩陣的行和列的標(biāo)簽。在低維空間一般二維同時(shí)顯示數(shù)據(jù)矩陣的行和列的標(biāo)簽。n二元是行和列聯(lián)合顯示。二元是行和列聯(lián)合顯示。n

4、行坐標(biāo)在圖中表示為點(diǎn)，列坐標(biāo)畫為向量。行坐標(biāo)在圖中表示為點(diǎn)，列坐標(biāo)畫為向量。n二元圖是基于數(shù)據(jù)矩陣分解的思想。二元圖是基于數(shù)據(jù)矩陣分解的思想。矩陣分解的思想矩陣分解的思想mqqnmnBAX矩陣矩陣A的各行就是矩陣的各行就是矩陣X各行點(diǎn)在對(duì)應(yīng)的二維圖的坐標(biāo)。各行點(diǎn)在對(duì)應(yīng)的二維圖的坐標(biāo)。矩陣矩陣B的各列就是矩陣的各列就是矩陣X各列點(diǎn)在對(duì)應(yīng)的二維圖的坐標(biāo)。各列點(diǎn)在對(duì)應(yīng)的二維圖的坐標(biāo)。q2時(shí)，矩陣時(shí)，矩陣AB近似等于矩陣近似等于矩陣X,是近似的二元圖。是近似的二元圖。XYZXYZ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異值奇異值損失的信息損失的信息為什么要使用二元圖為什么要使用二元圖n消

5、費(fèi)者基于對(duì)產(chǎn)品消費(fèi)者基于對(duì)產(chǎn)品/品牌的偏好，在制訂產(chǎn)品市場(chǎng)營(yíng)銷策略中起著重品牌的偏好，在制訂產(chǎn)品市場(chǎng)營(yíng)銷策略中起著重要的作用。要的作用。n通過品牌和競(jìng)爭(zhēng)品牌的概念圖可以提供非常豐富的市場(chǎng)信息。通過品牌和競(jìng)爭(zhēng)品牌的概念圖可以提供非常豐富的市場(chǎng)信息。n簡(jiǎn)化數(shù)據(jù)。簡(jiǎn)化數(shù)據(jù)。n更好地表現(xiàn)數(shù)據(jù)。更好地表現(xiàn)數(shù)據(jù)。知曉知曉awareness興趣興趣interest思索思索consideration嘗試嘗試Trial購(gòu)買購(gòu)買purchase反復(fù)反復(fù)repeat產(chǎn)品產(chǎn)品/品牌的認(rèn)知過程品牌的認(rèn)知過程潛在的消費(fèi)者潛在的消費(fèi)者品牌的屬性和價(jià)格品牌的屬性和價(jià)格BFAGDCEBFDGACE知曉知曉思索思索思索思索購(gòu)買購(gòu)

6、買品牌形象研究：品牌形象研究：品牌品牌A具有較高的品牌形象，但不是強(qiáng)有了的產(chǎn)品。具有較高的品牌形象，但不是強(qiáng)有了的產(chǎn)品。品牌品牌D的品牌形象較差，但是一個(gè)強(qiáng)有力的產(chǎn)品。的品牌形象較差，但是一個(gè)強(qiáng)有力的產(chǎn)品。BCABCABCABCA技術(shù)落后技術(shù)落后技術(shù)先進(jìn)技術(shù)先進(jìn)質(zhì)量非常差質(zhì)量非常差質(zhì)量非常好質(zhì)量非常好售后服務(wù)差售后服務(wù)差售后服務(wù)好售后服務(wù)好安全性能差安全性能差安全性能好安全性能好BAC技術(shù)先進(jìn)技術(shù)先進(jìn)質(zhì)量非常好質(zhì)量非常好售后服務(wù)好售后服務(wù)好安全性能好安全性能好品牌之間品牌之間屬性之間屬性之間BAC技術(shù)先進(jìn)技術(shù)先進(jìn)質(zhì)量非常好質(zhì)量非常好售后服務(wù)好售后服務(wù)好安全性能好安全性能好品牌和屬性之間品牌和屬

7、性之間圖示化技術(shù)圖示化技術(shù)n分解的方法：分解的方法：n多維尺度分析多維尺度分析Multidimensional Scaling MDSn組合的方法：組合的方法：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多維判別分析多維判別分析 Multiple Discrimination Analysis MDAn對(duì)應(yīng)分析對(duì)應(yīng)分析 Correspondence Analysis CAn多元對(duì)應(yīng)分析多元對(duì)應(yīng)分析 Multiple Correspondence Analysis

8、 MCAn多維偏好分析多維偏好分析 Multidimensional Preference Analysis MDPREF n非線性主成份分析非線性主成份分析 （Optimal Scaling)多維尺度分析多維尺度分析Multidimensional Scaling MDSn度量對(duì)象之間距離的數(shù)據(jù)度量對(duì)象之間距離的數(shù)據(jù)n研究對(duì)象被表現(xiàn)在特定維數(shù)空間中研究對(duì)象被表現(xiàn)在特定維數(shù)空間中n數(shù)據(jù)是一個(gè)或多個(gè)因素的相似性或差異性數(shù)據(jù)是一個(gè)或多個(gè)因素的相似性或差異性n構(gòu)成對(duì)稱矩陣或不對(duì)稱矩陣構(gòu)成對(duì)稱矩陣或不對(duì)稱矩陣近似數(shù)據(jù)鄰近數(shù)據(jù)）近似數(shù)據(jù)鄰近數(shù)據(jù)）n市場(chǎng)研究中對(duì)象主要是產(chǎn)品市場(chǎng)研究中對(duì)象主要是產(chǎn)品品牌品牌

9、n在空間中的點(diǎn)越靠近越具有相似性，反之差異越大在空間中的點(diǎn)越靠近越具有相似性，反之差異越大n采用特定的評(píng)價(jià)方法：采用特定的評(píng)價(jià)方法：n語義差異法語義差異法n配對(duì)比較法配對(duì)比較法n描點(diǎn)法描點(diǎn)法n理想點(diǎn)模型：經(jīng)常評(píng)價(jià)消費(fèi)者的理想產(chǎn)品理想點(diǎn)模型：經(jīng)常評(píng)價(jià)消費(fèi)者的理想產(chǎn)品品牌品牌n偏好圖只能表現(xiàn)特定的對(duì)象偏好圖只能表現(xiàn)特定的對(duì)象產(chǎn)品產(chǎn)品/品牌品牌n有時(shí)候維度的含義解釋比較困難有時(shí)候維度的含義解釋比較困難身體有益身體有益身體無益身體無益主成份分析主成份分析 Principal Component Analysis PCAn數(shù)據(jù)是消費(fèi)者在品牌、屬性和其它指標(biāo)上的數(shù)量型數(shù)據(jù)數(shù)據(jù)是消費(fèi)者在品牌、屬性和其它指標(biāo)

10、上的數(shù)量型數(shù)據(jù)n解釋數(shù)據(jù)的最大變差解釋數(shù)據(jù)的最大變差n主成份是原始變量的線性組合旋轉(zhuǎn)）主成份是原始變量的線性組合旋轉(zhuǎn)）n有多少個(gè)原始變量就有多少個(gè)主成份有多少個(gè)原始變量就有多少個(gè)主成份n主成份之間是正交的主成份之間是正交的n第一主成份解釋的變差最大第一主成份解釋的變差最大n第二主成份解釋的變差次之第二主成份解釋的變差次之n最后的主成份解釋的變差最小最后的主成份解釋的變差最小n用第一、第二主成份作出偏好圖用第一、第二主成份作出偏好圖n偏好圖即可以表現(xiàn)品牌，也可以展示屬性偏好圖即可以表現(xiàn)品牌，也可以展示屬性n品牌是點(diǎn)、屬性是向量品牌是點(diǎn)、屬性是向量每升行駛里程每升行駛里程可靠性能可靠性能安全性能安

11、全性能因子分析因子分析 Factor Analysis FA (EFA & CFA)n分析的數(shù)據(jù)類型是多個(gè)數(shù)量型變量分析的數(shù)據(jù)類型是多個(gè)數(shù)量型變量n發(fā)現(xiàn)一組變量之間相關(guān)性結(jié)構(gòu)發(fā)現(xiàn)一組變量之間相關(guān)性結(jié)構(gòu)n變量之間的相關(guān)性結(jié)構(gòu)由因子表示變量之間的相關(guān)性結(jié)構(gòu)由因子表示n因子是潛在的、不可測(cè)量的變量因子是潛在的、不可測(cè)量的變量n分為探索性因子分析和證實(shí)性因子分析分為探索性因子分析和證實(shí)性因子分析n一般依據(jù)特征值的大小大于一般依據(jù)特征值的大小大于1生成因子數(shù)生成因子數(shù)n一般采用主成份法和最大方差旋轉(zhuǎn)一般采用主成份法和最大方差旋轉(zhuǎn)n依前幾個(gè)兩個(gè)因子的坐標(biāo)畫出定位圖依前幾個(gè)兩個(gè)因子的坐標(biāo)畫出定位圖n

12、因子的命名比較困難因子的命名比較困難n經(jīng)常用于消減變量經(jīng)常用于消減變量n因子作為新的變量用于聚類分析、回歸分析等。因子作為新的變量用于聚類分析、回歸分析等。n問卷中量表的信度檢驗(yàn)問卷中量表的信度檢驗(yàn)Component Plot in Rotated SpacerabbitfairmontcivicvolarehorizondashercitationdlmalibuComponent 21.01.0gran_furmustangaccord-.5pinto0.0firebird.5.5.5chevette1.0eldoradocontinenComponent 3Component 10.00

13、.0-.5-.5多維判別分析多維判別分析 Multiple Discrimination Analysis MDAn一個(gè)因變量是分組變量一個(gè)因變量是分組變量定類變量定類變量產(chǎn)品產(chǎn)品/品牌品牌n一組自變量預(yù)測(cè)變量是數(shù)量型變量一組自變量預(yù)測(cè)變量是數(shù)量型變量屬性評(píng)價(jià)屬性評(píng)價(jià)n建立一個(gè)判別函數(shù)模型最大解釋基于產(chǎn)品屬性的最大變差建立一個(gè)判別函數(shù)模型最大解釋基于產(chǎn)品屬性的最大變差n判別函數(shù)的個(gè)數(shù)等于分組變量的個(gè)數(shù)減判別函數(shù)的個(gè)數(shù)等于分組變量的個(gè)數(shù)減1n第一判別函數(shù)解釋最大的變差第一判別函數(shù)解釋最大的變差n第二判別函數(shù)解釋變差次之第二判別函數(shù)解釋變差次之n判別函數(shù)之間正交判別函數(shù)之間正交n依前兩個(gè)判別函數(shù)的

14、判別系數(shù)作出偏好圖依前兩個(gè)判別函數(shù)的判別系數(shù)作出偏好圖n偏好圖可以同時(shí)表現(xiàn)品牌和屬性偏好圖可以同時(shí)表現(xiàn)品牌和屬性n偏好圖中的向量是產(chǎn)品屬性偏好圖中的向量是產(chǎn)品屬性n偏好圖中的點(diǎn)是品牌各組評(píng)價(jià)的距心坐標(biāo)偏好圖中的點(diǎn)是品牌各組評(píng)價(jià)的距心坐標(biāo)n經(jīng)常用于聚類分析經(jīng)常用于聚類分析n事后判別事后判別 -1.00-0.500.000.501.001.502.00-2.50-2.00-1.50-1.00-0.500.000.501.001.502.00new taskstraight rebuymodified rebuyPrice levelManufacturer imageDelivery speedP

15、rice flexibilityOverall serviceProduct qualitySales force判別函數(shù)判別函數(shù)2判別函數(shù)判別函數(shù)1對(duì)應(yīng)分析對(duì)應(yīng)分析 Correspondence Analysis CAn基于行列變量之間交叉列聯(lián)表的關(guān)聯(lián)性的一種低維表現(xiàn)圖基于行列變量之間交叉列聯(lián)表的關(guān)聯(lián)性的一種低維表現(xiàn)圖n數(shù)據(jù)是列聯(lián)表中的頻數(shù)，也可以是距離或其它測(cè)量尺度數(shù)據(jù)是列聯(lián)表中的頻數(shù)，也可以是距離或其它測(cè)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非常適合研究?jī)蓚€(gè)定類變量非常適合研究?jī)蓚€(gè)定類變量定性數(shù)據(jù)的分析定性數(shù)據(jù)的分析n程序生成對(duì)應(yīng)圖程序生成對(duì)應(yīng)圖n品牌和屬性靠近的點(diǎn)具有相關(guān)性

16、品牌和屬性靠近的點(diǎn)具有相關(guān)性Row and Column PointsSymmetrical NormalizationDimension 11.51.0.50.0-.5-1.0-1.5Dimension 21.0.50.0-.5-1.0SEXAGEMOVIESM65M60M55M50M45M40M35M30M25M20F65F60F55F50F45F40F35F30F25F20SPORTSSCIFIROMANCEMYSTERYHORRORFAMILYDRAMACOMEDYACTION多元對(duì)應(yīng)分析多元對(duì)應(yīng)分析 Multiple Correspondence Analysis MCAn基于一組定

17、類變量基于一組定類變量定性數(shù)據(jù)的關(guān)聯(lián)性的一種低維表現(xiàn)圖定性數(shù)據(jù)的關(guān)聯(lián)性的一種低維表現(xiàn)圖n變量的定性數(shù)據(jù)分類變量的定性數(shù)據(jù)分類n非常普遍和流行的方法非常普遍和流行的方法n程序生成對(duì)應(yīng)圖程序生成對(duì)應(yīng)圖n變量取值的標(biāo)簽表現(xiàn)在對(duì)應(yīng)圖中變量取值的標(biāo)簽表現(xiàn)在對(duì)應(yīng)圖中n靠近的點(diǎn)具有相關(guān)性靠近的點(diǎn)具有相關(guān)性n如果能夠的話盡量轉(zhuǎn)化為二維的行列變量如果能夠的話盡量轉(zhuǎn)化為二維的行列變量簡(jiǎn)單的對(duì)應(yīng)分析簡(jiǎn)單的對(duì)應(yīng)分析多維偏好分析多維偏好分析 Multidimensional Preference Analysis MDPREFn收集到消費(fèi)者對(duì)一組品牌的偏好評(píng)分收集到消費(fèi)者對(duì)一組品牌的偏好評(píng)分n收集到對(duì)一組品牌的不同屬性

18、的偏好評(píng)分收集到對(duì)一組品牌的不同屬性的偏好評(píng)分n基于主成份分析的原理作出消費(fèi)者的偏好圖基于主成份分析的原理作出消費(fèi)者的偏好圖n偏好圖可以表現(xiàn)每個(gè)消費(fèi)者對(duì)產(chǎn)品偏好圖可以表現(xiàn)每個(gè)消費(fèi)者對(duì)產(chǎn)品/品牌的偏好品牌的偏好n偏好圖中的點(diǎn)表示品牌偏好圖中的點(diǎn)表示品牌/產(chǎn)品產(chǎn)品n偏好圖中的向量表示消費(fèi)者的偏好偏好圖中的向量表示消費(fèi)者的偏好n數(shù)據(jù)容易獲得數(shù)據(jù)容易獲得n消費(fèi)者較多是須歸類消費(fèi)者的評(píng)價(jià)消費(fèi)者較多是須歸類消費(fèi)者的評(píng)價(jià)SUBJ3SUBJ2SUBJ1偏好強(qiáng)偏好強(qiáng)非線性主成份分析非線性主成份分析 （Optimal Scaling)n如果所有的變量都是定性數(shù)據(jù)如果所有的變量都是定性數(shù)據(jù)定類變量定類變量nSPSS的的Optimal Scalingn是消減變量的方法是消減變量的方法n在主要維度解釋多個(gè)定性變量的變差在主要維度解釋多個(gè)定性變量的變差n也可以處理名義變量、定序、定比、定距變量也可以處理名義變量、定序、定比、定距變量n對(duì)應(yīng)圖可以表現(xiàn)變量、樣本和變量與樣本之間的關(guān)系對(duì)應(yīng)圖可以表現(xiàn)變量、樣本和變量與樣本之間的關(guān)系偏好圖的理想點(diǎn)模型偏好圖的理想點(diǎn)模型n理想點(diǎn)是在消費(fèi)者評(píng)價(jià)現(xiàn)有產(chǎn)品理想點(diǎn)是在消費(fèi)者評(píng)價(jià)現(xiàn)有產(chǎn)品/品牌的基礎(chǔ)上，同時(shí)評(píng)價(jià)消費(fèi)者心目中理品牌的基礎(chǔ)上，同時(shí)評(píng)價(jià)消費(fèi)者心目中理想的產(chǎn)品想的產(chǎn)品n偏好圖中有理想點(diǎn)的情況下，計(jì)算品牌點(diǎn)與理