多元统计分析经典案例.ppt

《多元统计分析经典案例.ppt》由会员分享，可在线阅读，更多相关《多元统计分析经典案例.ppt（68页珍藏版）》请在三一办公上搜索。

1、1,市场研究中的多元统计分析方法Multivariate Analysis-an introduction,上海市中消研市场研究有限公司 数据统计部 制作,2,讨论议题,我们的研究工作是什么?什么是多元统计分析（MVA)?为什么我们需要它?通常的分析技术MVA详细介绍及例子:相关分析（Correspondence analysis）回归/多元回归分析（Regression/Multiple regression因子分析（Factor analysis）聚类分析（Cluster analysis/segmentation)结论,3,市场研究的工作是什么?,它只是？:问卷设计?运作质量的控制?制作

2、图表?撰写报告?我们的工作是 提供解决方案是解决市场问题是为我们的客户挣更多的 money,4,当我们进行分析时,有简单性的一面.例如：基本的分析（变量关联表）另外也有复杂性的一面.大量附加的分析 运用许多的分析技术 然而我们需要看到“复杂性问题背后的简单表述”使复杂问题简单化为了达到这一目的，你不得不研究复杂问题然后去提炼出使人容易明白的信息,5,什么是多元统计分析?,单一问题分析(univariate analysis)例如频率分布通常作为数据的第一步的描述分析关联表(bivariate analysis)总是作为主要的分析手段而被市场研究者反复 使用把一个问题或变量与另一个关联交叉作表(

3、例如对受访者背景变量：性别、年龄等)如果同时分析的变量超过二个就被称为多元统计分析,6,为什么要做这种“附加值”的分析?,我们不做MVA分析是因为 它使我们看起来很好我们喜欢它我们已经聘请了统计师、购买了统计软件而且得到公司财务部门的批准我们不做MVA分析是因为 它会使数据对客户更有指导作用 它能使你得到单变量分析无法达到的结果因此，它可以使你更好的利用信息，赚取更多的钞票,7,我们通常使用的多元分析技术.,相关性分析（Brand Mapping）主成分分析因子分析多元回归聚类分析/市场细分联合性分析/平衡（Trade off）分析判别分析etc.etc.etc.,8,多元统计分析技术,一个研

4、究者可能不了解所有的分析技术细节但是他们应该能够正确地选择适当的方法使用多元技术，你不必知道详细的数学公式-但是你应当明白它的原理多元分析并不是魔术棒，不需要我们开动脑筋就能解决问题-它不会轻易告诉你答案如果问卷设计的很差，多元分析就很难发挥作用,9,相关性分析Correspondence Analysis,10,结构,什么是相关性分析？尝试通过练习了解它输入的类型设计录入的格式执行分析解释和表述分析的结果,11,什么是相关性分析?,经常也称作 Brand Mapping 或 CORAN MappingBrand Mapping=Correspondence Analysis(usually)

5、相关性分析图一种非常有用的市场研究工具，可以表述一个市场的侧面（市场细分，品牌定位等）可以在2维空间内同时表达多维的属性可以更好的理解品牌和属性之间的关系,12,帮助客户/市场决策者为实施市场战略而去发现市场的空隙和优化产品的定位（对于新品牌或新产品的开发/延伸）发现市场上决定性的或显著的属性，例如对于选择不同品牌的重要和有显著区别的属性,13,什么是Brand Mapping?,Wan Li,Magic Clean,Mr.Muscle,Look,Blue Moon,Gold Fish,GFL,White Cat,Clorox,14,一个例子-原始数据,以下这张表显示不同家庭宠物的颜色,15,

6、可能制作的分析图.,16,可能制作的分析图.,17,现在我们用颜色和动物名称两个变量来做2-维的图表,努力来显示.-那些动物在颜色方面最相似，那些区别最大？-那些颜色更倾向那类动物-那些动物和那些颜色有更强的相关性，那些相关性很弱,18,BROWN,BLACK,WHITE,MIXED,19,BROWN,BLACK,WHITE,MIXED,20,BROWN,BLACK,WHITE,MIXED,21,为了建立这种立体的图表你不得 不.,把那些与较多动物相关联的颜色放置在图的中央位置把那些与较多动物相关联的颜色放置在图的边缘位置如果一种颜色同时与超过二种以上的动物强相关，这些动物将会在图中更接近,2

7、2,非常简单这就是相关性分析所做的事,23,以下这张表就是依据原始数据生成的.,24,以下这张表就是依据原始数据生成的.,25,相关性分析输入数据的类性,百分比或原始数据都可以品牌的相关联的格子（通常形式）任何具有缺省/存在的分数类型 切记得分数是以样本的总数而不是以单个样本为基础的,26,设计输入类型,只研究数据并想到进行分析并不是一个好主意分析应该在问卷设计以前的表述/决定研究目标阶段就开始考虑如果你乡做相关性分析表-你通常打算使用（二分制）不在/在的数据类型这些数据可以通过品牌与品牌或类别系列等形式收集.i.e.,27,设计输入类型,通过系列的类别.请看这个品牌的列表，然后告诉我那一个符

8、合下述的声明.更便宜，更容易，更快品牌和品牌.Now thinking about Mr Muscle,which of these statements describe Mr MuscleNow thinking about White Cat,which of these statements describe White CatAnswers can be agree/disagree ratings Better for smaller brands,when more detailed responses are necessary,28,复制定性研究的图表,有时，定性研究可以得到

9、一个关于品牌、细分市场和需求定位的图表.如果我们已经有了这些结果，我们就能在定量研究阶段尝试重复这一研究它需要我们仔细思考和再设计-可能需要从定性研究人员那里得到帮助 最理想是同一公司内部人员它会很有帮助（尤其对市场人员），如果map 有相同的定位-但是，相同的定位并不意味着什么,29,分析数据,看下面的输出结果.是否有任何品牌或语句使MAP倾斜?是否应该删除或增添品牌-或许需要删除小的品牌这幅map是否有意义?我们能解释它吗?品牌与语句回出现在不该出现的地方吗?检查原始数据-什么原因?可以通过删除或补充某些品牌和属性来产生Maps直到它变的较为明显，可以让使用者更容易理解-需要执行者的判断最

10、少点的限-你需要至少3个点去做一张 map,4 更好,30,当你看一张map时.问你自己,它意味着什么？它对理解数据有什么附加的作用?它对我们所知道的市场/顾客的思考方式是否适合?如果不是-错在什么地方?它是否帮助我更好地了解市场?,31,当你看一张map时.问你自己,一张图表总是浓缩数据并使数据变的直观，但是它也有局限性，大量的数据本身蕴涵的信息将会丢失(例如仅是重要的信息被保留）。因此，相关性分析图应当小的心运用和解释（例如我们不能依赖表面的定位图，因为一些变量可能没有在MAP上表现出来）,32,概念MAP（Perceptual Mapping）的基本方法,通过因子分析程式来运行一组数据减

11、少大量的变量（如产品属性）到小规模的基础变量。这些变量是高度自相关的变量，例如，受访者的回答模式都非常相似通过因子提取来解释因子变量。高的得分意味着更加重要的变量已经被因子所包含,33,回归分析Regression,34,回归分析是什么?,线性回归（Linear Regression）画出因变量(dependent variable)和自变量(independent variable)之间的关系 因变量=B*自变量+常数项+残差,35,回归分析是什么?,线性回归方程式：Y=C+bx+eY=产出(dependent variable/response variable)X=输入变量(indepe

12、ndent variable/regressor)c=常量(当x=0时)b=斜率 e=误差/残差（error/residual）,36,多元回归象线性回归一样只不过有更多的独立变量,Y=c+b1x1+b2x2+b3x3+.+e,37,多元回归在市场研究中的运用,38,关键的驱动因素-在上升的咖啡市场,StylishFriendlinessClassyQuality of IngredientsRelaxingEase of Drinking ComfortableSophisticatedCaffine ContentModernPrideYoung/OldBitternessStage of

13、 CareerSmoothness,Key Drivers,Mean Score,r2=0.57,39,Value12%,Buy again30%,Recommend30%,Price66%,Customer Focused,Overall Quality14%,ProductPerformance,Retail Outlet,Start up serviceSpeed,Add on Services,Promotions,Phone CustService,Billing,0.45*,0.22*,0.16*,0.10,0.02,0.02,0.02,%-Top 2 box scores*Sta

14、tistically significant,0.42*,0.35*,-0.21*,0.17*,Easy to use,Technically advanced,IMAGE,0.10,0.12,0.19*,Modelavailability,0.09,计算机公司的客户满意关系,Beta score,40,回归分析意味着什么?,我们通常认为是独立变量在某些方面影响着非独立变量例如过度的吸烟会导致肺癌的发生在市场/社会研究中，它通常表现出是“先有鸡还是先有蛋的关系”:你喜欢某件产品是因为它很时髦还是你认为因为你喜欢它才觉得它她时髦?你喜欢一个公司是因为它有好的服务？或者你认为这个公司的服务很好只因

15、为你喜欢这家公司(或者公司其他方面的因素),41,回归分析意味着什么?,考虑 Beta 得分将可能更有意义（通常是喜好的排序值）Beta值越大，喜好的波动越大（影响也越大）这表示这些是非常重要的属性因为他们是和喜好一起变动的属性在市场研究中，我们经常称它为可导出的重要性以此与规定的重要性相对比,42,但是我们不能说一件事情导致另一件事情的发生,43,回归分析假设.,X1,X2,X3 独立的-没有很强的相关性如果它们强相关，我们称为多元共线性市场研究数据通常都有很强的内部相关性例如，如果你喜欢一个品牌，你也倾向于认为它时髦、耐用、所有场合都适用、对小孩和成年人都适合等等 背景资料通常也是相关的-

16、例如，年龄和收入、收入和教育程度等.Multicollinearity 对我们来说是一个大问题,44,最后的想法,仔细观察数据-作出一些散布图去看一看相关的形状执行相关分析去寻找Multicollinearity 来帮助你解释数据记住，我们假设显著的Betas 是重要的-但是他们只能与另一个我们无法测量的因子联系在一起例如：,45,散布图-会议与“少女吧”的关系,Nightclubs/Girlie Bars,Conferences,46,得出的结论.,我们可以回归出在不同城市举办会议的次数通过“少女吧”的数量，然后得出在世界不同城市举办众多会议的原因但是，我们可能忽略了其他显著的因素，如：旅馆

17、的方便性、承受能力、中心位置、娱乐设施的便利性等潜在的因素 这些也可能与“少女吧”的收益有关系,47,因子分析Factor analysis,48,因子分析是什么?,一种用来在众多变量中辨别、分析和归结出变量间的相互 关系并用简单的变量（因子）来描述这种关系的数据分析方法,49,因子分析,一个例子:YIQ=0.9 Xmaths+E1YIQ=0.8 Xscience+E2 YIQ=0.2 Xart+E3Xmaths 与 Xscience 高度相关.一个基本的因子“科学能力”正是通过因子分析所得到的能够更好地表达这两个变量.,50,因子分析做什么?,识别一组观察不到的尺度（因子），这些因子已经概括

18、了原始的变量的大多数的信息估计这种关系并且通过变量与因子之间的变形等式来获得因子降低原始变量的维数，为进一步的分析作准备,51,为什么使用它?,去产生新的、更少的变量以便为后续的回归和其他分析做基础.去识别概念或产品的基本感知和特性去制作perceptual map去改善市场研究领域多元测量的结构与方法.,52,ATTRIBUTES CONTRIBUTING TO PRODUCT/ATTITUDINAL FACTORS-I,Factor 1:,Factorloading,Factor 2:,Factorloading,Total(R07)Cleans well for heavy duty c

19、leaning(R06)Is effective in removing tough stains(R04)Is effective in removing oil/grease(R05)Keeps soils and stains from building up(R08)Keeps germs/bacteria away(R22)Disinfects/kills germs(R21)Long lasting cleaning(R17)Cleans thoroughly,Total(R13)Is non-irritating/safe to use(R15)Is safe for envir

20、onment(R11)Is easy to use(R16)Deodorizes(R14)Does not leave residue,Cleans and kills germs,Safe and easy to use,47%0.760.720.690.670.580.560.540.49,7%0.800.750.700.630.54,53,ATTRIBUTES CONTRIBUTING TO PRODUCT/ATTITUDINAL FACTORS-II,Factor 3:,Factorloading,Factor 4:,Factorloading,Protects and gives s

21、hiny surface,Basically reliable and affordable,Total(R03)Is a trustworthy brand(R02)Cleans well for light duty cleaning(R01)Good value for money,4%0.690.650.64,Total(R25)Leaves a protective finish(R23)Leaves a shine(R24)Safe to surface(R20)Cleans and shine in one step,5%0.830.740.690.61,54,ATTRIBUTE

22、S CONTRIBUTING TO PRODUCT/ATTITUDINAL FACTORS-III,Factor 5:,Factorloading,Factor 6:,Factorloading,Wide usage,No rinse,Total(R09)Does not require rinsing(R10)Leaves long-lasting shine,3%0.830.56,Total(R18)Is effective on a variety of surfaces(R12)Cleans in grooves and corners,3%0.790.43,55,ATTRIBUTES

23、 CONTRIBUTING TO PRODUCT/ATTITUDINAL FACTORS-IV,Factor 7:,Factorloading,Favorable fragrance,Total(R19)Has a good fragrance,3%1,56,得出结论.,我们能减少变量的数量:大批量的变量少量的基本特性我们可能会忽略了显著的因子，尽管它们也是因子分析的结果 数据的基础结构将会抽象出来,57,但是 针对对购买的影响因素，我们不能说一个因子比另一个因子更重要 我们甚至更不能说那个因子直接导致购买行为,58,并且 我们可以利用因子分析得出的结果进行其他的统计分析回归分析:寻找出关键的

24、驱动因素聚类分析:把目标分类为某些特征更加相似的细分群体,59,聚类分析Cluster Analysis,60,结构,什么是聚类分析?聚类分析做什么?聚类分析怎样使用?市场细分和定位计划?,61,聚类的概念,把研究目标分割成为具有相同属性的小的群体,Variable B,Variable A,Correspondence matrix,.,.,.,62,聚类分析做什么?,把研究对象（人，城市，品牌等）分割成为更加同质的细分群体描述对象的整体结构或者各个簇之间的组织关系根据每个簇的描述资料进行该簇特征的定位决定判别群体之间区别的显著性水平（例如：总体的%）评价一种判别簇类之间定性区别的方法(例如

25、：根据背景、品牌使用、心理因素),63,聚类分析怎样使用?,去识别细分市场 了解购买行为为市场测试确定相匹配的城市在市场结构分析中去识别竞争者减少数据以便进一步的分析,64,3 个市场方面的概念,大规模市场（Mass marketing）:一种产品=所有的受访者产品类别市场（Product variety marketing）:2个或更多的种类=所有手访者*不知道谁、为什么、怎样*市场的努力分散目标市场（Target marketing）:产品和营销的组合=不同的细分,65,市场细分的种类,Base:,Descriptor:,Approach:,Predefined,Derived,Quant

26、ity consumed(heavy vs.light)Price sensitivityBrand loyalty etc.,Benefits soughtNeedsAttitudesetc.,Demographics/classificationGeographicMedia usageetc,Demographics/classificationGeographicMedia usagePsychographic etc,Cross-tab,Cluster analysis,66,市场细分、目标市场和市场定位,1.Identify bases for segmenting the mar

27、ket2.Develop profile of resulting segment(demographic,behavior,personality,etc.),什么是市场细分?,3.Develop measure of segments attractiveness(size,growing,etc)4.Select the target segments,选择哪个目标市场,5.Develop positioning for each segment6.Develop market mix for each target segment(product,price,distribution,promotion,etc.),怎样选择?,67,最后的总结Final thoughts.,68,多元统计分析不能替代.,好的简报 好的研究方案设计好的运作执行和质量控制你和你的研究小组清晰的思路你更好的理解正常人（非市场研究人员）如何思考和认识你所研究的市场但是多元统计分析是一种非常重要的研究方法，你将回在工作中接触和使用它,