当前位置:首页 - 研究模型

研究模型

联合分析

简介:
产品通常拥有许多属性如价格、颜色、款式以及产品的特有功能等。那么: 具有哪些属性的产品最能够受到消费者的欢迎? 进一步的分析,这个问题的实质是:在产品的系列特性中,每个属性对消费者的重要程度如何?在同样的(机会)成本下,产品具 有哪些特性最能被消费者接受? 针对该类问题,传统的市场研究往往只能作定性研究,或者让被访者直接陈述的方式,难以作出准确的分析。联合分析(Conjoint Analysis)就是针对这些需要而产生的一种市场分析方法。 联合分析可模拟现实生活中,消费者为了满足某些方面的需要时,牺牲部分其他属性的权衡过程。其分析结果更加客观准确。

确认要测试的产品属性及属性水平
通过Sawtooth软件设计虚拟产品的提示物(概念卡片、图片等)
通过纸笔问卷/计算机了解消费者对不同虚拟产品的选择或者评价
通过CBC或者ACA软件,可以输出
1. 不同产品属性的相对重要性,以及不同属性水平的效用价值
2. 根据消费者购买过程中所关注的利益进行市场细分
3. 产品属性/价格的最佳配置组合
4. 估计不同的产品属性/价格的组合在各种竞争情景下可能获取的市场份额。


CBR的联合分析:
CBR 采用目前业内最权威的联合分析软件 Sawtooth 的联合分析软件套装,可以进行分析包括 Adaptive conjoint analysis (ACA), Choice based conjoint (CBC) 等多种类型的研究测试。
? CBR 的 联合分析可以通过传统的纸笔问卷执行,也可以完全在计算机界面上执行。

案例: D 类车购买者的样本
您更喜欢购买哪个款式?

Accord

3.0L
AT
¥350,000

Regal

3.0L
MT
¥330,000

Audi A6

2.8L
AT
¥410,000

Passat

2.8L
MT
¥280,000
无: 我不会
购买以上
任何一款

使用评估
通过联合分析法,我们可以准确地把握消费者更倾向于哪一类产品。每个产品不同的价格水准,不同的品牌等都会分别起到各自不同的作用。
Attributes Importance
43
23
-2 -5

品牌

价格 排气量 排档
Price Preferences
-14

22

9
-4
 

20k

25k 30k 35k
Brand Preferences
19
8
-3 -9
Regal Passat Accord Audi
Emissions Preferences
-11.3

6.5

2.8L

3.0L

市场模拟
价格变化
是否附带保险
?
-$5000 -$2500 +$2500 +$5000 -$5000 -$2500 +$2500 +$5000
不是
15%
6%
-7% -22% 20%
11%
-2% -17%
   
 
27%
 
通过联合分析预测价格 / 功能属性变化导致的市场份额变化



不同的研究条件采用不同的研究模型
CBR可以根据具体的研究目的,建议客户采用不同联合分析方法:
· CBC是基于消费者选择的分析模型,测试者仅仅需要在一系列模拟产品中,简单地做出选择,就可以分析消费者内在偏好。
· CBC适合于大多数的研究环境,主要优点是测试场景更加真实,更接近真实的消费选择。CBC不足之处是:为了保证研究的精度,通常需要更多的样本方能得到准确分析结果。

· ACA特别适合于需要分析多个属性(6个以上属性)或属性水平的情况下,能大量节省被访者的时间和负担。同时,ACA可以在样本较少的情况下也能取得较好效果。
· ACA对价格因素的估计存在一定偏差,通常不适合于专门的价格测试。


  回到顶端

GAP 模型

简介
Gap model 是 CBR 专门用于分析消费者需求的模型。其基本思想是通过分析目前需求缺口与未来购买之间的联系,寻找出驱动消费 者购买的关键需求点,并根据需求缺口的大小,预测在不同缺口程度下可能的购买率。
· 首先根据事先的经验,获得一系列可能导致消费者未来购买的利益点(产品或服务特性)。
· 然后了解消费者对这些利益点的期望以及目前满足状况,建立因果关系模型,使用结构方程 (SEM) 软件来 分析这些需求点是否和购买意向存在联系 .
· 如果因果关系成立,则我们进一步分析每个需求点对购买的贡献度,通过 Logit 等统计方法,分析在不同需 求缺口的情况下,导致需费者购买的概率。

目前产品(服务)与期望产品之间的缺口
不同程度的缺口,导致消费者的购买欲望的不同

分析案例 - 什么因素导致消费者升级目前的 DC
研究表明:导致消费者升级目前 DC 产品的主要原因是消费者对像素的不满,以及对变焦能力的追求。
Estimation of model coefficients
Current Pixel
Expected pixel
Pixel GPA
0.34

像素成为最重要因素
Current LCD
Expected LCD
LCD GPA
0.16
Repurchase Intention
Current battery
Expected battery
Battery GPA
0.10
Current zoom
Expected zoom
Zoom GPA
0.17

变焦能力为第二因素
备注:为了保护客户的利益,案例中的数据已经进行了调整,仅用于模型的可能输出。

3 百万像素以内的需求缺口不足以推动消费者再次购买数码相机; 只有当缺口达到 3 百万以上的时候,再次购买的可能才会显著增加。而当缺口达到 5 百万的时候,像素缺口的驱动达到最大。The gap means the ideal DSC's configures of the respondents minus their current DSC ‘s configures.
Gap of pixel Possibility of re-purchase
Percentage (%)
Lower than current pixel 0.0
Same as current pixel 0.8
1M higher than current 2.9
2M higher than current 3.0
3M higher than current 4.0
4M higher than current 15.6
5M higher than current 30.8
备注:为了保护客户的利益,案例中的数据已经进行了调整,仅用于模型的可能输出。

  回到顶端

决策树模型

决策树分析的特点
· 决策树分析 (Decision Tree Analysis) 是现代数据挖掘 (Data Mining) 的基础方法之一,它可以对自 变量进行综合比较,自动选择出对目标影响最大的变量,从而发掘最佳的分类模式。
CBR 在决策树技术的基础上,成功开发了一系列的应用模型,可以帮助客户进行:

· 最优市场细分:根据决策树的输出,帮助客户选择最合理的市场细分方法。
· 收益分析( Gain Analyses) :针对每个细分市场,分析市场的潜力和营销效能,帮助客户选择最 佳的细分市场。
· 长期应用:利用决策树生成一个细分市场的判别规则,使得我们在未来即使没有可以根据这些 规则,直接判断未知对象可能所属的类别,为客户的数据库营销提供强有力支持。

决策树分析流程示意图
阶段一、选择所有可能的细分变量 à 选择需要作为决策依据的目标变量
阶段二、选择决策分析方法 à 系统运行,自动检测
阶段三、输出决策树图 à 输出 Gain Table
输入所有可能的变量
人口变量1

人口变量2

人口变量n...

行为变量1

行为变量2

行为变量k

变量..

设定目标变量
决策树分析系统
选择决策树分析方法 (CHAID. C&RT...)
输出决策树结果


研究案例
· 在某个 IT 产品的研究中,客户面临着多种可能的细分方式:地理细分、收入细 分、性别细分 … 。那么从什么角度细分最有利于寻找到潜在消费者?
· 根据目的,我们选择了 在未来 6 个月是否计划购买 作为目标变量,并将计划购买者 作分 Target 。
· 对于自变量,我们尽可能多的加入那些可能对计划购买由影响的人口变量:年 龄、收入、城市、性别、婚姻、教育 …
· 经过整理之后的分析结果见后。
分析指出:年龄是对消费者计划区分最大的变量
 
获得 9 个最终节点(细分市场) 其中节点 4 是收益率最高的市场。

  回到顶端


[返回]