纪浩然市场调研数据的应用分析.docx

1、纪浩然市场调研数据的应用分析市场调研数据的应用分析纪浩然学习导航通过学习本课程，你将能够：学会开展消费者品牌喜好分析；做好消费者行为分析；掌握客户细分研究的过程；预测市场的发展态势。市场调研数据的应用分析一、消费者品牌喜好分析营销分析中一个很重要的问题就是品牌分析。品牌分析的核心问题，就是搞清楚哪些因素决定了消费者的品牌选择。品牌分析的三个问题包括：第一，是否选择该品牌；第二，多个品牌的选择问题；第三，有序品牌的选择问题，例如高端品牌、中端品牌和低端品牌。这三个问题与离散量的三种类型，即二元值、名义值和有序值恰好对应。1.二值Logistic回归图1方程中的变量操作过程如图1所示，该示例调查的

2、是年龄、皮肤黑白程度、职业、体重、收入分级等要素对美白化妆品消费的影响。首先进入SPSS的“分析”模块，选择“回归”模型中的二元logistic回归，将是否购买放入因变量中，将年龄、皮肤黑白程度、职业等需要考虑的要素选入协变量（也即自变量）中，然后点击“确定”，输出结果。结果解读在案例处理汇总中，logistic回归是一个迭代过程，分为很多迭代步骤。在此，最重要的是商业结论。如图1所示。图1输出的结果中，R平方的数值为0.376，表明拟合程度比较一般。但是在现实中遇到这种情况时，可以稍微变通让其通过，而不会再做一遍调研。检验p值基本都大于0.05，说明模型解释情况不是太好，但是对于二元logi

3、stic回归基本都是如此。根据表中的常量，可以得出下面的回归方程：购买=3.224-0.064*年龄-0.431*皮肤黑白程度-1.506*职业-0.007*体重+2.057*收入分级与之对应的商业结论是：对化妆品购买影响程度较大的三个因素依次是收入（正相关）、职业（负相关）和皮肤黑白程度（负相关），年龄和体重的影响则不明显，其中影响最大的因素是收入。需要注意的是，当研究的因变量是一个跳跃值时，绝对不能用线性回归，而是要用logistic回归。2.名义值的Logistic回归操作过程关于购车情况的调查，直接进入值标签，可以看到作为研究对象的购车类型是跳跃值，分为家用车、工作用车和跑车三种，要分

4、析的是性别、婚姻状况、国别、车的尺寸和年龄对于三种购车类型的影响大小，其中年龄以30岁为“割点”进行了离散化分组，小于30为“1”，大于30为“2”。这时开始进行“回归”操作，由于三种购车类型之间无明显排序，属于“名义值”，所以采用与之对应的多项logistic回归，选入购车类型，然后将性别、婚姻状况、国别、尺寸和年龄分段选进去，其他的采用默认值，点击“确定”，输出结果。结果解读输出结果显示，伪R方数值为0.259，该结果仍然具有一定的意义。如图2所示。图2模型拟合信息和伪R方图3似然比检验由于将家庭用车、工作用车和跑车分别对应“1”“2”“3”，经过模型换算，事实上是用家庭用车、工作用车分别

5、和跑车对比，所以在模型输出时会有两个回归方程，分别对应家庭用车和工作用车。（同理：如果将工作用车当作比较对象，最后就会输出家庭用车和跑车的方程。）图4、图5分别为家用车和工作用车的输出结果。注：表格中“B”栏表示系数。图4参数估计家用图4对应的回归方程：购买=1.054-0.38*性别1（男）-1.308*婚姻状况1（未婚）+0.206*国别1（美国）-0.992*国别2（欧洲）+3.676*尺寸1（大）+0.885尺寸2（中）-0.913*年龄超过30*1（年青）。图5参数估计工作用车图5对应的回归方程：购买=0.163-0.22*性别1（男）-0.96*婚姻状况1（未婚）-0.193*国别

6、1（美国）-1.343*国别2（欧洲）+3.582*尺寸1（大）-0.304*尺寸2（中）-0.498*年龄超过30*1（年青）。通过家庭用车和工作用车的对比，得出如下商业结论：家用车多数由已婚者购买，多偏向于美系车，偏向于中大尺寸车辆，30岁以上购买较多；工作车同样购买者为已婚，偏向大尺寸车，不喜欢中尺寸车，同样30岁以上购买较多；工作用车对欧洲系车的拒绝程度要高于家用车，家用车对年轻人的拒绝程度要高于工作用车。3.有序Logistic回归操作过程如图6所示，本例分析的是客户的年龄、收入、教育程度、性别等因素对于客户满意度的影响大小。由于满意度有明显的高低顺序，所以选择有序logistic回

7、归，将满意度放入因变量，将收入、文化程度、性别、年龄放入协变量，然后“确定”，输出模型结果。图6参数估计量满意度结果解读在结果中，R平方为0.157，效果一般，然后会得到客户满意度是1的情况，或客户满意度为2的情况两个回归方程，之后列出函数并进行对比，其操作过程与“名义logistic回归”相同。二、消费者行为分析1.最优尺度回归分析在做回归分析时，会经常遇到分类变量，例如对于收入，通常划分为1、2、3，但是这种人为划分并不能保证变量之间是“等距”的。SPSS的最佳尺度回归可以较好地解决这一问题，以保证分析结果的准确性。操作过程图7分析的是年龄、性别和职业等因素对于客户在5种服装颜色选择上的影

8、响，以此了解不同年龄、性别和职业客户对各种服装颜色的偏好。进入SPSS的“分析”，选择“回归”模型的“最佳尺度”，将颜色选为因变量，将年龄、性别和职业选为自变量，然后在颜色偏好度量中选“数字”，之所以不选“名义”或“有序”，是因为不知道它们之间的距离是否相等；在年龄中同样选“数字”；性别选“名义”；职业选“序数”，因为在本示例中对各种职业进行了排序。可见，在进行市场调研分析时，必须要具体问题具体分析，要具备很强的分析能力、较宽的知识面和清晰的思路，并结合自己的具体工作进行变量定义，而不能死记硬背模型。结果解读在输出结果中，R平方是0.296。通过上述几个示例可以看出，在logistic回归和最

9、佳尺度回归中，R平方的数值都不理想，一般来说在这四种回归中不必太计较R平方值，与之相对，在线性回归分析中必须关注R平方值。在最佳尺度回归分析中，主要关注下面的表格。图7相关性和容差如图7所示，“偏相关”是克服了其他的影响之后的估计；而“重要性”则是最佳尺度回归中最有价值的一列，表示的是各个自变量对于因变量影响的大小；最后则是“容差”，表示一个解释变量中不能被其他变量解释的比例，这一比例越高越好，比如图7中性别的容差是0.805，这就表示该因素中80.5%的解释成分是其他因素无法解释的。2.结合分析结合分析是专门针对正交设计的分析手段，SPSS目前没有专门的分析模块，需要自行输入命令行实现。结合

10、分析是分析用户多维度倾向性的重要手段。如图8所示，在之前出现过的牛奶消费市场调查案例的结果数据，经过结合分析可见，在重要性值中包含了外形、品牌、价格、口感、保质期等因素，通过比较可以看出其中最重要的因素是品牌（PINPAI），平均重要性得分是30.678，然后依次是外形、价格、口感和保质期。图8重要性值在外形、品牌、价格、口感等各个因素下，又有各自的估计值。如图9所示。图9实用程序同时，还以图示方式进行分析，如图10、图11、图12、图13、图14所示。图10摘要实用程序外形图11摘要实用程序品牌图12摘要实用程序口感图13摘要实用程序价格和保质期三、客户细分研究1.聚类聚类是一种探索性的分析

11、，分析者不用分类标准，而让软件针对数据进行一定程度上的分类。比如，很多市场调研分析在做模型时，都希望将客户分为几个群，群之间的距离越大越好，而群内部的距离越小越好。图15聚类的统计分析原理市场调查中的聚类分析和一般的聚类分析不同，需要采用层次聚类法（系统聚类法）。其原因是，K均值聚类全部是针对连续性的变量，而在市场调查中多数采用性别、年龄、收入、职业等作为分类变量，这些变量属于离散变量，所以需要运用系统聚类法。操作过程如图16所示，将性别、年龄、学历、啤酒价格、消费场所、周饮用量等变量全部选进进行聚类，然后在统计量中绘制树状图，在聚类方法中选择“Ward”连接法这是目前最常用和效率最高的方法，

12、在转换值的标准化中选择“Z得分”，然后选择“保存”，让系统自动进行客户分群。比如，可以从三到八进行6种分类。然后点击“确定”，输出结果。结果解读在结果中，首先是Ward连接，其中相当于一个迭代过程，然后是树状图，可能是一个客户，也可能是一类不断聚集的过程，然后是模型解读，这里已经将客户做好分类。之后在到“比较均值”中按照四类看一下均值，点击鼠标右键，显示客户名称，将客户分为四类，然后将性别、年龄、学历等全部选进来，然后进行分组求均值。如图16所示。图16均值通过聚类分析，可以根据不同维度将客户分为以下几个特征差别明显的群：群1：白领女性群体。平均年龄28.76岁，学历高（因为学历从低到高分为1

13、、2、3、4四个组，所以平均值越大，表示学历越高，下同），在酒吧等高档场所喝较贵啤酒（消费场所分为“1”在家喝啤酒、“2”在餐厅喝啤酒、“3”在酒吧喝啤酒、“4”在歌厅喝啤酒四个分组，所以均值越大，表示地方越高档），饮用量小。群2：老年男性群体。平均年龄55.56岁，学历低，主要在家里喝比较便宜的啤酒，饮用量较大。群3：年轻男性群体。平均年龄22.30岁，学历较低，主要在家里喝比较便宜的啤酒，饮用量最大。群4：中年白领男性群体。平均年龄32.07岁，学历高，在酒吧、歌厅等高档场所喝较贵啤酒，饮用量较大。2.判别分析如果已知对象的分类，需要知道该分类是否合理，并且判断某个对象的具体分类，则需要使

14、用判别分析。四、市场态势预测回归是销售预测的重要手段，通过一元或者多元回归可以得到相关的预测方程。1.一元线性回归操作过程在简单线性回归中，其中因变量是销售毛利率，而自变量则是销售铺货率，然后进行回归分析。结果解读在输出结果中，首先看R平方，数值为0.697，说明模型的拟合效果很好，其检验P值为0.003，说明可以接受。预测函数为：销售毛利率1983.4065.065*销售铺货率之所以能采用这一方程，是因为后面的两个检验P值都小于0.05。2.多元线性回归操作过程在销售预测中，多重线性回归用得相对较多。如图17所示，分析的是成本、产量、工资率、租赁价格等因素对于产品价格的影响。操作过程为：选择

15、“回归”模型中的线性回归，然后将产品价格放入因变量，将成本等因素放入自变量，然后进行回归分析，输出结果。结果解读在输出结果中，可以看到R平方的数值不理想，在销售预测中面对这一情况，通常看Anova分析的检验P值，这时可以看到，检验P值为0。如图17所示。图17Anova检验P值如图18所示，可以看到各个因素的影响系数以及最后的结论决定产品价格的因素中，影响最大的因素是工资率。图18系数3.逐步多元回归在态势预测中，最严谨的方法是逐步多元回归。操作过程如图19所示，该示例分析的是儿童的年龄和疾病之间的关系。在对此进行数据分析时，可供选择的回归模型包括线性回归（一元、多元）、logistic回归和最佳尺度回归等。为了探明哪种模型可以最好地模拟该数据的态势，需要进行一个“数据拟合”操作。具体操作过程为：进入SPSS的“分析”模块，选择“回归模型”中的“曲线估计”，将疾病阴性率定为因变量，将儿童年龄设为自变量，然后将SPSS提供的模型全部选中，点击“确定”。结果解读由于选中了线性、对数、倒数、二次、三次、符合、幂、S平方、增长、指数和Anova等多个模型，所以在结果中会