基于多维尺度技术的品牌选择模型 |
田辉 安向龙 张朋 （零点市场调查分析公司） 摘要：本文分析了品牌选择模型的基本原理和应用领域，为实现品牌选择模型在市场研究中的应用，引入了多维尺度分析这种研究工具，并给出了具体的实现步骤。通过穿插于实现步骤中的实例分析，阐明品牌选择模型在市场研究中的应用价值。 关键词：品牌选择模型、多维尺度、知觉图、品牌偏好 一．引言 在市场的推广过程中，商家越来越深切的意识到消费者购买到的“产品”是品牌、产品本身和服务综合的一体化概念。品牌对购买的影响力备受商家关注，关于品牌的研究也一直是市场调查和咨询策划中的一个重要领域。早在1955年，也就是市场营销学发展的初期，西德尼·莱维就提出了“品牌形象”这个概念。随着消费者消费观念和消费心理的不断发展，消费已不仅仅是产品的消费，而越来越多地体现在服务的消费和文化的消费。相应地，品牌已不仅仅只是一个简单的符号，而包含了更加丰富的内涵。 目前对于品牌的研究，大致集中在三个方面：品牌本身的研究、品牌与其他产品要素的比较研究、品牌与品牌的比较研究。 1、品牌本身的研究。研究一个特定产品品牌对消费者购买行为的影响力，包括购买过程不同阶段的品牌影响力、品牌认知研究等等； 2、品牌与其他产品要素的比较研究。研究在品牌、价格、包装等各产品要素中，相对其他产品要素而言，品牌对消费者购买行为的影响，例如品牌价格选择研究、依据联合分析进行的产品组合研究等等； 3、品牌与品牌的比较研究。研究同类产品中消费者在各个品牌中的选择。比如不同品牌在各个维度的表现，不同品牌在消费者中的偏好、不同品牌的价值评估等等。 在市场调查行业中，上述三类品牌研究模型都得到了较为充分的研究，各类模型的选择主要基于研究的需要。上述三类模型，通常是较为单纯的结论描述型研究。例如，我们可以通过询问消费者而知道品牌在消费者心中的认知度、对购买的影响程度；可以知道在不同的价格、产品中他们会选择什么品牌；可以知道不同的品牌在历史传承、给顾客的使用价值、情感价值等各个维度的得分情况；可以知道他们的品牌偏好……但是，我们很难预测出消费者在真实场景下的行为。因为我们模拟的是一种可操作的、真实的市场模式，而且通过一些经过研究人员整理综合后的单纯的维度来测量和解释，这样的研究反映的是消费者在固定程式下的选择。 本篇论文中介绍的品牌选择模型是一种基于第三类品牌研究的方法，但与以往研究的方法有所区别。 二．品牌选择模型的基本原理 品牌选择模型是以多维尺度为主要研究工具，通过二维知觉图的形式，直观反映市场主要品牌在重要产品属性维度上综合表现的定量模型。 品牌选择模型的核心思想是通过了解消费者对市场主要品牌的评价以及对理想品牌的期望，确定主要竞争品牌及理想品牌在知觉图上的位置，并根据各品牌同理想品牌距离的远近推断消费者的品牌偏好。大家知道，消费者偏好或动机是做出某种选择最好的预测器。进一步，如果知道消费者在重要属性上的选择率，我们就可以合理地解释消费者偏好，从而可以解释或预测消费者做出的某种选择。下面是品牌选择模型非常简化但却是其本质的形式：
为使模型预测结果更好地模拟品牌选择的实际情况，除了多维尺度以外，市场细分以及对产品属性维度作加权处理是必要的纠正偏差的工具，引入市场细分后在知觉图上表现为理想品牌不再是单一化，各细分体期望的理想品牌将出现分化；对产品属性维度作加权处理主要是考虑到不同产品属性对产品总体偏好的影响存在差异，在知觉图上表现为相对重要的产品属性维度有所"伸长"，相对次要的维度有所"缩短"，从而提高了模型的预测精度。 品牌选择模型不仅仅能简单地预测消费者行为，还能有效地测量消费者购买动机的强烈程度。它的目的和功效就在于，可以解释消费者行为，以及预测如果产品属性的特性发生改变，消费者会做出什么样的反应。 品牌选择模型在市场研究中的应用主要有： 1. 发展新的产品概念，借助模型测试和修正产品概念组合、新产品的包装及广告策略； 2. 测试已有品牌的市场再定位，同时也可测试经过修正的包装和广告策略； 3. 测试竞争对手推出一种新产品或改变广告策略后可能产生的市场反应，从而达到监测竞争对手活动的目的。 三．品牌选择模型的研究工具－多维尺度技术 如果是基于品牌属性获得输入数据（间接推导法），空间图（知觉图或偏好图）也可以用因子分析和判别分析方法获得。在这种方法中，每个消费者对n个产品（或品牌）在m个属性上进行评分（rating）。而多维尺度分析技术是一种适应性更广的专门用于得到空间图的方法，它不受得到数据方式的限制，对研究品牌选择模型更加有效。 多维尺度分析技术（Multidimensional Scaling，简称MDS）是“探索”和“观看”多维数据的强有力的方法。其主要特点在于：以一种简洁的、易于解释的形式，提供对信息的直观表示；深入地探索内在的联系和模型；比用数字表格来解释更为简单。 在市场研究中，最为有用的多维尺度技术是以下面的三种数据探索技术为基础的： l 多维尺度量表（Multidimensional scaling） l 汽车模型品牌多维偏好分析（Multidimensional preference analysis） l 对应分析（Correspondence analysis） 这三种技术的共同之处都是通过图示的方法，在几何空间里表示所研究对象的感觉和偏好（perceptions and preferences）。在各种刺激（stimuli）中形成的感觉上的或心理上的关系是通过所谓的空间图（spartial maps）中点与点之间的几何关系来表示的。而空间图的坐标轴（axes）则假定是表示所研究对象用于形成对刺激的感觉和偏好时其心理基础和潜在维度（underlying dimensions）。这三种技术统称为多维尺度技术，或简称MDS技术。本篇文章中主要介绍前两种方法的使用。 MDS分析有以下几个步骤： 四．应用实例－汽水类饮料品牌选择 下面用一个汽水类饮料品牌选择的实例来说明此模型在市场研究中的应用。 1．提出问题（formulate the problem） 首先要规定研究的目的，然后选择分析中应包括的品牌或其他刺激。由于品牌（或其他刺激）的数量和具体的内容将直接影响到最终维度的性质和结构，为了得到比较好的空间图，品牌（或其他刺激）的数量一般最好不要小于8，也不要超过25。 选择哪种品牌（或其他刺激）以及选择的数量应该基于市场研究的问题、理论和研究人员的判断。例如：对汽水类饮料品牌的研究中，第一步是选择下列六种品牌，包括7-UP, Sprite, Jianlibao, Mirinda, Fanda, Sunkist）及理想品牌。 2. 获得分析数据（obtain input data） 见下图所示： （1） 感知数据（perceptions data）的获得方法 A：直接比较法 用直接比较法收集数据时，要求被访者按照他们自己的判定准则，对各种品牌或刺激的相似性或不相似性程度作出判断。主要有下列两种做法，分别得到定序和定距的数据：（假定有k个品牌，则可以配成k(k-1)/2个待评价的品牌对） 做法一，要求被访者将所有的品牌对按相似程度由大到小（或由小到大）的顺序排列（ranking），得到一个相似性比较矩阵（或下三角矩阵），其元素为表示相似程度顺序的秩。 做法二，要求被访者用李克量表（5级、7级或其他级）给所有的品牌对评分（rating），分数越低表示品牌对的相似程度越高；或者要求被访者在一条固定长度的直尺线段上定位，左端表示完全不相似，右端表示完全相似，定位点离右端越近表示越相似，定位点与右端的距离就是具体的评分值。结果也是得到一个相似性比较矩阵，只不过其元素是得分值。（注：还有其他评价办法，但最为常用的是做法二的评分方法。） B：间接推导法 用间接推导法收集数据时，要求被访者从产品的各个属性，对待比较的品牌或刺激进行评分（rating），可以使用语义差别量表或李克量表。每位被访者的评价得分实际上都是一个矩阵，行代表各个品牌，列代表各种属性，对应的元素就是该被访者对相应品牌在相应属性上的得分；在市场研究中，还经常让消费者对他们心目中的“理想品牌”（可能并不存在）的各个属性评分。从这些得分矩阵出发，进一步计算品牌间的距离矩阵或相似系数矩阵，就可得到分析所需的接近程度矩阵。 例如，从零点公司自己做的饮料品牌研究的数据库中，挑选出20个消费者和6种汽水类饮料品牌（7-UP, Sprite, Jianlibao, Mirinda, Fanda, Sunkist）及理想品牌。每个消费者对这些饮料品牌在口味（taste）、价格（price）和外观（aspect）这三个属性上的评分（按从1至6的量表评分，其中6表示程度最高），综合起来得到这些消费者对上述品牌在相应属性上的总得分。 C：直接比较法和间接推导法的优劣 直接比较法的优点是研究人员不用事先确定一套有显著性差异的产品属性，被访者可以根据自己的标准进行相似性判断；其缺点是判断标准会受到待评价的品牌（或其他刺激）的影响。例如，在相同的价格范围内对各种汽车品牌进行评价时，则价格不能再被作为一个重要的评价因素来考虑。此外，在作分析前很难决定是否应该以及怎样把每个受访者的判断结合进来。最后，直接比较法很难解释空间图的坐标意义（给维度作标签）。 间接推导法的优点是能够很容易确定受访者有哪些相似的感知，依据受访者对各种属性的评分可以对受访对象进行聚类。间接推导法也较容易解释空间图的坐标意义；其缺点是研究者必须确定出所有显著的产品属性，而这是相当困难的。空间图的获得依赖于这些属性的确定。 这两种方法比较起来，更经常使用的是直接判断法。然而，最佳的方法可能是两种方法的结合使用。即用直接法获得空间图，属性评分可用来帮助解释坐标（维度）的意义和知觉图的构造特点。 （2） 偏好数据（preferences data）的获得方法 偏好数据的获得方法跟感知数据相似。数据的典型格式是表示成n个消费者对k个产品（或品牌）的评价得分（rating），偏好数据也可以是排序的（ranking）或成对比较的（paired comparison）。当空间图基于偏好数据构成时，几何距离代表着偏好程度的不同。 例如：在汽水类饮料品牌选择中，数据是从零点公司自己做的饮料品牌研究的数据库中，挑选出20个消费者和6种汽水类饮料品牌7-UP, Sprite, Jianlibao, Mirinda, Fanda, Sunkist及理想品牌，按照消费者对这些饮料的偏好按从1至6的量表评分，其中6表示偏好程度最高。 消费者对产品（或品牌）的感觉（知觉、概念）与他们对产品（或品牌）的偏好是很不相同的。因此，多维尺度空间图（也叫知觉图、相似图等）与偏好图的维度在性质和重要性方面可能有很大的差异。例如，某两个品牌在知觉图上可能非常不同，因此在空间图中的位置很远；同时消费者对这两个品牌的偏好很一致，因此在偏好图上两者的位置很接近。这种情况常常会使人感到困惑，难以解释分析的结果。解决的方法是研究人员要把各种因素综合在一起考虑。 3. 选择一个MDS分析方法 选择一种特殊的MDS方法，首先是依赖于所获得的分析数据是感知数据还是偏好数据。 其次，输入数据本身的属性也是一个决定因素。非计量（nonmetric）MDS方法假设输入数据是名义量数（ordinal）或次序性（ranking等级）尺度，但结果的输出还是以计量的形式。与之相对应的是计量（metric）MDS方法，它假设输入的数据是等距或比率（rating）量数。因为它的结果输出也是计量的形式，因此在输入数据和输出数据之间保留有很强的关系。用非计量和计量这两种MDS方法生成的结果是类似的。 最后，一个影响选择MDS分析方法的因素，是对个体受访者还是全体受访者进行MDS分析。对个体受访对象进行分析，得到的空间图是针对个体受访对象的。尽管这样的分析在研究的角度看来是有用处的，但是从经营管理的角度上看这样的研究用处不大。形成市场策略往往需要对部分或全体受访对象进行研究，这里有一个基本的假定，即全体中的每个受访者都是按照相同的维度来评价品牌（或其他刺激）的，但是每个个体评价这些维度的权重是不同的。 例如：在本次关于汽水类饮料品牌选择的实例中，所用的MDS方法是计量的多维偏好分析方法，并且是对部分受访者进行分析（20个消费者）。 4. 决定维度的数量 这是所有MDS分析最为核心的问题。MDS分析的目标是以最少的维度来最大程度地拟合输入数据，得到一个空间图。然而，空间图构造的质量一般是随着维度的增加而提高的。因此不得不采用一种折中的方法。 评价MDS分析拟合好坏的指标是拟合劣度（stress系数），stress系数的值越高表明拟合程度越差。下面有几条决定维度数量的参考标准： ∙ 以前的知识，理论或过去研究的经验可能对此有所帮助。 ∙ 空间图的可解释性，一般而言多于三个维度的空间图解释起来就会相当困难。 ∙ 拐点标准（elbow criterion），在MDS分析中对应不同的维度数有一系列stress系数构成一条曲线。在曲线的拐点处（或弯曲程度最大的点）对应着合适的维度数。 ∙ 易于使用，一般来说二维空间图比更多维度的空间图更易使用。 ∙ 统计的方法，对熟悉有经验的研究者来说，统计的方法也能用于帮助决定维度的数量。 例如：在本次关于汽水类饮料品牌选择的实例中，所用维度是二维。 5. 给维度做标签及解释空间图的构造 空间图得到后必须给维度做标签和解释其构造，这部分依赖于研究人员的主观判断，而下面提供的几点参考会对如何给维度做标签有所帮助： ∙ 即便用直接判断法得到的空间图，研究人员也可结合受访者对品牌的各个属性的评分值，用统计方法（如回归分析等），得到这些属性在空间图上的矢量图。空间图的轴（维度）可以根据距离某种属性的近似度来做标签。（即赋予某个属性的意义） ∙ 在提供直接相似性偏好数据之后，还可以要求被访者表明其做评价的标准。这些标准可以通过主观判断用于给空间图的维度做标签。 ∙ 如果可能，向受访者出示空间图并通过观察空间图的构造，要求他们来给空间图的维度做标签。 ∙ 如果品牌的某些客观属性是可以获得的（如汽车每公里的耗油量），用它们可以帮助解释空间图维度的主观判断。 一般来说，空间图的某个维度代表的含义要大于某一个产品属性。空间图的构造可以通过检查各种品牌间相对的空间位置，一致性等来解释。例如，相互间位置比较靠近的品牌间竞争性强于位置较远的品牌；一个孤立的品牌拥有一个特殊的细分市场；那些位于某种属性矢量方向上的品牌在该种属性上的表现强于其他的品牌，因而可以发现每个产品（品牌）强弱表现在哪些方面；空间图中的空隙意味新产品推出的潜在机会。 例如：饮料品牌偏好图 各品牌饮料在口味、价格和外观这三个属性的表现 可以看到： ∙ 偏好图中的第一维度与饮料的口味与价格相关联，其从下到上的方向表示了消费者偏好的程度。消费者最偏好的饮料是雪碧（Sprite），偏好程度最低的是芬达（Fanda）。同时可以看到，雪碧饮料跟理想品牌之间的距离非常地接近，在消费者的选择中也占有绝对的优势。 ∙ 偏好图中的第二维度与饮料的外观（颜、包装等）相关联。雪碧、芬达、美年达等国外品牌在这一维度上表现远好于国产品牌健力宝。 ∙ 偏好图中的箭头指向相同的消费者偏好相似。（矢量的方向代表偏好，矢量的大小表示偏好程度的大小。）依据消费者的偏好可以分为两个相对集中的体。图形左上方的消费者偏好口味好、价格便宜的饮料品牌，如雪碧。图形右上方的消费者偏好口味好，外观有吸引力的饮料品牌，在这个方向上没有现有的品牌可以满足消费者。这可能意味着在广告宣传策略中需突显新的产品特性。 这里要说明的是，因为所选取的样本量太小，再有所选择的饮料品牌中没有把在市场中占有主导地位的可乐饮料包括进来，这些都会跟实际情况有较大的偏差。本实例的应用仅作为市场理论研究时的参考。 6. 评价模型的可靠性及正确性 输入数据与随后的MDS分析，都不可避免的带有随机可变性。因此，要对模型的可靠性及正确性进行评价。下面推荐一些方法供参考： l 拟合系数或R2检验，应该检查一下。这些统计指标可以反映MDS方法可以在多大程度上拟合输入数据。一般R2值为0.60或者更高，认为是可以接收的拟合结果。 l Stress值的大小也可以衡量MDS分析的质量。与R2值不同的是，Stress值反映的是拟合劣度（badness-of-fit），而R2值反映的是拟合优度（goodness-of-fit）。不同的MDS分析方法，有不同的Stress值的变化范围。下表给出克鲁斯卡系数评价多维尺度模型拟合优劣的标准。
∙ 如果是在整体水平上（相对个体水平而言）做分析，原始的数据应该被分成两个或多个部分。对每一部分都进行单独的分析并比较结果。 ∙ 因为输入数据中隐含着随机错误，得到的最终结果受不同MDS分析方法的影响，所以要对这些结果进行比较。 ∙ 以两种不同的方法获得输入数据，用同一种分析方法测试其可靠性。 说明：本次实例因为样本量只有20个，所以不具备统计学上的实际意义。 五．局限性和适用范围 指出MDS分析方法的一些假定及限制性是很有价值的。 ∙ 首先，假定两种刺激（品牌）A和B之间的相似程度是没有顺序性的，及A和B之间与B和A之间的相似程度相同。这个假定有时候是不成立的，例如：我们可以感觉墨西哥与美国之间有较大的相似性，但反过来，美国跟墨西哥之间相似性较小 ∙ 其次，MDS分析方法假定两种刺激之间的相似程度，是多个感知维度上的每个部分相似性的综合，目前还很少有研究者去测试该种假定 ∙ 最后，在得到的空间图上，假定各点之间的距离是比率尺度（ratio scaled），而坐标轴是等距尺度（interval scaled） MDS分析方法的限制是，在维度上解释与品牌（或刺激）发生事实上变化相关的感知图上的变化是非常困难的。这种限制也存在于偏好数据的应用中。 | |||||||||||||||||||||||||||
发布评论