聯(lián)合分析在產(chǎn)品開發(fā)的作用

1、作者簡介:徐鼎權(quán),男,碩士,研究方向:市場營銷。聯(lián)合分析方法對產(chǎn)品屬性的應(yīng)用研究吳見平 徐鼎權(quán)(江蘇科技大學(xué)經(jīng)濟管理學(xué)院,江蘇鎮(zhèn)江212003摘 要:在系統(tǒng)分析聯(lián)合分析方法一般原理的基礎(chǔ)上,通過對閃存盤市場分析,研究了如何運用聯(lián)合分析方法分析消費者的購買行為,給出了該方法運用步驟、產(chǎn)品屬性確定等問題,并通過對閃存盤市場的實際分析得出產(chǎn)品特征效用函數(shù)、產(chǎn)品效用值。關(guān)鍵詞:聯(lián)合分析;產(chǎn)品屬性;效用值中圖分類號:F27 文獻標(biāo)識碼:A 文章編號:1672 3198(200810 0058 031 聯(lián)合分析的概念和基礎(chǔ)1.1 聯(lián)合分析的概念聯(lián)合分析是1964年由數(shù)理心理學(xué)家R.Luce 和統(tǒng)計學(xué)家J.

2、T ukey 首先提出的。1971年由P.Green 引入市場營銷領(lǐng)域,成為描述消費者在多個屬性的產(chǎn)品或服務(wù)中做出決策的一種重要方法。1978年Carm one,Yen 和Jam 等人將聯(lián)合衡量改為聯(lián)合分析。從20紀(jì)80年代起,聯(lián)合分析在許多領(lǐng)域中得到了廣泛的認(rèn)可和應(yīng)用,90年代被應(yīng)用得更加深入,涉及到許多研究領(lǐng)域。聯(lián)合分析是通過假定產(chǎn)品具有某些屬性,對現(xiàn)實產(chǎn)品進行模擬,然后讓消費者根據(jù)自己的偏好對這些虛擬產(chǎn)品進行評價,并采用數(shù)理統(tǒng)計方法將這些屬性與屬性水平的效用分離,從而對每一個屬性以及屬性水平的重要程度做出量化評價的方法。目前,該方法已被廣泛應(yīng)用到新產(chǎn)品概念識別、競爭力分析、價格策略、市場

3、細(xì)分、廣告研究等方面。1.2 聯(lián)合分析的基本思想聯(lián)合分析方法的基本思想是,通過提供給消費者以不同的屬性水平組合形式的產(chǎn)品,并請消費者做出心理判斷,按其意愿程度給產(chǎn)品組合打分、排序,然后采用數(shù)理分析方法對每個屬性水平賦值,使評價結(jié)果與消費者的打分盡量保持一致, 來分析研究消費者的選擇行為。它可以用于評估消費者的偏好。如果產(chǎn)品特征是由一些屬性構(gòu)成,那么通過聯(lián)合分析,就可以確定這些屬性的哪種組合最受消費者歡迎。2 聯(lián)合分析的一般步驟聯(lián)合分析的一般步驟如下圖所示:圖1 聯(lián)合分析的一般步驟為了更好地說明聯(lián)合分析方法的實施步驟,本文使用了一個閃存盤的例子來演繹這個過程。在這個例子中,使用的是全輪廓聯(lián)合分析

4、方法。2.1 確定產(chǎn)品的屬性和屬性水平聯(lián)合分析首先要對產(chǎn)品或服務(wù)的屬性進行識別。這些屬性必須是顯著影響用戶購買的突出屬性,既不能太多,也不能太少。屬性過多會加重消費者負(fù)擔(dān),或者降低模型預(yù)測的精確性;屬性過少,又會因模型中丟失了一些關(guān)鍵信息而嚴(yán)重降低模型的預(yù)測能力。屬性的數(shù)目一般為3-6個。確定了屬性之后,還應(yīng)該確定這些屬性的水平,屬性與屬性水平的個數(shù)將決定聯(lián)合分析過程中要進行估計的參數(shù)的個數(shù),也將影響被調(diào)查者所要評價的產(chǎn)品輪廓個數(shù)。為了減輕被調(diào)查者的負(fù)擔(dān),同時又要保證參數(shù)估計的精度,實驗需要恰當(dāng)?shù)匕才艑傩运降膫€數(shù)。一個屬性的各個水平的效用函數(shù)可能是連續(xù)性的,如價格中的49元、99元和129元

5、;也可能是非連續(xù)性的,如品牌中的朗科、金士頓、清華紫光等等。對于連續(xù)性的數(shù)據(jù)來說,如果選取的屬性水平過少,該研究的信度就值得懷疑。但如果屬性水平過多,又會增加研究的成本和難度。進一步的研究還表明:各屬性所含的水平數(shù)目應(yīng)盡可能平衡,因為一個屬性的水平數(shù)目增加時,即使起點保持不變,該屬性的相對重要性也會提高。一般,屬性可表示為:u 1,u 2, ,u n 。其中,屬性u i 的屬性水平可表示從u i 1,u i 2, ,u im (i =1,2, ,n。u ij 為第i 個屬性第j 水平的代號,m i 為第i 個屬性的水平數(shù)。我們使用一個簡單的例子來說明聯(lián)合分析方法。我們把變量全部看作定性變量。通

6、過定性的研究確定了閃存盤的三個屬性是突出的:u 1=品牌,u 2=價格,u 3=容量。每個屬性又各有3個水平,如表1所示。這些屬性及其水平將用于構(gòu)造聯(lián)合分析法的產(chǎn)品模擬。2.2 產(chǎn)品模擬聯(lián)合分析將產(chǎn)品的所有屬性與屬性水平通盤考慮,并采用正交設(shè)計的方法將這些屬性與屬性水平進行組合,生成一系列虛擬產(chǎn)品。在實際應(yīng)用中,通常每一種虛擬產(chǎn)品被分別描敘在一張卡片上。聯(lián)合分析的產(chǎn)品模擬主要采用的分析方法是全輪廓法。58表1 閃存盤的屬性水平組合屬性水平名稱品牌1(u11朗科2(u12金士頓3(u13清華紫光價格1(u2149元2(u2299元3(u23129元容量1(u311GB 2(u322GB 3(u3

7、34GB由全部屬性的某個水平構(gòu)成的一個組合叫做一個輪廓。每個輪廓分別用一張卡片表示,如下列組合產(chǎn)品(品牌:金士頓;價格:99元;容量:2GB,像這樣的屬性水平的輪廓組合就有3*3*3=27種,即消費者要對27種輪廓作評價。其實,并不需要對所有的組合產(chǎn)品進行評價,且在屬性水平較多時實施難度也較大。在全輪廓法中,則采用正交設(shè)計等方法,以減少組合數(shù),又能反映主效應(yīng)。2.3 數(shù)據(jù)收集數(shù)據(jù)收集是聯(lián)合分析的基礎(chǔ)性工作。具體的方法有:全部呈現(xiàn)、正交設(shè)計或者是正交加隨機呈現(xiàn)等-這要視屬性及其水平多少而定。在大多數(shù)的聯(lián)合分析任務(wù)中,產(chǎn)品輪廓是描述性的;但也可以將他們制作成圖片或?qū)嵨飦沓尸F(xiàn)以提高實驗的效度。偏好的

8、測量方法也決定了我們輸入數(shù)據(jù)的形式,最主要的測量方法有:排序法(非定量的和評分法(定量的。在聯(lián)合分析方法中,因變量是購買偏好或意愿,即由受訪者根據(jù)自己的購買偏好或意愿來提供數(shù)據(jù),當(dāng)然,因變量也可是實際購買與選擇。在測試時,要求被訪問者回答,選購某種屬性水平組合的閃存盤的可能等級,等級分為9等,最高等級為9分,最低等級為1分。表2 某消費者的評價組合產(chǎn)品品牌價格容量評分值1金士頓49元4GB92金士頓99元2GB73金士頓129元1GB54朗科49元4GB65朗科99元2GB56朗科129元1GB67清華紫光49元4GB58清華紫光99元2GB79清華紫光129元1GB62.4 計算屬性的效用從

9、收集的信息中分離出消費者對每一屬性以及屬性水平的偏好值,這些偏好值也就是該屬性的!效用。計算屬性的模型和方法有很多種,一般地,人們主要用最小二乘法回歸模型、洛基回歸(L OGIT模型等方法。最小二乘回歸模型首先需要對所有的屬性及屬性水平作因子分析或主效用分析設(shè)計,確定有多少顯著的屬性需要消費者進行評價,有多少種屬性水平組合,不同的輪廓是按個體還是按集合進行分析:如果是前者,每個個體的數(shù)據(jù)是要分別分析;如果是后者,應(yīng)先對消費者分類,一般方法是先按個體估計分值或效用函數(shù),然后根據(jù)分值的相似度將消費者分類,再對每類做聯(lián)合分析,最后形成一個屬性水平的清單和估計模型。效用函數(shù)的形式為:u(x=#ni=1

10、#mj=1u ij x ij(1其中u(x為所有屬性的效用。n為屬性的個數(shù),m i為屬性u i的水平數(shù)目,u ij為第i個屬性第j水平的效用,x ij為表示第i個屬性第j個水平的變量,當(dāng)在某一測試中,這一屬性水平組合出現(xiàn)時取l,不出現(xiàn)時則取0。參數(shù)u ij的數(shù)目隨著屬性及其水平數(shù)目的增加迅速增加,給計算帶來一定的難度,通常用虛擬變量來減少參數(shù),并用最小二乘法估計參數(shù)。對于3個屬性3個水平的研究對象,如采用上述變量凡表示,對第一屬性的三個水平,其取值情況為:X11 X12 種屬性水平組合將有27種取值形勢。這時待確定的效用u ij達27個。但實際上表示第一屬性的三個水平

11、,完全可以只用兩個變量x1,x2以如下的取值形式來表示:X1X2100100同樣,表示第二屬性的三個水平可以用x3,x4表示,其取值為:X3X4100100表示第三個屬性的三水平可用x5,x6其取值為同上面兩組虛擬變量的取值一樣。這時,變量數(shù)只有6個,效用函數(shù)可以表示為:a=b0+b1X1+b2X2+b3X3+b4X4+b5X5+b6X6(2應(yīng)用最小二乘法即可估計得出參數(shù)b0,b1, ,b6。方程(1和(2的系數(shù)之間有如下關(guān)系。通過求解這一線性方程即可以得出參數(shù)u ij的值:u11-u13=b1u12-u13=b2u11+u12+u13=0u21-u23=b3u22-u23=b4u21+u22

12、+u23=0u31-u33=b1u32-u33=b2u31+u32+u33=0因變量按偏好打分。獨立變量或預(yù)測變量是6個虛擬59變量,每種屬性用2個虛擬變量表示。表2-3為數(shù)據(jù)的轉(zhuǎn)換形式。表3 轉(zhuǎn)換后的數(shù)據(jù)表評價得分品牌(u1價格(u2容量(u3 X1X2X3X4X5X6910101071001015100000601100150101006010010500100070001106000001由于數(shù)據(jù)是關(guān)于每個被調(diào)查者的,因此按個體進行分析。每個屬性水平的分值或效用以及每個屬性的相對重要性的估計值如表4所示:表4 閃存盤屬性水平組合效用表屬性水平符號描述效用值品牌(u11(u11朗科0.77

13、8 2(u12金士頓-0.556 3(u13清華紫光-0.222價格(u21(u2149元0.445 2(u2299元0.111 3(u23129元-0.556容量(u31(u314GB1.111 2(u322GB0.111 3(u331GB-1.222估計用的模型為(3-2式,利用最小二乘法,可得估計參數(shù):b0=4.222;b1=1.000;b2=-0.333;b3=1.000;b4= 0.667;b5=2.333;b6=1.333根據(jù)虛擬變量的特點,每個虛擬變量代表不同水平效用與基礎(chǔ)水平效用的差距,于是對品牌屬性有:u11-u13=b1=1.000u12-i13=b2=-0.333u11+

14、u12+u13=0于是,可得:u11=0.778u12=0.556u13=0.222同理可得:u21=0.445;u22=0.111;u23=-0.556u31=1.111;u32=0.111;u33=-1.222根據(jù)表4中數(shù)據(jù)可得出所有屬性水平組合的閃存盤效用值。最后整理結(jié)果如下:分值范圍之和=0.778-(-0.556+0.445-(-0. 556+1.111-(-1.222=4.668品牌的相對重要性=1.334/4.668=0.286;價格的相對重要性=l.001/4.668=0.214;內(nèi)存的相對重要性=2.333/4.668=0.500。把變量全部看成是定性量,利用虛擬變量和一般效

15、用函數(shù)模型和最小二乘估計,得出的數(shù)據(jù)表明:消費者對容量這一屬性的偏好是最大的,也就是說,在選擇閃存盤時,消費者首先考慮的是容量,其次是品牌,最后是閃存盤的價格。其中(金士頓、99元、4GB這種閃存盤是消費者最喜歡的。2.5 評估信度與效度聯(lián)合分析的信度一般包括時間信度(在隨后的某個時間里用相同的工具重復(fù)結(jié)合測驗,屬性信度(當(dāng)屬性變化時,其中不變的屬性的分值的穩(wěn)定性,屬性水平信度(得出的分值對于輪廓的子集的敏感性和數(shù)據(jù)收集方法信度(分值對于數(shù)據(jù)類型、數(shù)據(jù)收集過程、因變量類型的敏感性。常用的方法有:評價模型的擬合優(yōu)度(goodness-of-fit,例如,如果采用的是虛擬變量回歸,那么可以用R2的

16、值來說明模型對數(shù)據(jù)的擬合程度;或者用檢驗一再檢驗法(t est -ret est來評價信度,即在調(diào)查后的某一階段,讓消費者重新評價某些選定的產(chǎn)品模擬,然后通過計算兩組產(chǎn)品模擬分值之間的相關(guān)來評價效度。聯(lián)合分析的效度研究一般包括三種方法:比較真實市場份額與通過市場模擬預(yù)測的市場份額(群體水平;預(yù)測消費者真實的購買行為,例如,消費者愿意為新產(chǎn)品花多少錢,在模擬的購物實驗中消費者會選哪個牌子,或者哪一種商品的折扣券被選擇(個體水平;預(yù)測幾天后消費者的真實選擇(個體水平。在這些研究中,比較真實市場份額與市場模擬的份額的研究預(yù)測效度最高,但將它用于市場預(yù)測仍然是有難度的,因為有很多市場混淆變量的存在,諸

17、如廣告、分銷等。盡管如此,聯(lián)合分析還是在市場研究中顯示了它的威力。(1評價估計模型的擬合優(yōu)度。例如,如果采用的是虛擬變量回歸,那么可以用R2的值來說明模型對數(shù)據(jù)的擬合程度。一般來說,擬合程度應(yīng)在0.80以上。如果模型的擬合程度過低,則說明結(jié)果是令人懷疑的。上述例子中,模型的擬合度0.934,表明模型的擬合是良好的。(2用估計出來的分值函數(shù)作為對產(chǎn)品模擬的評價的預(yù)測值。計算該預(yù)測值與消費者的實際評估值之間的相關(guān)性,用以確定內(nèi)部效度。在上例中,模型的預(yù)測與原始資料的相關(guān)分析表明,相關(guān)系數(shù)為0.95,顯著性水平為0.05,表明預(yù)測能力好。(3如果數(shù)據(jù)是按集合進行分析的,那么可以將樣本分別割成幾個部分,再對子樣本實施聯(lián)合分析。比較這些子樣本的結(jié)果就可以評價聯(lián)合分析的穩(wěn)定性。3 結(jié)論消費者在購買閃存盤這一產(chǎn)品時會受各種屬性的影響,如存儲速度、系統(tǒng)要求、尺寸、重量、工作環(huán)境溫度、通過EMC的標(biāo)準(zhǔn)等,由于篇幅的限制,在上述的調(diào)查中只考慮到消費者購買主要屬性:品牌、價格、容量這三個屬性,通過聯(lián)