
SAS市场研究应用介绍:组合/联合分析
一 SAS市场研究模块介绍
市场研究是指研究组织(企业)与客户、公众三者关系的规律的过程,是市场营销领域中的一个重要元素。它把消费者、客户、公众和营销者通过信息联系起来,这些信息有以下职能:识别、定义市场机会和可能出现的问题,制定、优化营销组合并评估其效果。
因此,市场研究不仅仅是研究购买者及用户的心理和行为,而且是对市场营销活动的所有阶段加以研究,即对从生产者到消费者这一过程中的全部商业活动的资料和数据作系统的收集、记录、整理和分析,以了解商品的现实市场和潜在市场,其研究范围是所有的产品及服务。
市场研究重点是将注意力放在消费者的偏好、选择上,以及潜在消费者上。
SAS软件我们知道的包括在BASE SAS的基础上,还有许多功能模块:SAS/STAT(统计分析模块)、SAS/GRAPH(绘图模块)、SAS/QC(质量控制模块)、SAS/ETS(经济计量学和时间序列分析模块)、SAS/OR(运筹学模块)等,SAS/MRA(市场研究)应用可以为市场研究和数据分析提供统计和图形技术等,在研究消费偏好,选择上,潜在消费者上等方面有很大的优势。
SAS市场研究应用具体会使用到组合分析、离散选择分析、一致性分析、多维等级分析等统计方法。本期我们将初步一一进行对上述方法当个简单的介绍。
二 组合分析/联合分析(conjoint analysis)
组合/联合分析(Conjoint analysis)是多重变量分析主要分析之一,在社会学、生物统计学、数量心理学、市场研究、产品管理、运筹学等领域的统计实证分析应用广泛;此方法也是被市场研究领域所常用一种方法。
组合/联合分析用来评价消费者偏好,是市场研究领域最常用的一种方法。如果将产品看成一些属性的组合,那么组合分析可以决定哪种属性对决定产品偏好最重要,以及哪种属性水平的组合是最受偏好的。一般来说,组合分析是因变量方差的主效应分析。偏好为因变量,属性为自变量。通常将因变量进行单调转换来拟合无交互作用的模型。
组合/联合分析的基本原理与步骤
组合/联合分析是通过假定产品具有某些特征,对现实产品进行模拟,然后让消费者根据自己的喜好对这些虚拟产品进行评价,并采用数理统计方法将这些特性与特征水平的效用分离,从而对每一特征以及特征水平的重要程度作出量化评价的方法。
组合/联合分析的基本假定
组合/联合分析假定分析的对象如品牌、产品、商店等,是由一系列的基本特征(如:质量、方便程度、价格)以及产品的专有特征(如电脑的CPU速度、硬盘容量等)所组成的;消费者的抉择过程是理性地考虑这些特征而进行的。
组合/联合分析的主要步骤
通常由以下几部分组成:
1. 确定产品特征与特征水平:联合分析首先要对产品或服务的特征进行识别。这些特征与特征水平必须是显著影响消费者购买的因素。
2. 产品模拟:联合分析将产品的所有特征与特征水平通盘考虑,并采用正交设计的方法将这些特征与特征水平进行组合,生成一系列虚拟产品。
3. 数据收集:请受访者对虚拟产品进行评价,通过打分、排序等方法调查受访者对虚拟产品的喜好、购买的可能性等。
4. 计算特征的效用:从收集的信息中分离出消费者对每一特征以及特征水平的偏好值,这些偏好值也就是该特征的“效用”。
5. 市场预测:利用效用值来预测消费者将如何在不同产品中进行选择,从而决定应该采取的措施。
组合/联合分析在市场研究和营销当中的用途
在市场研究中,组合/联合分析可用于不同的用途,主要有:
1. 确定消费者选择过程中不同属性的相对重要性,可以间接推导出构成产品的所有属性的相对重要性权重的估计值,这些权重表示哪些属性对消费者的选择有重要影响。
2. 根据不同属性水平偏好的相似度进行市场细分。属性的效用函数可作为调查对象聚类的依据, 以便得到偏好相同的细分市场。
3. 估计具有不同属性水平的品牌的市场份额。估算的效用可作为模拟选项的输入,以 便确定不同选项的份额,并由此估算不同品牌的市场份额。
4. 确定最受欢迎产品的属性构成。可以通过属性水平的调整,改变品牌特征并估计相应的效用。 产生最高效用的品牌特征代表最受欢迎的品牌的构成。
组合/联合分析的应用
联合分析是对人们购买决策的一种现实模拟。因为在实际的抉择过程中,由于价格等原因,人们要对产品的多个特征进行综合考虑,往往要在满足一些要求的前提下,牺牲部分其他特性,是一种对特征的权衡与折衷(Trade-off)。通过联合分析,我们可以模拟出人们的抉择行为,可以预测不同类型的人群抉择的结果。因此,通过联合分析,我们可以了解消费者对产品各特征的重视程度,并利用这些信息开发出具有竞争力的产品。
联合分析目前已经广泛应用于消费品、工业品、金融以及其它服务等领域。在现代市场研究的各个方面,如新产品的概念筛选、开发,竞争分析,产品定价,市场细分,广告,分销,品牌等领域,都可见到联合分析的应用。
三 组合/联合分析案例
以一个汽车轮胎购买的例子来说明SAS软件的应用:
假设消费者在购买汽车轮胎时,需要考虑到四个属性:商标名、期望跑动英里、购买价格、安装成本。取值分别如下:
将采访七个被访者,分别对54中组合中的18个组合进行排序,由此得到7中排序,分别为rank1,rank2,rank3…rank7。
SAS操作步骤如下:
(1)激活应用:选择窗口—分析——市场研究
(2) 选择数据集和分析方法:数据集是sasuser.tires,分析方法是conjoint analysis.
(3) 查看数据:选择view data按钮,出现两个选项,data values查看数据情况,variable attributes查看变量信息。
(4) 选择变量:点击OK进入变量选择窗口,偏好变量(preference variable)是七个被访者的排序(rank1,rank2…rank7),属性变量是四个因素(band,charges,price,mileage)。可自己选择度量的或者非度量的分析,度量的分析使用原来的排序,非度量的分析会对数据排序做一个单调转换。
——当变量最低的排序,1,对应的是最偏好的组合时,要使用“metric(reflected)”,reflected代表反转。
——当可以为变量指定类型,qualitative代表定性的,定性变量之间的协方差为0,那么效用的协方差也为0,
(5) 点击OK,呈现分析。
结果解读:
第一幅图呈现的是四个属性的重要性比较
可以看出,图中显示最重要的属性是英里数(mileage)。为了获得更多结果,可以点击工具栏的结果菜单:
效用表:显示每种偏好(preference,因变量)下属性各取值的效用系数。可以看出对于rank1,即从第一个被访者的排序来看,band是最重要的属性,RollsAhead是最偏爱的品牌,那么由此得到第一个被访者的最偏好英里数为80000英里,45美元,免安装费的RollsAhead牌轮胎。
效用图:直观显示每个被访者对不同属性的效用直线。
市场占有率模拟:使用结果菜单的“市场占有率模拟”,可以模拟出每种轮胎的期望市场占有率。图中可以看出,第一种组合即价格为45美元,英里数为80000,免安装费的TireMax牌轮胎市场占有率最高,为42.9%。可以用最大效用模型模拟,也可以用logit模型模拟,这可以自己选择。
需要注意的是,案例中只需要被访者对18中组合进行评价,实际上有54中组合,SAS可以预测其余36中组合的情况,点击Add Row一个一个添加,或者点击Add All自动添加所有,再进行预测即可。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10