8種市場調研中的數據分析方法你知道幾個?

2020-12-03 SPSSAU

所謂市場調研就是對某一目標，收集、整理、分析有關信息，通過對數據或信息的分析，得到相應結論，從而為企業決策提供參考，實現企業利益最大化。

數據分析是市場調研中重要組成部分，在分析過程中我們會遇到許多統計分析方法。

今天SPSSAU就來介紹8種市場調研中常用的數據統計分析方法，以及如何在SPSSAU使用這些方法。

01 頻數分析：分析比例，掌握基礎信息

無論是哪種領域的統計分析，頻數分析都是最常用的方法。在市場調研中，頻數分析也是最基礎、使用最廣泛的方法。一般可用來統計分析樣本基本信息，統計比例，如消費者的基本信息，對產品的基本態度，是否願意購買產品等。

SPSSAU頻數分析

頻數分析結果

用圖表展示能夠更加清晰對比各項比例，SPSSAU頻數分析默認提供餅圖、圓環圖、柱狀圖、條形圖可選擇。

註：多選題統計頻數或比例用【問卷研究->多選題】。

02 描述分析：定量數據對比

描述分析適用於分析對比定量數據。例如對比各維度均值，了解在哪些方面得分較高，哪些方面得分較低，找出優勢項或短板項，從而制定出有針對性的改善方案。可用於分析產品滿意度、用戶需求等。

SPSSAU描述分析

描述分析結果

如果有多個題要對比平均值，可通過折線圖、柱形圖、雷達圖來展示。

03 IPA分析：滿意度-重要性分析

IPA分析，又叫重要性表現程度分析法。是通過繪製散點圖，對比不同項目或維度的重要度和服務表現，從而直觀的識別出優勢項、劣勢項。適用於服務質量、滿意度分析、產品競爭力分析等。

SPSSAU象限圖

指標在不同的象限中分別對應不同的解釋，針對不同象限可以建立針對性的優化措施。

在第一象限的指標顧客重視度高並且實際滿意度也很高，說明是優勢項可以重點突出或保持。

第二象限指標顧客較重視，但實現感知滿意度不高，說明需要重點加強改善。

第三象限重要性及滿意度都不高，可以作為次重點改進。

第四象限滿意度大於重要性，可以適當減少對這些指標的關注。

04 差異分析：交叉分析，尋找個性差異

上面幾個方法一般只是初步描述研究結果，想要更深入的探究分析項之間的差異性則要進行差異分析。例如探究不同背景的消費者在「認知」，「態度」，「行為」，「原因」上的差異；是大學生還是工薪族更加喜歡我的產品？不同學歷的消費者對於產品的需求有沒有差異等等。

差異分析常見包括幾類分析方法：方差分析、t 檢驗和卡方檢驗。

其實核心的區別在於：數據類型不一樣。如果是定類和定類，此時應該使用卡方分析；如果是定類和定量，此時應該使用方差或者t 檢驗。

方差和T檢驗的區別在於，對於T檢驗的X來講，其只能為2個類別比如男和女。如果X為3個類別比如本科以下，本科，本科以上；此時只能使用方差分析。

三種方法都可在SPSSAU【通用方法】中使用。

05 帕累託圖：抓大放小，把握關鍵因素

帕累託圖，是「二八原則」的圖形化體現。在數據分析中二八原則可以理解為：80%的結果是由20%的因素產生的。

實際應用場景中，帕累託圖可以用來評估產品、劃分客戶、員工管理等，找出找出導致前累積80%的項，並且重點關注和分析。

SPSSAU有兩處提供了帕累託圖分析，一般可用【可視化->帕累託圖】；如果是多選題則使用【問卷研究->多選題】默認會生成帕累託圖。

重點分析累積加和佔比在80%內的相關項目，頻數越靠前說明越是重要因素。

06 聚類分析：用戶分類

通過聚類分析，我們可以找到一類人群的綜合特徵，並按照其特徵細分成不同人群。相比用單一分類標準，聚類分析可以綜合多個指標結果，得到更加合理的類別。

SPSSAU聚類

不同行為的客戶有不同價值，比如可選擇消費次數、購買量、顧客滿意度、忠誠度等指標，對不同價值的客戶進行分類。

當變量較多時，可先做主成分或因子分析，得到每個維度（因子）的數據，再進行聚類。

SPSSAU因子分析

07 對應分析：尋找市場定位

對應分析，是把一個交叉表結果通過圖形的方式展現出來，用以表達不同的變量之間以及不同類別之間的關係。

對應分析可應用在市場細分、產品定位等領域相關中。

SPSSAU對應分析

對應分析圖

通過圖形可以解讀出同一變量各類別的區分程度，以及不同變量各類別間的關聯程度。

第一，考察同一變量：查看同一變量的不同類別是否被清晰區分開。

第二，考察變量間的關係：離原點越遠，意味著該點對於『關係幅度』的表達越強，即說明該點越能體現出『關係』；

第三，在相同區域點與點之間靠得越近，意味著它們之間關聯關係越強；點與點之間靠得越遠，意味著它們之間關聯關係越弱。

08 市場預測：回歸分析

回歸分析是確定兩種或兩種以上變量間影響關係的方法。在市場調研中，回歸分析可以用來探究銷售量、顧客滿意度的影響因素、預測銷售量等。

回歸分析中，最簡單也最常用的就是線性回歸，可在SPSSAU【通用方法->線性回歸】中使用。

SPSSAU線性回歸

當因變量為定類數據，比如研究消費者對於酒精飲料和非酒精飲料的選擇偏好及影響因素時，可以使用SPSSAU進階方法裡的二元logit回歸。

SPSSAU二元logit

如果是時間序列數據，可以使用【計量經濟->ARIMA預測】來預測未來預期銷售量，SPSSAU默認自動找出最佳模型輸出預測結果。

ARIMA預測

ARIMA模型擬合圖

相關焦點

  • 騰訊產品經理核心能力淺析:市場/用戶調研與分析
    這就是通過市場調研發現的需求，這個時候，你確定這是一個機會，但是為了驗證這個假設，你決定進行深入的用戶訪談，所以你又走訪了幾家餐廳，跟餐廳老闆和負責採購的大廚和財務進行了溝通，了解他們遇到的具體問題。以上就是一次市場/用戶的調研與分析，當然這是在做一款產品之前。
  • SEM優化常用的幾種數據分析方法
    SEM優化工作少不了做分析報表，而數據分析不僅僅是為了發現問題，為解決問題提供參考數據，也是對推廣效果的直觀展現方式，善用工具，能事半功倍地掌握工作，並及時作出調整。簡而言之，數據分析就是為了幫助我們對工作做到心中有數。
  • 數據分析的幾種常用方法概覽(之二)
    數據分析常用方法概覽（之二）上一篇，我們了解了數據分析時常用的對比分析法、分組分析法、結構分析法、交叉分析法、漏鬥圖分析法、矩陣分析法、綜合評價分析法等八種分析方法，今天我們繼續了解下上文提到的另外八種常見數據分析方法。
  • 推薦幾種常見的數據分析方法
    基礎分析方法1.對比分析法概念：根據數據維度的不同特徵，選取兩個或兩個以上重點分析維度，進行重要指標對比，分析其數量關係及形成原因的分析方法，是最基本的分析方法。對比分析的主要參照標準：（1）歷史標準：和歷史水平進行比較，說明其發展水平或增長速度。
  • 電商數據分析並不難,掌握這幾種方法就可以了
    實際上，在一家年銷售額幾百萬或者上千萬的電商公司，你只要掌握一些基礎的數據分析方法，再配合Excel表格，就足夠你完成各種數據化運營工作了。所以我建議，先從最基礎也是最核心的數據分析方法學起。隨著你學習的深入，以及崗位的變化，再去學習相關的爬蟲或者語言類的相關知識，會讓你更加容易理解。
  • 市場調研數據分析:企業缺少進項成本的解決方法
    市場調研數據分析：企業缺少進項成本的解決方法 在大多數企業的資產負債表的利潤一欄上的數據看來，企業一年的收入還是很多為什麼很多企業的老闆還存在苦不堪言說今年沒有賺到錢？
  • 數據分析的幾種常用方法概覽
    數據分析常用方法概覽（之一）對數據進行分析的方法很多，常用的有對比分析法、分組分析法、結構分析法、交叉分析法、漏鬥圖分析法、矩陣分析法、綜合評價分析法、5W1H分析法、相關分析法、回歸分析法、 聚類分析法、判別分析法、主成分分析法、因子分析法
  • 武漢課工場JAVA培訓：必備高效數據分析庫，你知道幾個？
    必備高效數據分析庫，你知道幾個?　　在大數據時代，數據思維已開始深刻變革各行各業，從我們的電商消費信息、運動軌跡、社交數據、產品使用習慣，到企業的調研、設計、產品、運營、營銷，再到交通、金融、生產製造、公共服務。而由於Python在數據獲取、數據處理、數據分析、數據挖掘、數據可視化、機器學習、人工智慧等方面有著非常多成熟的庫以及活躍的社區，構成數據科學領域最為完整且完善的生態。
  • 9種常用數據分析方法
    數據分析是從數據中提取有價值信息的過程，過程中需要對數據進行各種處理和歸類，只有掌握了正確的數據分類方法和數據處理模式，才能起到事半功倍的效果，以下是數據分析員必備的9種數據分析思維模式：1.聚類聚類是根據數據的內在性質將數據分成一些聚合類，每一聚合類中的元素儘可能具有相同的特性，不同聚合類之間的特性差別儘可能大的一種分類方式，其與分類分析不同，所劃分的類是未知的，因此，聚類分析也稱為無指導或無監督的學習。數據聚類是對於靜態數據分析的一門技術，在許多領域受到廣泛應用，包括機器學習，數據挖掘，模式識別，圖像分析以及生物信息。4.
  • 學習HTML5的8種方法，你會幾種？
    學習HTML5的8種方法，你會幾種?下面和千鋒廣州小編一起來看看吧。方法2、類比在學習CSS引入方式這種知識點時，我們採用了另一種學習方法。辨析，或者也可以叫做類比。這種方法主要針對於區分相似的兩種或多種事物。如strong與em，塊元素與行元素，同步與異步。對於此類知識，應多多思考，抓取幾種事物的不同點，結合去記憶。
  • 好的調研方法是什麼?調研的三個方法
    否則再好的創意也解決不了你的問題。洞察力需要不斷思考總結，需要培養多元化思維和逆向思維，提升認知水平。所以，營銷最核心的能力是洞察力。而洞察力一個重要基礎就是來自於生活的積累和對市場和用戶的觀察、調研。毛澤東說過，沒有調查就沒有發言權。
  • 五種常用大數據分析方法
    這些關係可能會導致對數據所代表的總體得出某些推論或結論。結論可能會導致數學模型預測當前不在數據集中的數據結果。但是，在導致決策或行動步驟之前，數據分析無效。　　在一番掙扎之後，中琛魔方給大家總結了網際網路運營的五大數據分析方法，希望幫助大家在數據分析中越來越遊刃有餘～加油！
  • 做農莊迷信市場調研和大數據，多是自欺欺人
    3、調研方法錯誤很多人進行市場調研，喜歡用「二選一」。這個東西你喜歡嗎？這個產品你會接受嗎？——這都是典型的誘導性錯誤。當你問出這個問題的時候，其實跟你去向暗戀的人表白說「你喜不喜歡我」一樣。你的潛臺詞是「我喜歡你，我希望你最好也喜歡我」。這時候，除非用戶特別討厭，一般就會勉強地給你個面子，說「喜歡」！
  • Iphone 8手機殼市場調研
    隨著iPhone 8 手機的上市，iPhone 8手機殼的市場表現如何呢？對此我們進行了專項調研。 B:Indiegogo: 在此網站中有兩款關於iPhone 8手機殼的眾籌，其中一款眾籌成功，這一款眾籌產品包括iPhone 8 還有iPhone6/6s/7手機殼以及三星S8等手機殼，完成率為2780%，眾籌金額為USD2316835，iPhone 8 手機殼套裝的價格為USD44。
  • 以B端系統案例，解析需求調研5個方法
    對產品經理來說，絕大多數工作時間都是圍繞需求展開的——需求分析、需求調研、跟進實現需求等。那麼關於這部分，一般都有哪些落地的調研方法呢？我們又該如何使用這些方法呢？，單從需求調研案例出發，看幾種常用的調研方法。
  • 數據分析實用的4種分析方法
    在日常工作中數據分析主要是為了支持業務，而業務很大程度上是圍繞用戶進行的，因而可以從用戶場景出發來具體選擇數據工具。用戶場景主要分成三大類： 第一類是洞察，要去觀察和找到我們用戶當中的一些特點規律。
  • 定性指標能夠給你帶來什麼?做數據分析必須知道的一點
    數據分析就是你每天SQL的資料庫嗎，還是每天搗鼓的Excel函數？在我的前一篇文章裡寫到，選擇指標時，要定量指標要跟定性指標相結合，才發揮它的作用；作為數據分析師以能在千萬雜亂數據信息中，找到有價值的信息而驕傲。數據量越大，你找到的信息越有價值，你的分析就越具有價值。
  • 混凝土強度檢測方法簡介,你知道幾種?
    新建工程混凝土強度檢測,大家都知道是用混凝土試塊進行檢測。現場施工混凝土試塊有兩種,一種是標養試塊,另一種是同條件試塊,它們發揮的作用不同。標養試塊是用於評定建築工程結構構件是否達到要求,是建築結構工程驗收的主要數據之一,主要用於資料管理(混凝土不出現問題的情況下);同條件試塊是建築結構重要構件混凝土強度評定的依據和混凝土構件拆模的主要依據,主要用於現場施工管理。
  • 數據分析的方法(一)
    至今，數據分析師的行業依然很火熱，但是大部分人還是不清楚數據分析的目的是什麼，分析的步驟、方法都有哪一些。數據分析主要就是為了從海量的數據中提取有用的信息和形成結論，從而對數據加以詳細的研究和概括總結。
  • 【智雲數據】數據分析中常見的6大類分析方法
    3.1時間趨勢分析所謂時間趨勢分析是指將某種現象某一個統計指標在不同時間上的各個數值，按時間先後順序排列而形成的序列。它是一種定量預測方法，亦稱簡單外延方法，在統計學中作為一種常用的預測手段被廣泛應用。例如，記錄了某地區第一個月，第二個月，…，第N個月的降雨量，利用時間趨勢分析方法，可以對未來各月的雨量進行預報。