企業(yè)研究論文-聯(lián)合分析方法對(duì)產(chǎn)品屬性的應(yīng)用研究.doc_第1頁
企業(yè)研究論文-聯(lián)合分析方法對(duì)產(chǎn)品屬性的應(yīng)用研究.doc_第2頁
企業(yè)研究論文-聯(lián)合分析方法對(duì)產(chǎn)品屬性的應(yīng)用研究.doc_第3頁
企業(yè)研究論文-聯(lián)合分析方法對(duì)產(chǎn)品屬性的應(yīng)用研究.doc_第4頁
企業(yè)研究論文-聯(lián)合分析方法對(duì)產(chǎn)品屬性的應(yīng)用研究.doc_第5頁
已閱讀5頁,還剩2頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

企業(yè)研究論文-聯(lián)合分析方法對(duì)產(chǎn)品屬性的應(yīng)用研究摘要: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(duì)閃存盤市場(chǎng)分析,研究了如何運(yùn)用聯(lián)合分析方法分析消費(fèi)者的購買行為,給出了該方法運(yùn)用步驟、產(chǎn)品屬性確定等問題,并通過對(duì)閃存盤市場(chǎng)的實(shí)際分析得出產(chǎn)品特征效用函數(shù)、產(chǎn)關(guān)鍵詞:聯(lián)合分析;產(chǎn)品屬性;11.1聯(lián)合分析是1964年由數(shù)理心理學(xué)家RLuce和統(tǒng)計(jì)學(xué)家JTukey首先提出的。1971年由PGreen引入市場(chǎng)營銷領(lǐng)域,成為描述消費(fèi)者在多個(gè)屬性的產(chǎn)品或服務(wù)中做出決策的一種重要方法。1978年Carmone,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聯(lián)合分析是通過假定產(chǎn)品具有某些屬性,對(duì)現(xiàn)實(shí)產(chǎn)品進(jìn)行模擬,然后讓消費(fèi)者根據(jù)自己的偏好對(duì)這些虛擬產(chǎn)品進(jìn)行評(píng)價(jià),并采用數(shù)理統(tǒng)計(jì)方法將這些屬性與屬性水平的效用分離,從而對(duì)每一個(gè)屬性以及屬性水平的重要程度做出量化評(píng)價(jià)的方法。目前,該方法已被廣泛應(yīng)用到新產(chǎn)品概念識(shí)別、競爭力分析、價(jià)格策略、1.2聯(lián)合分析方法的基本思想是,通過提供給消費(fèi)者以不同的屬性水平組合形式的產(chǎn)品,并請(qǐng)消費(fèi)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(duì)每個(gè)屬性水平賦值,使評(píng)價(jià)結(jié)果與消費(fèi)者的打分盡量保持一致,來分析研究消費(fèi)者的選擇行為。它可以用于評(píng)估消費(fèi)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2為了更好地說明聯(lián)合分析方法的實(shí)施步驟,本文使用了一個(gè)閃存盤的例子來2.1聯(lián)合分析首先要對(duì)產(chǎn)品或服務(wù)的屬性進(jìn)行識(shí)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(huì)加重消費(fèi)者負(fù)擔(dān),或者降低模型預(yù)測(cè)的精確性;屬性過少,又會(huì)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(cè)能力。屬性的數(shù)目一般為3-6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(gè)數(shù)將決定聯(lián)合分析過程中要進(jìn)行估計(jì)的參數(shù)的個(gè)數(shù),也將影響被調(diào)查者所要評(píng)價(jià)的產(chǎn)品輪廓個(gè)數(shù)。為了減輕被調(diào)查者的負(fù)擔(dān),同時(shí)又要保證參數(shù)估計(jì)的精度,實(shí)驗(yàn)需要恰當(dāng)?shù)匕才艑傩运降膫€(gè)數(shù)。一個(gè)屬性的各個(gè)水平的效用函數(shù)可能是連續(xù)性的,如價(jià)格中的49元、99元和129元;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(duì)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(huì)增加研究的成本和難度。進(jìn)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?yàn)橐粋€(gè)屬性的水平數(shù)2.2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(jì)的方法將這些屬性與屬性水平進(jìn)行組合,生成一系列虛擬產(chǎn)品。在實(shí)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由全部屬性的某個(gè)水平構(gòu)成的一個(gè)組合叫做一個(gè)輪廓。每個(gè)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(jià)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(fèi)者要對(duì)27種輪廓作評(píng)價(jià)。其實(shí),并不需要對(duì)所有的組合產(chǎn)品進(jìn)行評(píng)價(jià),且在屬性水平較多時(shí)實(shí)施難度也較大。在全2.3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(jì)或者是正交加隨機(jī)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(shí)偏好的測(cè)量方法也決定了我們輸入數(shù)據(jù)的形式,最主要的測(cè)量方法有:排序法(非定量的)和評(píng)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(shí)際購在測(cè)試時(shí),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(jí),等級(jí)分為9等,最高等級(jí)為9分,最低等級(jí)為12.4從收集的信息中分離出消費(fèi)者對(duì)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(jì)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(LOGIT)最小二乘回歸模型首先需要對(duì)所有的屬性及屬性水平作因子分析或主效用分析設(shè)計(jì),確定有多少顯著的屬性需要消費(fèi)者進(jìn)行評(píng)價(jià),有多少種屬性水平組合,不同的輪廓是按個(gè)體還是按集合進(jìn)行分析:如果是前者,每個(gè)個(gè)體的數(shù)據(jù)是要分別分析;如果是后者,應(yīng)先對(duì)消費(fèi)者分類,一般方法是先按個(gè)體估計(jì)分值或效用函數(shù),然后根據(jù)分值的相似度將消費(fèi)者分類,再對(duì)每類做聯(lián)合分析,最后形成一個(gè)屬性水平的清單和估計(jì)模型。效用函數(shù)的形式為: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(duì)重要性=1.334/4.668=0.286;價(jià)格的相對(duì)重要性=l.001/4.668=0.214;內(nèi)存的相對(duì)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用函數(shù)模型和最小二乘估計(jì),得出的數(shù)據(jù)表明:消費(fèi)者對(duì)容量這一屬性的偏好是最大的,也就是說,在選擇閃存盤時(shí),消費(fèi)者首先考慮的是容量,其次是品牌,最后是閃存盤的價(jià)格。其中(金士頓、99元、4GB)2.5聯(lián)合分析的信度一般包括時(shí)間信度(在隨后的某個(gè)時(shí)間里用相同的工具重復(fù)結(jié)合測(cè)驗(yàn)),屬性信度(當(dāng)屬性變化時(shí),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(duì)于輪廓的子集的敏感性)和數(shù)據(jù)收集方法信度(分值對(duì)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(píng)價(jià)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的值來說明模型對(duì)數(shù)據(jù)的擬合程度;或者用檢驗(yàn)一再檢驗(yàn)法(test-retest)來評(píng)價(jià)信度,即在調(diào)查后的某一階段,讓消費(fèi)者重新評(píng)價(jià)某些聯(lián)合分析的效度研究一般包括三種方法:比較真實(shí)市場(chǎng)份額與通過市場(chǎng)模擬預(yù)測(cè)的市場(chǎng)份額(群體水平);預(yù)測(cè)消費(fèi)者真實(shí)的購買行為,例如,消費(fèi)者愿意為新產(chǎn)品花多少錢,在模擬的購物實(shí)驗(yàn)中消費(fèi)者會(huì)選哪個(gè)牌子,或者哪一種商品的折扣券被選擇

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論