京公网安备 11010802034615号
经营许可证编号:京B2-20210330
如何用大数据的方法绘制知觉图
统研究时代,知觉图(perceptual map)是一个简洁直观解析品牌定位的经典工具。然而随着大数据时代的降临,传统的数据获取方法受到了不断的冲击,原来使用焦点小组(Focus Group) 或调研问卷获得数据变成了一项费时费力,且耗费成本的工作。
大数据背景下,可不可以有更简单,更快捷的方式获知品牌及其竞争对手的定位?可不可以快速评价品牌定位是否达到目标位置?可不可以全面检验修正品牌传播策略正确与否?
这些问题都值得我们来探讨。
先来说说知觉图的含义:
知觉图是消费者对某一系列产品或品牌的知觉和偏好的形象化表述。目的是尝试将消费者或潜在消费者的感知用直观的、形象化的图像表达出来。特别是用在产品、产品系列、品牌的定位方面,也会用于描述企业与竞争对手的相对位置方面。
知觉图可以是多维的,但通常的情形是二维的。
下图通过两维展示了消费者心目中笔记本电脑品牌在用户导向/标准配置,创意设计/经济实用方面的品牌定位。此例中,消费者认为,苹果品牌代表了创新设计及用户导向的特性。而三星笔记本则代表了经济实用和标准配置。

*非真实数据,仅用于展示
绘制知觉图,涉及到至少6个步骤:
确定研究方向:
作为咨询研究公司,研究方向往往是通过对消费者的研究,获取其对于客户某产品及其竞争对手产品的感觉或偏好。这时我们要选择符合该产品的一系列变量指标以及想要研究的目标品牌。
通常来说, 品牌和变量指标之间存在一个理想的比例关系,即1.3-1.6倍,也就是说如果研究8-10个品牌,大致需要14-15个变量。在传统研究时代,通过问卷获取消费者认知的阶段中,对于品牌的研究一般不超过20个,否则可能导致调查对象的疲倦,最终影响调研结果。而在大数据获取的背景下,数据是本身的获取是相对客观的,并不存在这个问题。这也算是大数据绘制知觉图的优势之一。
获取数据
本次介绍的大数据获取用户感知数据的方式,主要来自电商评论数据的获取。与传统途径相比,它具有采集快速,数据量大的特点。
在HCR最新的研究项目中,仅6个月内关于几大剃须刀品牌的商品评论数据就采集33万条之多,而采集时间却仅用了一天。省去了问卷设计,调研对象邀约,答题,统计等多个环节,最终获取到多于问卷调研对象百倍的原始数据。
当然这种大数据的采集方式,也会存在短板,比如评价不同品牌的个体不相同,个人评论的尺度的不同可能会影响最终的结果。但通过大量级的数据收集,可以将这种误差控制在可控范围内。任何一项研究都可能存在误差,而传统问卷抽样所导致的误差问题可能更明显。
确定产品变量
传统问卷的采集形式中,确定产品维度的工作是在数据采集前完成的,即先确定需要考察的产品属性,之后体现在问卷设计当中向调查对象提问。
在大数据的研究方法中,在数据采集之后,可通过高频属性的方式,提炼出某产品最受关注的一系列属性。例如:物流,服务,促销,价格,外观,功能,质量,体验等。每一项指标分为正面,中性,负面。相当于以往问卷式研究中的1-3分量表,即负面等于1分表示不满意,中性等于2分表示一般,正面等于3分表示满意。
数据处理
计算每一条评价在不同的指标下的分数,汇总后取平均值,得到不同品牌在各项指标下的平均得分。此处以剃须刀为例(非真实数据):
用因子分析中的主成分分析法可以得出每个品牌及每项指标的两维(X,Y)值:
绘图
根据品牌及指标的X,Y值,绘制出知觉图。在绘制知觉图的时候,有一项工作是非常重要的。即坐标轴的命名。此处可根据轴两侧45%角内指标的特性,为X,Y轴命名。例如:X轴负半轴,可根据便携,价格和促销/赠品来命名,比如“经济实用”。如果遇到命名指标数量过少的情况,如Y轴负半轴,则可用正半轴相关指标的反义词来辅助命名。
图表解读:
位置越相近的品牌,说明他们的市场定位越接近。而同属一个象限的品牌,在本质上可以被聚类。例如博朗与松下;奔腾,科美及朗威;飞利浦与飞科。他们彼此形成强烈的竞争关系。对于这些品牌,可以通过知觉图检测品牌定位的正确与否,通过逐渐改变品牌定位的方法,迁移到理想的新位置。
大数据时代的到来,提供了我们更多,更大的数据。获取数据的时间缩短了,成本降低了。但对于传统研究方法的借鉴,仍然是一个值得关注的话题。都说大数据往往缺少深入洞察,但HCR一直致力于将丰富的调研分析经验融入到新时代的背景下,将大小数据融合,不断为客户创造更高价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18