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
【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-07-07【核心关键词】转化率、企业、策略、岗位、互联网、拆分、产品、运营、分析师、指标体系、数据分析、用户画像、数据诊断、产品 ...
2026-07-06在数据分析工作中,文本数据处理是高频刚需场景,用户评论、客服工单、日志信息、调研问卷、商品文案等数据都包含大量文本内容。 ...
2026-07-06 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-07-06在 CDA 数据分析师能力体系中,透视分析是数据探索、多维度汇总、业务复盘的核心基础技能。无论是 Excel 数据透视表,还是 Power ...
2026-07-03在市场竞争日趋激烈、获客成本持续攀升的当下,企业粗放式的“广撒网”获客模式早已无法适配经营需求。企业经营的核心逻辑,已经 ...
2026-07-03 很多数据分析师精通Excel函数和数据透视表,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 ...
2026-07-03【核心关键词】运营、企业、核心、客户、新技术、数字化运营、数据分析、传统企业、人工录入、生产系统、技术人员、数据安全、 ...
2026-07-02在产品开发、项目立项、业务拓展、运营优化的工作中,市场调查、竞品分析、需求调研是三大核心基础工作。很多从业者容易将三者混 ...
2026-07-02