
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
在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15