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
平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 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 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18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导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 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。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 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 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13