联合分析方法对产品属性的应用研究

联合分析方法对产品属性的应用研究

在系统分析联合分析方法一般原理的基础上,通过对闪存盘市场分析,研究了如何运用联合分析方法分析消费者的购买行为,给出了该方法运用步骤、产品属性确定等问题,并通过对闪存盘市场的实际分析得出产品特征效用函数、产品效用值。

标签：联合分析； 产品属性； 效用值

1 联合分析的概念和基础

1.1 联合分析的概念

联合分析是19年由数理心理学家R．Luce和统计学家J．Tukey首先提出的。1971年由P．Green引入市场营销领域，成为描述消费者在多个属性的产品或服务中做出决策的一种重要方法。1978年Carmone, Yen和Jam等人将联合衡量改为联合分析。从20纪80年代起，联合分析在许多领域中得到了广泛的认可和应用，90年代被应用得更加深入，涉及到许多研究领域。

联合分析是通过假定产品具有某些属性，对现实产品进行模拟，然后让消费者根据自己的偏好对这些虚拟产品进行评价，并采用数理统计方法将这些属性与属性水平的效用分离，从而对每一个属性以及属性水平的重要程度做出量化评价的方法。目前，该方法已被广泛应用到新产品概念识别、竞争力分析、价格策略、市场细分、广告研究等方面。

1.2 联合分析的基本思想

联合分析方法的基本思想是，通过提供给消费者以不同的属性水平组合形式的产品，并请消费者做出心理判断，按其意愿程度给产品组合打分、排序，然后采用数理分析方法对每个属性水平赋值，使评价结果与消费者的打分尽量保持一致，来分析研究消费者的选择行为。它可以用于评估消费者的偏好。如果产品特征是由一些属性构成，那么通过联合分析，就可以确定这些属性的哪种组合最受消费者欢迎。

2 联合分析的一般步骤

联合分析的一般步骤如下图所示：

为了更好地说明联合分析方法的实施步骤，本文使用了一个闪存盘的例子来演绎这个过程。在这个例子中，使用的是全轮廓联合分析方法。

2.1 确定产品的属性和属性水平

联合分析首先要对产品或服务的属性进行识别。这些属性必须是显著影响用户购买的突出属性，既不能太多，也不能太少。属性过多会加重消费者负担，或者降低模型预测的精确性；属性过少，又会因模型中丢失了一些关键信息而严重降低模型的预测能力。属性的数目一般为3-6个。

确定了属性之后，还应该确定这些属性的水平，属性与属性水平的个数将决定联合分析过程中要进行估计的参数的个数，也将影响被调查者所要评价的产品轮廓个数。为了减轻被调查者的负担，同时又要保证参数估计的精度，实验需要恰当地安排属性水平的个数。一个属性的各个水平的效用函数可能是连续性的，如价格中的49元、99元和129元；也可能是非连续性的，如品牌中的朗科、金士顿、清华紫光等等。对于连续性的数据来说，

如果选取的属性水平过少，该研究的信度就值得怀疑。但如果属性水平过多，又会增加研究的成本和难度。进一步的研究还表明：各属性所含的水平数目应尽可能平衡，因为一个属性的水平数目增加时，即使起点保持不变，该属性的相对重要性也会提高。

2.2 产品模拟

联合分析将产品的所有属性与属性水平通盘考虑，并采用正交设计的方法将这些属性与属性水平进行组合，生成一系列虚拟产品。在实际应用中，通常每一种虚拟产品被分别描叙在一张卡片上。联合分析的产品模拟主要采用的分析方法是全轮廓法。

由全部属性的某个水平构成的一个组合叫做一个轮廓。每个轮廓分别用一张卡片表示，如下列组合产品(品牌:金士顿;价格:99元;容量:2GB)，像这样的属性水平的轮廓组合就有3*3*3=27种，即消费者要对27种轮廓作评价。其实，并不需要对所有的组合产品进行评价，且在属性水平较多时实施难度也较大。在全轮廓法中，则采用正交设计等方法，以减少组合数，又能反映主效应。

2.3 数据收集

数据收集是联合分析的基础性工作。具体的方法有:全部呈现、正交设计或者是正交加随机呈现等-这要视属性及其水平多少而定。在大多数的联合分析任务中，产品轮廓是描述性的;但也可以将他们制作成图片或实物来呈现以提高实验的效度。

偏好的测量方法也决定了我们输入数据的形式，最主要的测量方法有:排序法(非定量的)和评分法(定量的)。在联合分析方法中，因变量是购买偏好或意愿，即由受访者根据自己的购买偏好或意愿来提供数据，当然，因变量也可是实际购买与选择。

在测试时，要求被访问者回答，选购某种属性水平组合的闪存盘的可能等级，等级分为9等，最高等级为9分，最低等级为1分。

2.4 计算属性的效用

从收集的信息中分离出消费者对每一属性以及属性水平的偏好值，这些偏好值也就是该属性的“效用”。计算属性的模型和方法有很多种，一般地，人们主要用最小二乘法回归模型、洛基回归(LOGIT)模型等方法。

最小二乘回归模型首先需要对所有的属性及属性水平作因子分析或主效用分析设计，确定有多少显著的属性需要消费者进行评价，有多少种属性水平组合，不同的轮廓是按个体还是按集合进行分析:如果是前者，每个个体的数据是要分别分析;如果是后者，应先对消费者分类，一般方法是先按个体估计分值或效用函数，然后根据分值的相似度将消费者分类，再对每类做联合分析，最后形成一个属性水平的清单和估计模型。效用函数的形式为:

根据表4中数据可得出所有属性水平组合的闪存盘效用值。最后整理结果如下:

分值范围之和=［0.778-(-0.556)］+［0.445-(-0.556)］+［1.111-(-1.222)］=4.668

品牌的相对重要性 =1.334/4.668=0.286;

价格的相对重要性 =l.001/4.668=0.214;

内存的相对重要性 =2.333/4.668=0.500。

把變量全部看成是定性量，利用虚拟变量和一般效用函数模型和最小二乘估计，得出

的数据表明:消费者对容量这一属性的偏好是最大的，也就是说，在选择闪存盘时，消费者首先考虑的是容量，其次是品牌，最后是闪存盘的价格。其中(金士顿、99元、4GB)这种闪存盘是消费者最喜欢的。

2.5 评估信度与效度

联合分析的信度一般包括时间信度（在随后的某个时间里用相同的工具重复结合测验），属性信度（当属性变化时，其中不变的属性的分值的稳定性），属性水平信度（得出的分值对于轮廓的子集的敏感性）和数据收集方法信度（分值对于数据类型、数据收集过程、因变量类型的敏感性）。常用的方法有：评价模型的拟合优度（goodness-of-fit），例如，如果采用的是虚拟变量回归，那么可以用R2的值来说明模型对数据的拟合程度；或者用检验一再检验法（test-retest）来评价信度，即在调查后的某一阶段，让消费者重新评价某些选定的产品模拟，然后通过计算两组产品模拟分值之间的相关来评价效度。

联合分析的效度研究一般包括三种方法：比较真实市场份额与通过市场模拟预测的市场份额（群体水平）；预测消费者真实的购买行为，例如，消费者愿意为新产品花多少钱，在模拟的购物实验中消费者会选哪个牌子，或者哪一种商品的折扣券被选择（个体水平）；预测几天后消费者的真实选择（个体水平）。在这些研究中，比较真实市场份额与市场模拟的份额的研究预测效度最高，但将它用于市场预测仍然是有难度的，因为有很多市场混淆变量的存在，诸如广告、分销等。尽管如此，联合分析还是在市场研究中显示了它的威力。

(1)评价估计模型的拟合优度。例如，如果采用的是虚拟变量回归，那么可以用R2

的值来说明模型对数据的拟合程度。一般来说，拟合程度应在0.80以上。如果模型的拟合程度过低，则说明结果是令人怀疑的。上述例子中，模型的拟合度0.934，表明模型的拟

合是良好的。

(2)用估计出来的分值函数作为对产品模拟的评价的预测值。计算该预测值与消费者的实际评估值之间的相关性，用以确定内部效度。在上例中，模型的预测与原始资料的相关分析表明，相关系数为0.95，显著性水平为0.05，表明预测能力好。

(3)如果数据是按集合进行分析的，那么可以将样本分别割成几个部分，再对子样本实施联合分析。比较这些子样本的结果就可以评价联合分析的稳定性。

3 结论

消费者在购买闪存盘这一产品时会受各种属性的影响,如存储速度、系统要求、尺寸、重量、工作环境温度、通过EMC的标准等,由于篇幅的,在上述的调查中只考虑到消费者购买主要属性: 品牌、价格、容量这三个属性,通过联合分析对消费者购买行为的影响因素进行分析,当市场发生变化时, 闪存盘生产企业就可以根据消费者购买产品属性的偏好,生产符合消费者购买心理的产品,为企业的经营决策提供有利决策。

通过上述对闪存盘消费者的调查分析,可以推广到更多的特征,更多的特征水平,而对于更多的受访者,在计算出消费者个人的效用后,通过聚类分析可将消费者划分为不同的消费群体,然后将这些群体最为同质个体处理。

参考文献

［1］菲利普·科特勒.营销管理［M］.北京：中国人民大学出版社，2001.

［2］宇传华.SPSS与统计分析［M］.北京：电子工业出版社，2007.

［3］柯惠新,保罗.费悉诺.市场营销研究中的联合分析法［J］.数理统计与管

理,1994,13(6):56-65.