JMP Background

使用JMP®进行消费者和市场研究

如今,市场营销复杂而多变,而迅速发展的数字技术则是其快速变化的重要因素。市场营销的核心业务问题始终存在,例如:寻找最佳的盈利增长机会、开发最佳的产品和服务、采用最佳的营销措施以及最大程度地实现交叉业务的影响。

除了保持对现有客户和潜在客户的持续重视,以数据驱动决策也势在必行。在寻找客户并为其提供满意的服务的各个方面,无论是新产品或服务,还是市场定位、品牌推广、广告、市场细分和促销,数据都是不可或缺的。随着数字革命的到来,尽管企业与消费者之间的动态交互有望发生积极的改变,但是只有充分利用新数据更深入地了解特定消费群体的真正需求,并以最佳的方式满足他们的需求,甚至转变他们的需求,才会实现这种可能。

无论是使用原始资料还是二手资料进行探索性、描述性或因果性研究,JMP都能提供一套完整的工具箱,帮助企业迅速而便捷地通过量度型和非量度型定量数据创造价值。

通常,这一过程会涉及很多变量。相互依赖性技术以相同的方式处理所有变量,而相依性技术的目标则是确定变量组之间的关系,通常是输入(X)与输出、结果或项目(Y)之间的关系。

JMP的敏捷性和交互性使其成为特定研究的理想工具,但是在桌面应用的范围内,其可编程性也同样适用于提高常规分析的效率和推动现有分析的进展。

无论您统计知识的专业性如何,JMP都能帮助您更深入地理解数据,更迅速地获得针对消费者的全新见解,并就这些见解与其他相关人员展开共同探讨,最终达成一致并采取相应的措施。

探索性研究

通常,通过结合访谈研究、典型群体研究、观察性研究和人类学研究,可以明确和细化与消费者相关的模糊不清的问题和机会。探索性研究也用于规划假设和制定衡量标准。经常遇到的情况是,原始数据不足,而二手数据又过多。

JMP为处理原始资料提供多种选择,其中包括“制表”、“图形生成器”和“分类”平台。您可以通过分组变量交互式地定义汇总统计量的表格,并生成多种类型的图表,包括地理图形。您可对各种格式的数据进行处理,了解和分析调查中分类响应的模式。如果有零散数据,则可通过定义“超类别”整合数据中含有的类别,从而增加各个类别的计数值,让结果更为可靠。如果您拥有回答者指定“是/否”值的一组项目,那么“项目分析”可提供替代的方法。JMP Pro提供精确和渐近检验,为特定关联的真实性提供更可靠的指示。文本浏览器能够从文档正文中提取可能有用的模式,每种模式可能很简单(例如,对调查问题的自由文本回复),也可能很复杂(例如,负责对某个设备进行计划维护的技术人员的反馈)。

所有这些分析方法也都可用于二手数据,但可能难以见效,因为收集二手数据是为了满足不同的目标。JMP的导入向导支持多种文件类型,其中包括SPSS
Desktop Reporter。也可直接从嵌入网页的HTML表导入数据,或者使用查询生成器轻松访问关系数据。

JMP的统计发现工作流非常适合不明确数据内容和不清楚数据是否能帮助您达成目标的情况。“缺失数据模式”功能可让您迅速分离出可能有价值的数据。JMP中的动态链接图表让您可以迅速查看数据中任何感兴趣的结构,剥离不寻常的情况,并进行相应处理。如需建立关系模型,“评价设计”可展示数据实际支持的模型,并评估所涉及的每个效应项的功效。

如果您的数据表中列数很多、十分混乱并且有不少离群值,“响应筛选”或“分割”依然可以让您获得一些有用的见解:哪个X变量可帮助说明所选Y值的变化。

描述性研究

描述性调研通常以之前的考察为基础,用于对市场、细分市场、竞争对手和消费者进行描述。描述性研究用于衡量约定框架内的绩效,通常采用不间断的方式。

大多数消费者研究数据都有许多列,因此会运用探究相关性和关联性的多元技术以更少的维度描述变异的规律。理想情况下(但并非总是如此),生成的重要新变量能够直接解释结果,这些数据还可以揭示明显而详实的模式。

JMP提供主成分与因子分析,但如果结果难以解释,仍然可以通过对原始变量进行聚类并确定每个类别中最具代表性的变量来进行降维。当需要构建相互依赖性模型时,这种方法比较有用。感知图可帮助您对由交叉制表而形成的分类数据进行对应分析或多重对应分析,从而确定相对于竞争者的产品定位。您还可使用多维尺度同时对多个特性和多个品牌进行制图,这通常会更有助于理解消费者的认知和市场。

要将案例细分为不同的组,JMP可使用带有相似性度量选项的分层或K均值算法;在分层情况中,可直接在树状图中选择要保留的聚类。JMP还提供潜在分类分析作为实现类似目标的备选方法。

您可使用判别分析(通常作为名义型Logistic回归的替代方法)来识别能够区分不同组别的最佳变量。

JMP还可让您使用“以X拟合Y”来构建简单的相依性模型,它会自动对应变量在您分配X和Y角色时确定下来的建模类型,从而统一了许多常用的方法,例如ANOVA和列联分析。上下文特定的选项可指导您通过可视化的结果逐步完成后续分析。

借助逐步回归选择重要的变量,您可拟合更为复杂的相依性模型。JMP Pro是JMP的高级分析版本,它包括现代变量选择技术,可帮助构建简化的模型。无论数据是否平衡,都可以通过残差最大似然法来确保可靠的估算。

尽管系数估算很有用,但展示Y和X之间的相依性通常更为有用,特别是在需要查看竞争模型或就发现结果与他人沟通以达成一致时,更是如此。刻画器可让您以可视化的方式一如既往地与模型互动,而不用考虑使用何种建模方法。它还包括了使用蒙特卡罗模拟器来评估在现实世界中,X变异是如何传播成为Y变异的。

最后,对于销售数据,可使用关联分析(又称为购物篮分析)找出顾客经常一同购买的物品。

因果性研究

确定原因需要理论说明、统计关系、正确的时序以及对其他无关X的充分控制。

以统计方式设计的实验是因果性研究中的有效手段,根据特定计划操控X变量,从而引导Y变量的变异。对于任何实验而言,计划都会对后续的分析产生很大影响,而JMP提供一整套功能来实现所有实验目标。实现的方式非常简单易学,无论是在可靠地确定两种处理方式之间的任何差异,还是在综合性地优化受多个X变量影响的几个Y变量(实际上其中的某些X变量很难改变或几乎不会变化)。

除了常规的传统设计,JMP还提供一种创新型的定制设计器,它会让设计来适合问题,而不是改变问题来迎合设计。此外,JMP独有的全新确定性筛选设计在需要使用序贯方法解决问题时优势明显。

JMP还可让您生成设计,为消费者提供产品或服务特性之间的简单选择,包括“无偏好”,使他们可以更为明确地表明自己的偏好。这种选择实验需要陈述先验知识以生成有效的设计。将成本作为因子并尽早对建议的产品或服务执行该实验会有很多优势。

除了选择实验之外,JMP还用于设计并分析评定和排名的联合实验。定制设计器支持涉及基于Likert尺度的消费者评定的设计,并且在您要求响应者区分品牌或产品功能时,可使用排名,或者仅关注选择集中“最佳”和“最差”选项的最大偏差设计。

将因子设置为难改变或极难改变,可让您生成每个响应者完成多项任务的排名设计。这样可实现更好的覆盖率,同时通过最小化每个响应者看到的问题数量来防止他们感到疲乏。通过在JMP生成的定制设计中定义不被允许的组合,可以帮您去除无意义的问题。您还可使用分层贝叶斯方法清晰地对响应者之间的差异进行建模。

感知性研究

它的目的是了解人类的感官如何影响消费和使用产品的整体体验。感知专家组由经过专门培训的专家组成,他们会提供非常详细的反馈,通常用于开发新产品以及在发生产品更新时保障现有产品的质量。消费者口味专家组与之相似,但是通常严格程度相对较低,更多地是为了解市场可接受性提供帮助。尽管每一组都很重要,但针对某个特定产品类别,成功地将感知专家组结果和消费者专家组结果联系起来将会发挥更大作用。

无论您偏爱的分析工作流是什么,JMP都可提供您所需要的图形和统计工具,确保评估者生成的排名和评定可靠,然后检查您的感知或消费者专家组是否真的允许您可以客观、定量地差异化不同的产品。通常会使用包含随机效应的方差分析和/或回归,并用主成分分析作补充。使用偏最小二乘也可让您创建消费者和感知结果之间的模型。

一旦明确了方法,您就可以方便地构建应用程序,帮助您和他人在将来重复分析,简化审核,或者展现关键发现结果。这些应用程序可包含适度的自动化、指南和解释,处理不同情况和数据的细微差别。

预测行为

使用常常已经具备观测数据,通过X来预测Y。如果无法建立因果关系,但只要结果值得信赖,那么消费者未来行为的预测仍然有很大的价值。例如,良好的预测可帮助您吸引有盈利潜力的新消费者,或者准确定位并挽回将要流失的客户。

JMP和JMP Pro(尤其是JMP Pro)都与数据挖掘领域相关联,可以让您迅速而方便地构建并比较基于神经网络和树的模型,发现可重复的、而不是偶然的消费者行为。您也可在同一范畴内基于回归和偏最小二乘的模型,避免过拟的缺陷。

此外,JMP Pro提供提升建模,帮助您更有好地管理那些仅有的对市场活动做出反应的消费者,因为他们就是目标消费者。您也可对个人响应和措施或处理的递增影响建模,从而了解您的措施或处理是否具有预期的效果。

JMP的公式存储提供了一种比较和对比竞争模型性能的便捷方法。一旦选出胜出者后,还可以生成C、Python、JavaScript和SAS代码,它们能够部署至其他环境以对新案例评分。

JMP通常被认为只是为高级从业者服务的,其实它是以一致、易用的方式向所有研究人员提供这些技术,而且不需要担心底层算法的作用会被淡化。

Back to Top