市场研究与spss数据分析PPT学习课件.ppt

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2,#,市场研究与,spss,数据分析,1,2,目录,SPSS,在市场研究中的应用,市场研究概述,市场研究统计分析概述,2,2025/4/29 周二,市场研究概述,统计学,(,Statistics),是关于,数据资料,的 的一门学科,收集,整理,分析,推断,市场,(,营销,),研究,(,Marketing Research),AMA,是营销者通过信息与消费者、顾客和公众联系的一种职能。这些信息用于识别和定义营销问题与机遇，制定、完善和评估营销活动，监测营销绩效，改进对营销过程的理解。,确定解决问题所需的,信息,，设计信息收集方法，管理和实施数据收集过程，分析结果，就研究结论及其意义进行沟通。,市场研究是以统计学为基础，基于信息收集处理与分析，利用,SPSS,等统计学工具进行的相关工作。,3,2025/4/29 周二,市场研究分类,研究内容,支持体,调查方式,分析方法,深广度,定性,研究,动机、态度、决,策,过程,口头表达的信息,深访、座谈会,心理分析,经验,/,灵感,深度探测,定量,研究,事实、意见、行为,数字、尺度,入户面访、街访、电话、信函,统计分析,广度探测，多方面和表面,4,2025/4/29 周二,目录,SPSS,在市场研究中的应用,市场研究概述,市场研究统计分析概述,5,2025/4/29 周二,市场研究数据分析的过程,问卷设计,数据录入和查错,探索性分析,确证,/,结论性分析,高级分析,分析始于这里！确信问卷覆盖你要达成研究目的所需要的全部内容。,巧妇难为无米之炊！设计不严谨、信息不完备的问卷是任何“强有力”统计工具的“毒药”！,大量的交叉表数据，对研究结论进行支持。,对,关键,/,核心题目的数据,进行简要分析，粗略把握研究发现，并生成初步的研究结论,(,可能只是假设,),确信您获得了所需要的,全部数据信息,，并且它们是,准确无误,的。,一方面，结合高级统计技术进行一些深入的数据挖掘和分析；一方面，将数据信息与营销理论结合，形成研究结论并给出建议。,6,2025/4/29 周二,数据分析方法,简单的数据分析,多元统计分析,方法适用性与优势,主要方法列举,集中趋势分析：众数、中位数、均数,交叉表,分析,简单分析变量间关系,相对应用较广，较容易掌握和使用,对数据和使用者的要求较低,相关分析,回归分析,因子分析,聚类分析,对应分析,分析变量间的因果关系、相似度等,多用于预测、用户细分等场景,对数据要求：数据量要足够、数据周期要足够；,对使用者的要求：需要掌握基本的统计学知识和对业务有一定理解；,7,2025/4/29 周二,目录,SPSS,在市场研究中的应用,市场研究概述,市场研究统计分析概述,8,2025/4/29 周二,SPSS,进行市场研究分析的步骤,依据研究目的完成问卷设计-在此过程中注意问卷形式的标准化。,标准化的调研实施过程，以保证收回数据的规范、有效。,对收回问卷中的开放题答案进行编码。,对调研数据在,SPSS,上进行数据录入。,对数据进行机械校验与逻辑校验。,对生成的,SPSS,格式数据文件进行分析处理。,调研：数据收集,SPSS,上的操作,9,2025/4/29 周二,Frequencies,Descriptives,Crosstabs,Means,Bivariate,Correlations,Linear Regression,K-Means cluster Analysis,Correspondence Analysis,Scatterplot,应用一例,SPSS,常用分析统计命令,10,2025/4/29 周二,Frequencies:,一维频数分布表,了解变量的频次分布状况，对数值的数量特征和内部结构状况获得概况的认知，以方便在此基础上对数据进行进一步的归类整理。,Frequencies,的基本应用步骤如下：,选择,Frquencies,选择项，打开相应对话框；,选择需要进行频数分析的变量；,依据需要在,Statistics、Charts,中选定希望输出的统计量与图形；,通过,Format,按钮可设置频数表输出格式；,点击,OK,按钮运行命令；,查看,Output,窗口中输出的统计结果：,Frequency Table,中输出的五列数据自左至右分别为：变量值、各变量值对应的出现频次（,Frequency)、,基于全体样本量的百分比构成（,Percent）、,基于本次计算的有效样本量的百分比构成（,Valid Percent）、,累加百分比（,Cumulative Percent,）。,典型应用：定价策略,11,2025/4/29 周二,Descriptives:,描述统计,利用,Descriptives,可以求得变量的描述统计量以反映数据的集中趋势和离散趋势,。,集中趋势（,Central Tendency）,指标：,众数（,Mode）：,发生率最高的数值；适用于所有的测量水平,中位数（,Median）：,数值排序后正好位于中间位置的数；适用于定序、定距、定比数据,算术平均数或均值（,Mean）:,各数值的简单平均；适用于定距数据与定比数据,离散趋势（,Measures of Dispersion）,指标：,全距或极差（,Range）：,一个定序型变量最大值与最小值的差,上、下四分位数,:,方差（,Variance）：,一个变量所有值与其平均值之差的平方的平均数,标准差（,Standard Deviation）：,方差的平方根,典型应用：一般统计,12,2025/4/29 周二,Crosstabs:,多维频数交叉分析,Crosstabs,多维频数分布交叉表：交叉列表分析过程生成二维和多维交叉表。一个行变量和一个列变量可以形成一个二维交叉表，再指定一个控制变量就形成三维交叉表。如果可以指定多个行、列、控制变量，就会形成一个复杂的多维交叉表。表中的数据可以是数值型或字符型变量。使用交叉表分析过程可以完成分类资料或等级资料的统计描述和各种各样“常规”的统计检验。,Crosstabs,的基本应用步骤如下：,选择,Crosstabs,选择项，打开相应对话框；,自源变量中选择频数表的行变量放入,Row(s),框；选择列变量放入,Column(s),框;,在,Statistics,中选择,Chi-square，,检验行列变量是否独立；,在,Cells,中选择交叉表格中输出的统计量；,点击,OK,按钮运行命令；,查看,Output,窗口中输出的统计结果：,Crosstabulation,为输出的二维频数表。,Pearson Chi-Square,的值显示了行列变量双方独立，如该值小于0.05则说明行列变量相互间独立的假设不成立，即行列变量之间存在关联。注意,Chi-Square Tests,表格下面的注释，如该表国有部分单元格(,Cell),内样本量分布过低，则该,Pearson Chi-Square,系数即使显著（小于0.05），这种行列变量之间的关联性也限于推论至本次分析的样本群体。,典型应用：市场细分,趋势预测,13,2025/4/29 周二,Crosstabs:,多维频数交叉分析,总体,年龄段,人数,高收入细分市场,人数 列百分比 行百分比 指数,down across index,%,中收入细分市场,人数 列百分比 行百分比 指数,down across index,%,低收入细分市场,人数 列百分比 行百分比 指数,down across index,%,18-65,岁,18-24,岁,25-34,岁,35-49,岁,50-65,岁,500,125,150,125,100,150 100 30 100,39 26 31.2 104,66 44 44 147,33 22 26.4 88,12 8 12 40,150 100 30 100,36 24 28.8 96,42 28 28 93,42 28 33.6 112,30 20 30 100,200 100 40 100,50 25 40 100,42 21 28 70,50 25 40 100,58 29 58 145,高收入细分市场该年龄段的列百分比,高收入细分市场某年龄段的剖面指数,=100%,总体市场该年龄段的列百分比,指数,=100%,是等于总体市场,指数,=120%,或以上，则认为显著高于总体水平,指数,=80%,或以下，则认为显著低于总体水平,举例：,18-24岁的高收入人群的行百分比：26%；指18-24岁高收入人群在整体高收入中的比例为26%；,18-24岁的高收入人群的列百分比：31.2%；指18-24岁高收入人群在18-24岁人群中的比例为31.2%,18-24岁的高收入人群的剖面指数：104；,14,2025/4/29 周二,Means:,均值比较,可以按分类变量分组计算指定变量的综合描述统计量。,Means,的应用步骤如下：,选择,Means,选择项，打开相应对话框；,自源变量中选择分组变量放入,Independent,框内;选择目标分析变量放入,Dependent,框内；,在,Options,中选择所要输出的统计量，同时，选择,Anova,检验变量组间是否存在差异；,点击,OK,按钮运行命令；,查看,Output,窗口中输出的统计结果：,Report,表中输出的是所考察变量按分类变量分组后相应的描述统计量；,Anova Table,中,Sig.,显示的是各变量组间差异显著性系数，若小于0.05则表明该变量依该分类变量分组后组间存在显著差异。,典型应用：市场细分,15,2025/4/29 周二,Bivariate Correlations:,相关分析,相关分析用以计算两个变量的相关系数，用来判别两个变量之间的相关性强弱,。,Bivariate Correlations,的应用步骤如下：,选择,Bivariate Correlations,选择项，打开相应对话框；,自源变量中选择要求相关系数的变量放入,Variables,框内;,点击,OK,按钮运行命令；,查看,Output,窗口中输出的统计结果：观察输出结果中,A,变量与,B,变量交叉单元格中的,Pearson Correlation,系数，此数值的绝对值越接近于1，则两变量间的相关性越强。,典型应用：定价策略,16,2025/4/29 周二,Linear Regression:,线性回归,检验一个因变量与一组自变量之间的关系，用以研究某一个变量的影响因素并建立线性回归方程。,Linear Regression,的应用步骤如下：,选择,Linear Regression,选择项，打开相应对话框；,自源变量中选定自变量与因变量放入相应框中;,在,Statistics,中除默认值外加入选择,Collinearity Statistic;,点击,OK,按钮运行命令；,查看,Output,窗口中输出的统计结果：观察,Coefficients,表中,Sig.,值，该值小于0.05的自变量对因变量变化有显著影响，对应观察这些自变量的,Unstandardized Coefficients B,值（回归系数），这一系数的正负显示的是该自变量与因变量关系的方向，该系数绝对值越大表示自变量与因变量的关联性越强。,典型应用：,定价策略,趋势分析,17,2025/4/29 周二,Linear Regression:,线性回归,案例：下表为某城市,1999,年到,2007,年相关经济数据,年份,商品房平均售价（元每平方米）,城镇人均可支配收入（元）,城市人口密度（人每平方公里）,房地产开发投资额（亿元）,1999.00,3422.00,10931.64,1672.00,514.83,2000.00,3565.00,11718.01,1757.00,566.17,2001.00,3866.00,12883.46,1950.00,630.73,2002.00,4134.00,13249.80,1959.00,748.89,2003.00,5118.00,14867.49,1971.00,901.24,2004.00,5855.00,16682.82,1970.00,1175.46,2005.00,6842.00,18645.03,2718.20,1246.86,2006.00,7196.00,20667.91,2774.20,1275.59,2007.00,10320.00,23623.35,2931.00,1307.53,若,2008,年，人均可支配收入达到,27743.55,元，城市人口密度达到,3222.00,人,/,平方公里，房地产开发投资达到,1500.33,亿元，请预测,2008,年该地商品房平均售价。,18,2025/4/29 周二,K-Means cluster Analysis：,快速聚类,依据若干变量的表现特性对研究对象分类。,K-Means cluster Analysis,的应用步骤如下：,选择,K-Means cluster Analysis,选择项，打开相应对话框；,自源变量中将要参与聚类的变量放入,Variables,框中;,将样本标记变量放入查看,Output,窗口中输出,Label Cases,框中;,在,Number of,中定义划分的类别数;,在,Save,中选择,Cluster mumbership(,记录各,case,所属类别号，存放在数据窗口,qcl-n,变量中）、,Distance from cluster center(,记录各,case,与类中心的距离);,在,Options,中除默认设置外，选择,Anova table、Cluster imformation for each；,点击,OK,按钮运行命令,典型应用：市场细分,竞争分析,19,2025/4/29 周二,啤酒名热量钠含量酒精价格,Budweiser 144.00 19.00 4.70.43,Schlitz 181.00 19.00 4.90.43,Ionenbrau 157.00 15.00 4.90.48,Kronensourc 170.00 7.00 5.20.73,Heineken 152.00 11.00 5.00.77,Old-milnaukee145.00 23.00 4.60.26,Aucsberger 175.00 24.00 5.50.40,Strchsbohemi149.00 27.00 4.70.42,Miller-lite 99.00 10.00 4.30.43,Sudeiser-lich113.00 6.00 3.70.44,Coors 140.00 16.00 4.60.44,Coorslicht 102.00 15.00 4.10.46,Michelos 135.00 11.00 4.20.50,Secrs 150.00 19.00 4.70.76,Kkirin 149.00 6.00 5.00.79,Pabst 68.00 15.00 2.30.36,Hamms 136.00 19.00 4.40.43,Heilemans144.00 24.00 4.90.43,Olympia 72.00 6.00 2.90.46,Schlite 97.00 7.00 4.20.47,以啤酒各竞争品牌分类为例,K-Means cluster Analysis：,快速聚类,20,2025/4/29 周二,Correspondence Analysis：,对应分析,依据几个并列的对象（如，几个竞争品牌）在若干特性（如，品牌特性)上的表现值，综合权衡各对象自身内部的特性比较与各对象间的对比状况，找出相对而言各对象的核心特性与边缘特性。,表 品牌形象认知（提及比率%）,品牌特性,品牌,A,品牌,B,品牌,C,科技领先的,47.5,30.8,26.5,不断发展壮大的,50.2,26.7,21.3,值得信赖的,55.7,26.9,20.9,质量可靠的,45.8,26.1,20.6,有社会责任感的,52.8,19.5,15.1,实力雄厚的,50.0,20.2,19.3,把消费者放在第一位的,42.4,23.4,20.7,与众不同的,55.3,29.0,21.7,物有所值的,39.2,17.8,13.8,基于如下数据举例说明：,典型应用：品牌定位,21,2025/4/29 周二,Correspondence Analysis：,对应分析,依据前述数据，构造一个,Spss,数据文件；,其中包含三个变量：变量,A,中数据依次为品牌,A,至,C,在各特性上所获得的提及比率，变量,B,为品牌特性的序号，在此，对应变量,A,的数据排列，变量,B,中的数据为三段1至9的排列，变量,C,为品牌的序号，在此为9个1、9个2、9个3的排列。,依据变量,A,对数据作加权；,选择,Correspondence Analysis,选择项，打开相应对话框；,将变量,A、B,分别移入,Row、Column,框中;,在,Define range,中定义变量,A、B,的范围，在此，分别为1至9与1至3;,点击,OK,按钮运行命令。,22,2025/4/29 周二,Correspondence Analysis：,对应分析,生成如下图形；,红色点表示的是各个品牌特性，绿色点表示的是三个竞争品牌；,与品牌落在同一象限的、相对距离较近的品牌特性是该品牌的核心特性，与某品牌处于对角象限的品牌特性点是与该品牌现有形象差距最大的品牌特性。,23,2025/4/29 周二,Scatterplot,：散点图,基于如下数据,进行,SWOT,分析,：,表 消费者对各产品特性的看重度与某品牌各特性表现的评分,重要性,表现,特性1,4.50,3.98,特性2,3.79,3.87,特性3,3.78,3.81,特性4,3.82,3.53,特性5,3.94,3.63,特性6,4.46,3.71,特性7,4.69,4.02,特性8,4.16,3.72,特性9,4.29,3.74,特性10,4.22,3.70,特性11,4.12,3.59,特性12,4.16,3.75,典型应用：,SWOT,分析,24,2025/4/29 周二,依据前述数据，构造一个,Spss,数据文件；,其中包含三个变量：变量,A,为各品牌特性所获得的重要性评价，变量,B,为某品牌在各特性上获得的表现评价，变量,C,为品牌特性序号；,选择,Scatterplot,选择项，打开相应对话框；,选择,Simple,形式，进行定义；,以,a,变量作为,Y,轴、,b,变量作为,X,轴，,c,变量作为,Label Cases；,在,Options,中选择,Display chart with cases labels;,点击,OK,按钮运行命令；,Output,输出如下图形,：,对此图形进行编辑，求,a,变量的平均值作为,y,轴的参照线，求,b,变量的平均值作为,X,轴的参照线，将此散点图划分为四个象限,；,Scatterplot,：散点图,25,2025/4/29 周二,A,象限为消费者高度重视，某品牌表现较好的品牌特性，是该品牌的机会点；,B,象限为消费者高度重视，该品牌表现不够理想的品牌特性，是该品牌的威胁所在；,D,象限为消费者相对不太重视，该品牌表现较好的品牌特性，是该品牌的优势点；,C,象限为消费者相对不太重视，该品牌表现也不太理想的品牌特性，是该品牌的弱势部分。,Scatterplot,：散点图,A,B,C,D,26,2025/4/29 周二,