Daudzfaktoru metodes uzņēmējdarbībā

Lai tirgus izpētes jautājumi būtu jēgpilni, tiem bieži ir jābūt sarežģītiem, un daudzslāņu un atbildes var atšķirties atkarībā no vairākiem nosacījumiem un faktoriem. Uzņēmēji izmanto daudzfaktoru metodes, lai analizētu patērētāju atbildes, grupējot dažādās patērētāju atbildes uz nozīmīgām informācijas kategorijām vai grupām, lai noteiktu attiecīgās attiecības starp atbildēm un pētāmo produktu vai pakalpojumu.

Datu veidi

Patērētāju atbildes var klasificēt kā neatkarīgas, atkarīgas un savstarpēji atkarīgas. Neatkarīgas atbildes, piemēram, personas vecums vai dzimums, neietekmē citi mainīgie vai apstākļi. Atkarīga atbilde ir atkarīga no kāda cita neatkarīga faktora, piemēram, kā personas priekšroka noteiktai videospēlei ir tieši saistīta ar viņa vecumu. Savstarpēja atkarība ir tāda, kurā nevienu atsevišķu faktoru vai faktoru grupu nevar definēt kā atkarīgu vai neatkarīgu. Personas preferences attiecībā uz datoriem ir daudzslāņu un nav viegli saistītas ar atsevišķiem faktoriem. Tirgus apsekojuma datu analīzē izmantotā daudzfaktoru metode ir atkarīga no faktoriem.

Grupēšanas metodes

Trīs visbiežāk izmantojamās daudzfaktoru metodes, ko izmanto, lai analizētu atkarīgās atbildes, sauc par vairākkārtējas regresijas analīzi, diskriminācijas analīzi un apvienoto analīzi. Trīs visbiežāk izmantotās metodes savstarpēji atkarīgām atbildēm ir klasteru analīze, faktoru analīze un daudzdimensiju mērogošana. Neatkarīgas atbildes var būt katras grupas sastāvdaļas.

Vairāku regresijas analīze

Vairāku regresijas analīze ir visbiežāk izmantotā daudzfaktoru metode. To izmanto kā prognozēšanas rīku, lai analizētu attiecības starp vienu atkarīgu atbildi, piemēram, vai patērētājs dod priekšroku konkrētam produktam, piemēram, saldējuma zīmolam, un divām vai vairākām neatkarīgām atbildēm, piemēram, personas vecumam un ienākumiem.

Diskriminējoša analīze

Diskriminējoša analīze tiek izmantota, lai izveidotu cilvēku klasifikāciju, pamatojoties uz dažādām pazīmēm, piemēram, vai persona ir „ārā” persona vai do-it-yourselfer, un pēc tam noskaidrojiet, kura klasifikācija apsekojamā persona iekļaujas, pamatojoties uz to, kā viņa atbildes saskaņot.

Kopīga analīze

Kopīgā analīze rāda, ka priekšroka dodama produkta īpašību kombinācijai, lai prognozētu individuālās preferences. To bieži dēvē par “kompromisa analīzi”. Piemēram, ja patērētājs norāda, ka viņas prioritātes, pērkot apavus, ir komforts, stils, cena un pieejamība, tirgotājs var secināt, ka komforts un stils ir vissvarīgākie. Bet citi cenu un pieejamības faktori var būt augstāki, ja tiek uzskatīti par kopīgiem, tāpēc cena un pieejamība kopā varētu būt svarīgāka par stilu.

Faktoru analīze

Ja korelēšanai un analīzei ir daudz savstarpēji atkarīgu apsekojumu atbilžu, dati jāsamazina mazākos trīs līdz piecu faktoru kopumos. Piemēram, studējot kādu sieviešu grupu, to īpašības varētu ietvert augstumu, svaru, vaļaspriekus, intereses un aktivitātes. Faktoru analīze samazinātu piecas īpašības divās daļās: lielums, apvienojot augstumu un svaru un dzīvesveidu, apvienojot hobijus, intereses un aktivitātes.

Klasteru analīze un daudzdimensiju mērogošana

Klasteru analīze arī samazina lielu iedzīvotāju skaitu nelielā skaitā savstarpēji izslēdzošu grupu, pamatojoties uz līdzīgām īpašībām. Piemēri varētu būt „baby boomers”, “geeks” vai “yuppies”. Daudzdimensiju mērogošana kartē patērētāju atbildes uz grafiku pēc līdzības, lai dažādas atbildes var analizēt, pamatojoties uz to tuvumu citām atbildēm.