Paano Gamitin ang Mga Key Driver upang Pag-aralan ang Survey Data

Ang data ng survey ay nagtataguyod mismo sa isang proseso na kilala bilang pangunahing pagsusuri sa pagmamaneho. Ang pagtukoy at pag-aaral ng mga key driver ay maaaring makatulong sa mga marketer at mga advertiser na makahanap ng mga sagot sa mga tanong tulad ng: Ano ang nag-mamaneho sa aking customer na lumipat sa isa pang tatak? Ano ang nakakatulong sa hilig ng isang consumer na bilhin ang aking produkto? Aling grupo ng mga mamimili ay mas nasiyahan sa aming mga serbisyo?

Tulad ng sa anumang pananaliksik, ang unang hakbang ay ang pagtukoy ng mga tanong na ang survey ay dinisenyo upang sagutin. Dapat tiyakin ng nagmemerkado kung ang layunin ng pananaliksik ay predictive, paliwanag o mapaglarawang (bihirang para sa isang survey). Paano kung mahalaga ang dalawang uri ng mga layunin?

Pinagkakahirapan: Karaniwan

Kinakailangang Oras: Isang Linggo

Narito Paano:

Lahat ng Tungkol sa Relasyon

Ang isang malawak na hanay ng mga dependent at independiyenteng mga variable ay maaaring pag-aralan sa pamamagitan ng pangunahing pagsusuri sa pagmamaneho at, kadalasan, ang pagtatasa ay nakadirekta sa isa o higit pang mga dependent variable at maraming mga malayang variable. Ito ay ang makabuluhang epekto ng istatistika ng malayang variable sa dependent variable na ang pokus ng pananaliksik. Sa isang banda, mayroong isang estratehikong katangian (tulad ng market share) ng interes sa client. Sa kabilang banda, mayroong isang hanay ng mga tagapagpahiwatig ng pagganap o mapaglarawang mga katangian na pinaniniwalaan na may kaugnayan sa estratehikong katangian sa ilang mga paraan.

"Bakit?"

Ang may-katuturang mga variable na napili at ang analytical na paraan na pinili para sa pangunahing pagsusuri sa pagmamaneho ay higit sa lahat isang function ng layunin ng pananaliksik: paliwanag, hula, paglalarawan.

Kung ang isang paliwanag ay ang layunin, ang mga malayang mga variable na napili ay pinaniniwalaan na impluwensyahan ang pagkakaiba-iba na sinusunod sa dependent variable. Ang mga independyenteng variable ay dapat na aksable, masyadong. Halimbawa, ang pangkalahatang kasiyahan sa serbisyo sa customer (ang dependent variable) ay malamang na nauugnay sa paghihintay ng oras, pagiging simple ng pagbalik, at patakaran sa pag-refund (lahat ng mga malayang variable at tumutugon sa pagbabago, o aksyon).

"Paano kung?"

Kung ang prediksyon ay ang layuning pananaliksik, hinahanap ang mga malayang variable na nagpapakita ng pangako para sa panghuhula ng kinalabasan. Sa pagkakataong ito, ang mga independyenteng variable ay hindi kailangang maaksyunan. Ang layunin ng predictive na pananaliksik ay hindi upang baguhin ang dependent variable, ngunit upang mahulaan ang isang bagay tungkol dito. Halimbawa, ang pangunahing pag-aaral ng pagmamaneho ay maaaring idisenyo upang mahulaan ang recidivism pagkatapos makilahok sa isang programa sa pag-iwas sa paninigarilyo, ngunit maaaring suriin din ng mga mananaliksik ang iba't ibang hanay ng mga malayang variable na pinaniniwalaan na mapabuti ang rate ng tagumpay ng kanilang programa sa pagtigil sa paninigarilyo.

Ito ay Friendly Survey

Ang mga katangian ng tatak ay kadalasang nahulog sa isa sa tatlong kategorya: Kasiyahan, kasunduan, o rating ng pagganap. Maaaring magamit ang iba't ibang mga antas upang i-record ang mga rating ng survey respondent o pagraranggo ng mga katangian sa mga kategoryang ito. Ang pinakakaraniwang sukat ng rating ay ang Likert, na madaling inilapat sa mga pahayag ng kasiyahan at kasunduan. Kapag tumutugon ang mga sumasagot sa survey ng maraming mga katangian ng isang produkto o serbisyo o mga katangian sa iba't ibang mga tatak, maaari nilang suriin ang isang kahon para sa "oo," na may natapos na data na naka-code 1/0.

Ang binary data na ito ay madaling ma-convert para sa mga layunin ng statistical analysis.

Iba't ibang Mga Segment sa Market

Ang pananaliksik sa pag-segment ng merkado ay nagpapahiwatig na ang iba't ibang mahahalagang driver ay maaaring mahalaga sa iba't ibang mga merkado at ang ilang mahahalagang driver ay maaaring mahalaga sa lahat ng mga segment ng merkado. Ang pangunahing pagsusuri sa pagmamaneho ay maaaring gawing simple ang disenyo ng survey dahil ang isang katangian ay maaaring itanong nang isang beses sa isang survey, ngunit ang nanggagaling na data ay maaaring ma-filter sa iba't ibang "pagbawas" o mga tranches na sumasalamin sa mga hiwalay na mga grupo ng mamimili. Halimbawa, ang mga pagbawas ay maaaring sumalamin sa mga demograpiko, edad, kasarian, katayuan sa socioeconomic, kita, o mga antas ng edukasyon na nakamit.

Mga Pangunahing Kahulugan

Ang iba't ibang analytical techniques ay maaaring gamitin upang magsagawa ng isang pangunahing pagsusuri sa pagmamaneho. Ang ilang mga dependent variable ay walang katiyakan, hindi naka-scale, at sa gayon ay hindi ma-aralan ng linear regression. Sa halip, ang linear discriminant analysis o logistic regression ay ginagamit. Ang mga variable ng kategoryang maaaring magamit sa mga survey na may parehong mga predictive at mga layunin ng paliwanag. Ang mga kasiyahan ng customer o mga survey ng katapatan ay kadalasang gumagamit ng mga katagang halaga na nagpapahiwatig, halimbawa, ang kalagayan ng relasyon ng customer (aktibo / di-aktibo).

Linearity - Isang Higit pang mga bagay upang Isaalang-alang

Ang isang pangunahing driver ay isang katangian na may makabuluhang istatistika na relasyon sa isang ninanais na kinalabasan o estratehikong katangian. Ang malayang variable ay itinuturing na linear kung ito ay may tuwid na linya na relasyon sa dependent variable. Ang isang halimbawa ay ang presyo ng pagkalastiko - dahil ang presyo ng mga pagbabago sa produkto, isang linear na pattern ng dami ng benta ay nangyayari bilang tugon sa mga pagbabagong ito. Maliban kung ang isang mataas na antas ng predictive validity ay kinakailangan, sa isang mahusay na dinisenyo pag-aaral, linear na data ay maaaring patas na kumakatawan sa hindi-linear na data, nang hindi na resort sa mas advanced na mga diskarte.

Mga Application Software

Maraming mga pakete ng software ang idinisenyo upang isakatuparan ang mga pang-istatistikang proseso na kinakailangan para sa pangunahing pagsusuri ng pagmamaneho. Ang magazine ng Quirk ay nag-publish ng mga review ng software.

Ang dalawang nakalista dito ay sumasaklaw sa hanay ng magagamit na mga opsyon mula sa mga pinakasimulang application na idinisenyo upang magtrabaho bilang Microsoft Excel Add-in sa mga komprehensibong platform tulad ng SPSS.

Ang ALLSTAT ay isang murang pagsusuri ng data at istatistikang solusyon para sa Microsoft Excel.

Ang SPSS ay ang pamantayan, at ito ay sumailalim sa maraming pagbabago - isa sa kung saan ang IBM SSPS Direct Marketing module ay tila partikular na gumagana para sa mga mananaliksik sa merkado.

Mga benepisyo

Dahil ang pangunahing pagsusuri ng pagmamaneho ay mahusay at nasusukat, nakakatulong ito upang mapanatili ang mga hangganan ng badyet at mapagkukunan ng disenyo at pagtatasa ng survey. Ang mga umiiral na driver ng tatak - sabihin, na pamilyar sa mga kliyente na taun-taon na kumuha ng isang survey - ay magagamit sa loob ng mga umiiral na framework framework; Ang mga survey na nagpapatupad ng pangunahing pagsusuri sa pagmamaneho ay hindi kailangang mas mahaba o mas kumplikado. Ang mga questionnaire na nakaharap sa mga kliyente ay hindi kailangang magbago nang kapansin-pansin upang mapagtibay ang pangunahing pagsusuri ng pagmamaneho. Ang isang kuwento na gumagamit ng pangunahing pagsusuri ng pagmamaneho ay maliwanag at lends mismo sa isang visual na display ng data para sa pagtatanghal.

Sanggunian

Ang Repasuhin ng Pananaliksik sa Pag-aaral ng Quirk ay nag-publish ng mga artikulo sa isang malawak na hanay ng mga paksa sa pananaliksik ng merkado. Ang kanilang serye sa Paggamit ng Data at Mga Diskarte sa Pananaliksik at Mga Trend ay partikular na kapaki-pakinabang para sa mga mananaliksik na interesado sa mga mani at bolts ng pananaliksik sa pananaliksik.

Pinagmulan

• Artikulo ng Quirk # 20010104 - Isang Survey ng Mga Paraan ng Pagsusuri ni Rajan Sambandam (ng Response Center sa Fort Washington, PA)
• Artikulo ng Quirk # 20010297 - > Key Driver Analysis ni Micheal Lieberman (ng Multivariate Solutions, New York