Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Speaker Deck
PRO
Sign in
Sign up for free
TokyoR#06 ブランド・ポジショニングの分析
bob3bob3
January 12, 2022
Programming
0
31
TokyoR#06 ブランド・ポジショニングの分析
R言語による知覚マップ(因子分析、コレスポンデンス分析、多次元尺度法(MDS)など)を用いたブランド・ポジショニングの分析。
2010年8月。
bob3bob3
January 12, 2022
Tweet
Share
More Decks by bob3bob3
See All by bob3bob3
Tokyo.Rも100回目なので、 そろそろPythonと仲良くしたい
bob3bob3
0
770
UXリサーチの誕生
bob3bob3
0
320
Tokoy.R #99 パーマーステーションのペンギンたち #1
bob3bob3
1
580
Tokyo.R RStudioでグラフをちょっときれいに出力する - CairoとAGG -
bob3bob3
0
690
Tokyo.R #98 Rを学ぶのは難しい
bob3bob3
3
2.7k
Tokyo.R コレスポンデンス分析の正しい使い方
bob3bob3
1
1.2k
TokyoWebmining#05 RでTwitterのソーシャルグラフっぽいものを描いてみる
bob3bob3
0
35
tokyor06_sem.pdf
bob3bob3
0
22
TokyoR#07 共分散構造分析
bob3bob3
0
32
Other Decks in Programming
See All in Programming
How GitHub Supports Vim License Detection, The Five Years Journey
othree
1
330
SwiftUIで「意図」を伝える / swiftui_intention
uhooi
2
140
How to Test Your Compose UI (Droidcon Berlin 2022)
stewemetal
1
130
NestJS_meetup_atamaplus
atamaplus
0
200
アジャイルで不確実性に向き合うための開発タスクの切り方
tanden
4
1.1k
大規模プロダクトにLinterを導入し運用している話
hirokiotsuka
0
300
「困りごと」から始める個人開発
ikumatadokoro
4
240
ベストプラクティス・ドリフト
sssssssssssshhhhhhhhhh
1
200
このタイミングで知っておきたい 開発生産性の高いエンジニア組織の特徴とは / dev-sumi-20220721-productivity-features
findyinc
7
2.6k
SwiftUI+TCAに挑戦!NewsPicks iOSアプリのリアーキテクチャ/re-architecture-newspicks-ios-app-with-swiftui-and-tca
takehilo
0
370
Windows コンテナ Dojo 第5回 OpenShift で学ぶ Kubernetes 入門
oniak3ibm
PRO
0
130
Now in Android Overview
aosa4054
0
370
Featured
See All Featured
Rebuilding a faster, lazier Slack
samanthasiow
62
7.3k
How GitHub Uses GitHub to Build GitHub
holman
465
280k
Cheating the UX When There Is Nothing More to Optimize - PixelPioneers
stephaniewalter
269
12k
Making Projects Easy
brettharned
98
4.4k
ParisWeb 2013: Learning to Love: Crash Course in Emotional UX Design
dotmariusz
100
5.9k
Six Lessons from altMBA
skipperchong
14
1.4k
Intergalactic Javascript Robots from Outer Space
tanoku
260
25k
WebSockets: Embracing the real-time Web
robhawkes
57
5.5k
Making the Leap to Tech Lead
cromwellryan
113
7.4k
The Straight Up "How To Draw Better" Workshop
denniskardys
225
120k
10 Git Anti Patterns You Should be Aware of
lemiorhan
638
52k
What's in a price? How to price your products and services
michaelherold
229
9.4k
Transcript
「ブランド・ポジショニングの分析」 Bob#3 ( @bob3bob3 ) Tokyo.R#8 2010 年 8 月
28 日
自己紹介 ✔ hatena:bob3 ✔ twitter:@bob3bob3 ✔ マーケティングリサーチャー ✔ 文系 ✔
歌えません。 ✔ 踊れません。 ✔ 好きな音楽 ✔ プログレッシブ・ロック ✔ フォークトロニカ
ブランド・ポジショニングとは? • STP 戦略 • セグメンテーション、ターゲティング、ポジショニング • 消費者の認識に基づくブランドや製品の相対的な位置付け • 競合ブランドと十分に差別化された独自の位置を確立できている
か? • 自社の他ブランドと重なっていないか?(カニバってないか?) • ポジショニングの切り口の例 • ブランド・パーソナリティ • 男性向け?女性向け? • 若年層向け?中年層向け? • 大衆志向?高級志向? • ベネフィット(機能的便益、情緒的便益、自己表現的便益)
ポジショニングの測定 • 消費者調査によって消費者の認識を確認 • 定性調査で消費者の評価基準を探索 • パーソナルインタビュー、グループインタビュー • レパートリーグリッド法 •
定量調査でポジショニングを確認 • アンケート調査 • 定量調査の結果に基づいて“知覚マップ”を描く。 • 消費者の認識に基づいて、ブランド間の相対的な位置関係 を2次元の散布図で視覚化する。
知覚マップに使われる手法 • 因子分析 • 主成分分析、共分散構造分析も同様の使われ方をする。 • SD法で測定。 • semantic differential
:意味微分法。 • コレスポンデンス分析 • 名義尺度の2変数の関係を散布図で視覚化する。 • マトリクス形式で測定。 • 多次元尺度構成法(MDS) • ブランド間の類似度(非類似度)に基づく。
サンプル・データ • 朝倉書店『マーケティングのデータ分析』のサンプルデータを引用。 • サポートページからデータをダウンロードできます。 • http://www.asakura.co.jp/books/isbn/978-4-254-12822-2/ • インターネットによるアンケート調査のデータの一部 (n=1066)
。 • ビール類の 10 銘柄についてブランドの評価など5段階評価で測定。 • 【ビール】 • アサヒスーパードライ、キリンラガービール、キリン一番絞り、サッポロ生 ビール黒ラベル • 【プレミアムビール】 • エビスビール、サントリー・ザ・プレミアム・モルツ • 【発泡酒】 • アサヒ本生ドラフト、麒麟淡麗<生> • 【第3のビール】 • キリンのどごし<生>、サントリー金麦
因子分析による知覚マップ ※ 各製品ブランドにつ いて そう思う ややそう 思う どちらと もいえな い
あまりそ う思わな い そう思わ ない Q3 それぞれのアルコール飲料 の味や香りに関する項目につ いて、あてはまると思うものを1 つお選びください。 喉越しが良い 1 2 3 4 5 香りが良い 1 2 3 4 5 味が良い 1 2 3 4 5 Q4 それぞれのアルコール飲料 を飲むとどのような気分になる と思いますか。あてはまると思 うものを1つお選びください。 飲むと、幸せな気分になる 1 2 3 4 5 飲むと、ほっとした気分になる 1 2 3 4 5 飲むと、爽快な気分になる 1 2 3 4 5 Q5 それぞれのアルコール飲 料に関する下記の項目につい て、あてはまると思うものを1つ お選びください。 このブランドを選ぶことで、自分 らしさを表現できる 1 2 3 4 5 このブランドを選ぶことは、自分 のイメージアップにつながる 1 2 3 4 5 このブランドを選ぶ人は、センス が良い 1 2 3 4 5 このブランドを選ぶ人は、洗練さ れている 1 2 3 4 5
因子分析による知覚マップ # Excel データの取り込みと整理 # csv ファイルにしてから取り込んだほうが楽かも… library(RODBC) conn <-
odbcConnectExcel("data.xls") sqlTables(conn) tbl1 <- sqlQuery(conn,"select * from [G1 ローデータ $]" ) tbl2 <- sqlQuery(conn,"select * from [G2 ローデータ $]" ) odbcClose(conn) A <- cbind(tbl1[, 24:26], tbl1[, 39:41], tbl1[, 54:57], tbl1[, 74:75]) B <- cbind(tbl1[, 27:29], tbl1[, 42:44], tbl1[, 58:61], tbl1[, 76:77]) C <- cbind(tbl1[, 30:32], tbl1[, 45:47], tbl1[, 62:65], tbl1[, 78:79]) D <- cbind(tbl1[, 33:35], tbl1[, 48:50], tbl1[, 66:69], tbl1[, 80:81]) E <- cbind(tbl1[, 36:38], tbl1[, 51:53], tbl1[, 70:73], tbl1[, 82:83]) DATA1 <- rbind(data.matrix(A), data.matrix(B), data.matrix(C), data.matrix(D), data.matrix(E)) DATA1 <- data.frame(DATA1, " 銘柄 "=rep(c(" スーパードライ ", " ラガー ", " エビス ", " 淡麗 ", " 金麦 "), eac=577) ) # 警告が出るけど問題なし。 F <- cbind(tbl2[, 24:26], tbl2[, 39:41], tbl2[, 54:57], tbl2[, 74:75]) G <- cbind(tbl2[, 27:29], tbl2[, 42:44], tbl2[, 58:61], tbl2[, 76:77]) H <- cbind(tbl2[, 30:32], tbl2[, 45:47], tbl2[, 62:65], tbl2[, 78:79]) I <- cbind(tbl2[, 33:35], tbl2[, 48:50], tbl2[, 66:69], tbl2[, 80:81]) J <- cbind(tbl2[, 36:38], tbl2[, 51:53], tbl2[, 70:73], tbl2[, 82:83]) DATA2 <- rbind(data.matrix(F), data.matrix(G), data.matrix(H), data.matrix(I), data.matrix(J)) DATA2 <- data.frame(DATA2, brand=rep(c(" 一番搾り ", " 黒ラベル ", " プレミアムモルツ "," 本生 ", " のどごし "), eac=530) ) # 警告が出るけど問題なし。 colnames(DATA1) <- colnames(DATA2) <- c(" 喉越し ", " 香り ", " 味 ", " 幸せ ", " ほっとした ", " 爽快 ", " 自分らしさ ", " イメージアップ ", " センス ", " 洗練 ", " 良い ", " 好き ", " 銘柄 ") DATA <- rbind(DATA1, DATA2) DATA <- na.omit(DATA)
因子分析による知覚マップ # 探索的因子分析 library(psych) DATA.FA <- 6 - DATA[,1:10] #
解釈し易いように値を逆転させる fa.parallel(DATA.FA, fm="ml") # 平行分析で因子数を推定 EFA <- fa(DATA.FA, nfactors=3, rotate="promax", fm="ml", scores=TRUE) print(EFA, sort=TRUE) # 因子負荷量 > (前略) > ML1 ML2 ML3 h2 u2 > 洗練 0.97 0.04 -0.04 0.92 0.319 > センス 0.96 0.04 -0.03 0.93 0.189 > イメージアップ 0.90 -0.01 0.05 0.87 0.081 > 自分らしさ 0.78 0.01 0.14 0.79 0.102 > 味 0.03 0.94 0.00 0.92 0.118 > 香り 0.07 0.85 0.00 0.81 0.262 > 喉越し -0.05 0.72 0.17 0.68 0.209 > ほっとした 0.03 0.05 0.88 0.88 0.135 > 幸せ 0.04 0.04 0.88 0.90 0.071 > 爽快 -0.01 0.19 0.71 0.74 0.078 > (後略) ML1 「カッコよさ」因子 ML2 「おいしさ」因子 ML3 「リラックス」因子
因子分析による知覚マップ
因子分析による知覚マップ # 銘柄ごとに因子得点の平均値を算出 X <- tapply(EFA$scores[,1], DATA[,13], mean) Y <-
tapply(EFA$scores[,2], DATA[,13], mean) Z <- tapply(EFA$scores[,3], DATA[,13], mean) # 「カッコよさ」因子と「おいしさ」因子で知覚マップ plot(X, Y, pch=21, col="blue", cex=2, bg=c(2,3,3,5,4,5,2,3,3,4), xlim=c(-0.35, 0.55), ylim=c(-0.45, 0.45), xlab=" カッコよさ ", ylab=" おいしさ ", main=" ビール類の知覚マップ(因子分析) ") text(X, Y, names(X), srt=-45, adj=0) abline(h=0, v=0, col="gray20", lty=3) legend(0.2, -0.2, legend=c(" プレミアムビール ", " ビール ", " 発泡酒 ", " 第3のビール "), pch=21, col="blue", pt.bg=c(2,3,4,5))
コレスポンデンス分析による知覚マップ アサヒ スーパー ドライ キリン ラガー ビール ~ キリン のどごし
〈生〉 サントリー 金麦 下記のそれぞ れのときに、 最もふさわし いと思うもの を1つお選び ください。 普段の夕食時に飲む 1 2 ~ 9 10 特別な日の夕食時に飲 む 1 2 ~ 9 10 外食時に飲む 1 2 ~ 9 10 スポーツの後に飲む 1 2 ~ 9 10 仕事が終わった後に飲 む 1 2 ~ 9 10 風呂上りに飲む 1 2 ~ 9 10 1人でゆっくりと飲む 1 2 ~ 9 10 大勢で楽しく飲む 1 2 ~ 9 10
コレスポンデンス分析による知覚マップ # 度数表 Beer <- matrix(c(222, 99, 239, 320, 296,
260, 153, 307, 176, 22, 82, 104, 93, 93, 59, 125, 45, 56, 179, 94, 174, 140, 104, 164, 72, 35, 79, 33, 73, 50, 55, 68, 52, 331, 199, 44, 84, 64, 231, 91, 55, 423, 103, 37, 69, 69, 271, 53, 179, 25, 43, 67, 49, 40, 31, 56, 96, 31, 54, 144, 97, 145, 63, 92, 96, 16, 44, 176, 84, 125, 35, 70, 73, 28, 44, 47, 47, 80, 64, 40), 8, byrow=TRUE) rownames(Beer) <- c(" 普段の夕食時 ", " 特別な日の夕食時 ", " 外食時 ", " スポーツの後 ", " 仕事が終わった後 ", " 風呂上り ", " 1人でゆっくりと ", " 大勢で楽しく ") colnames(Beer) <- c(" 【スーパードライ】 ", " 【ラガー】 "," 【一番搾り】 ", " 【黒ラベル】 ", " 【エビス】 ", " 【プレミアムモルツ】 ", " 【本生】 ", " 【淡麗】 "," 【のどごし】 "," 【金麦】 ") library(ca) Beer.ca <- ca(Beer) # コレスポンデンス分析の実行
コレスポンデンス分析による知覚マップ summary(Beer.ca) # 寄与率の確認。日本語が化ける。 > Principal inertias (eigenvalues): > >
dim value % cum% scree plot > 1 0.133482 42.4 42.4 ************************* > 2 0.061018 19.4 61.8 *********** > 3 0.053222 16.9 78.7 ********** > 4 0.028949 9.2 87.9 ***** > 5 0.024882 7.9 95.8 **** > 6 0.011837 3.8 99.6 ** > 7 0.001294 0.4 100.0 > -------- ----- > Total: 0.314683 100.0 > (後略) # 知覚マップ plot(Beer.ca, arrows = c(FALSE, TRUE), main=" ビール類の銘柄と飲用場面(軸1、軸2) ") # 3次元のマップも描けるが日本語が化ける plot3d(Beer.ca)
コレスポンデンス分析による知覚マップ
コレスポンデンス分析による知覚マップ