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。

Transcript

1. 「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
2. 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
3. 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）
4. 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。
5. 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。
6. 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
7. 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
8. 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)
9. 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
10. 因子分析による知覚マップ
11. 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))
12. 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
13. 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
14. 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)
15. コレスポンデンス分析による知覚マップ
16. コレスポンデンス分析による知覚マップ