نحوه استفاده از رانندگان کلیدی برای تجزیه و تحلیل داده های نظرسنجی

روش های تحقیق پیشرفته برای گزارش های مشتریان

داده های نظرسنجی به خوبی به یک فرآیند شناخته شده به عنوان تحلیل راننده کلیدی می پردازد. شناسایی و تجزیه و تحلیل رانندگان کلیدی می تواند به بازاریابان و تبلیغ کنندگان کمک کند تا پاسخ های خود را به سوالاتی مانند: چه مشتریان من را به تغییر نام تجاری دیگری هدایت می کنند؟ چه چیزی باعث تمایل مصرف کننده به خرید محصول من می شود؟ کدام گروه مصرف کننده بیشتر از خدمات ما راضی است؟

همانطور که در هر تحقیق، گام اولیه شناسایی سوالات است که این بررسی برای پاسخگویی طراحی شده است.

بازاریاب باید تعیین کند که آیا هدف تحقیق پیش بینی، توضیحی یا توصیفی است (نادر برای یک نظرسنجی). اگر اهداف هر دو اهمیت دارند مهم است؟

دشواری: متوسط

زمان مورد نیاز: یک هفته

اینجا چطور است:

1. همه چیز درباره ارتباط است

   آرایه وسیعی از متغیرهای وابسته و مستقل را می توان از طریق تجزیه و تحلیل راننده کلید مورد مطالعه قرار داد و به طور معمول، تجزیه و تحلیل به یک یا چند متغیر وابسته و متغیرهای مستقل هدایت می شود. این اثر آماری معنادار متغیر مستقل بر متغیر وابسته است که تمرکز پژوهش است. از یک طرف، یک ویژگی استراتژیک (مانند سهم بازار) که علاقه مشتری است، وجود دارد. از سوی دیگر، مجموعه ای از شاخص های عملکردی یا ویژگی های توصیفی وجود دارد که به نظر می رسد به نوعی به ویژگی های استراتژیک مرتبط است.

2. تجزیه و تحلیل کلید راننده می تواند پاسخ "چرا؟"

   متغیرهای مرتبط انتخاب شده و روش تحلیلی انتخاب شده برای تجزیه و تحلیل راننده کلید عمدتا از اهداف تحقیق است: توضیح، پیش بینی، شرح.

   اگر توضیح هدف است، متغیر مستقل انتخاب شده بر روی تغییرات مشاهده شده در متغیر وابسته تأثیر می گذارد. متغیر مستقل باید عملی باشد. به عنوان مثال، رضایت کلی از خدمات مشتری (متغیر وابسته) به احتمال زیاد مربوط به زمان انتظار، سادگی بازده و سیاست بازپرداخت (تمام متغیرهای مستقل و پاسخ به تغییر یا عمل) است.

1. تجزیه و تحلیل راننده کلیدی می تواند پاسخ "چه اگر؟"

   اگر پیش بینی اهداف تحقیق باشد، متغیرهای مستقل در نظر گرفته می شوند که نشان دهنده وعده برای پیش بینی نتایج است. در این مثال، متغیرهای مستقل لازم نیست که قابل اجرا باشند. هدف در تحقیق پیش بینی تغییر متغیر وابسته، اما پیش بینی چیزی در مورد آن است. به عنوان مثال، تجزیه و تحلیل کلیدی رانندگان ممکن است برای پیش بینی ریشه کنی پس از مشارکت در یک برنامه پیشگیری از سیگار طراحی شود، اما محققان همچنین ممکن است مجموعه ای متفاوت از متغیرهای مستقل را بررسی کنند که میزان موفقیت برنامه های ترک سیگار را بهبود بخشیده اند.

1. تجزیه و تحلیل راننده کلید مورد نظر است

   ویژگی های نام تجاری اغلب به یکی از سه دسته تقسیم می شوند: رضایت، موافقت یا رتبه بندی عملکرد. ممکن است مقیاس های مختلفی برای ثبت رأی دهندگان نظرسنجی یا رتبه بندی صفات در این دسته ها استفاده شود. رایج ترین مقیاس رتبه Likert است، که به راحتی به رضایت و بیانیه های موافقت نامه اعمال می شود. هنگامی که پاسخ دهندگان به بررسی بسیاری از صفات محصول یا خدمات یا ویژگی های مختلف مارک ها می پردازند، می توانند جعبه "بله" را با داده های حاصل شده کد 1/0 بررسی کنند. این داده های باینری به راحتی برای تجزیه و تحلیل آماری تبدیل می شود.

2. رانندگان کلیدی مختلف برای بخش های مختلف بازار

   تحقیقات بازار تقسیم بندی نشان می دهد که رانندگان کلیدی مختلف ممکن است در بازارهای مختلف مهم باشند و برخی از رانندگان کلیدی در همه بخش های بازار مهم هستند. تجزیه و تحلیل کلیدی رانندگان می تواند طرح بررسی را ساده تر کند زیرا یک ویژگی تنها در یک بررسی می تواند مورد درخواست قرار گیرد، اما داده های حاصل می توانند به "کاهش" یا ترانس های مختلف که منعکس کننده گروه های گوناگون مصرفی هستند، فیلتر شوند. به عنوان مثال، کاهش می تواند جمعیت، سن، جنس، وضعیت اجتماعی-اقتصادی، درآمد و یا سطح تحصیلات را منعکس کند.

3. تجزیه و تحلیل راننده کلید با ارزش های طبقه بندی می شود

   برای انجام یک تحلیل راننده کلیدی، از روش های مختلف تحلیلی استفاده می شود. برخی متغیرهای وابسته به صورت طبقه بندی، مقیاس پذیر نیستند و بنابراین نمی توانند با رگرسیون خطی مورد تجزیه و تحلیل قرار گیرند. در عوض، تجزیه و تحلیل خطی خطی یا رگرسیون لجستیک استفاده می شود. متغیرهای دسته ای را می توان در نظرسنجی با اهداف پیش بینی و توضیح استفاده کرد. رضایت مشتری یا نظرسنجی وفاداری اغلب مقادیر مشخصی را نشان می دهد که نشان می دهد، مثلا وضعیت ارتباط مشتری (فعال / غیر فعال).

1. خطی - یک چیز بیشتر برای در نظر گرفتن

   یک راننده کلیدی یک ویژگی است با ارتباط آماری قابل توجهی با نتیجه مطلوب یا ویژگی استراتژیک. متغیر مستقل به صورت خطی در نظر گرفته شده است، اگر رابطه خطی مستقیم با متغیر وابسته باشد. یک مثال می تواند کشش قیمت باشد - به عنوان قیمت تغییرات محصول، یک الگوی خطی حجم فروش در پاسخ به این تغییرات رخ می دهد. به استثنای اینکه یک سطح بسیار بالایی از اعتبار پیش بینی شده مورد نیاز است، در یک مطالعه به خوبی طراحی شده، داده های خطی می تواند نسبتا داده های غیر خطی را بدون نیاز به استفاده از تکنیک های پیشرفته تر نشان دهد.

2. برنامه های کاربردی نرم افزار برای تجزیه و تحلیل راننده کلید

   بسیاری از بسته های نرم افزاری برای انجام پردازش های آماری مورد نیاز برای تجزیه و تحلیل راننده کلید طراحی شده اند. مجله Quirk منتشر بررسی های نرم افزاری.

   دو لیست ذکر شده در اینجا طیف وسیعی از گزینه های موجود را از اساسی ترین برنامه های طراحی شده برای کار به عنوان افزودنی های مایکروسافت اکسل به سیستم عامل جامع مانند SPSS.

   ALLSTAT یک تجزیه و تحلیل داده ارزان و راه حل آماری برای مایکروسافت اکسل است.

   SPSS استاندارد است و مورد بازبینی های بسیاری قرار گرفته است - یکی از آن ها، به نظر می رسد که ماژول بازاریابی مستقیم IBM SSPS به ویژه برای محققان بازار کارآمد باشد.

1. مزایای تجزیه و تحلیل راننده کلیدی

   از آنجایی که تجزیه و تحلیل رانندگان کلیدی کارآمد و مقیاس پذیر است، به حفظ مرزهای بودجه و منابع طراحی و تحلیل نظرسنجی کمک می کند. رانندگان نام تجاری موجود - می گویند که برای مشتریانی که سالانه یک نظرسنجی را می بینند آشنا هستند، می توانند در چارچوب بررسی های موجود استفاده شوند؛ نظرسنجی هایی که از تجزیه و تحلیل کلید راننده استفاده می کنند نیازی به ساختن بیشتر یا پیچیده تر ندارند. پرسشنامه های مشتری باید به طور قابل ملاحظه ای تغییری ندهند تا بتوانند تجزیه و تحلیل راننده کلید را انجام دهند. یک داستان که با استفاده از تجزیه و تحلیل کلید راننده قابل فهم است و خود را به نمایش بصری داده ها برای ارائه می دهد.

2. ارجاع

   تحقیقات بازار Quirk منتشر مقالات در گسترده ای از موضوعات تحقیق بازار. مجموعه های آنها در تکنیک های داده ها و تحقیقات و روند ها به ویژه برای محققان علاقه مند به آجیل و پیچ و مهره تحقیق بررسی مفید است.

   منابع

   • مقاله مقاله Quirk 20010104 - بررسی روش های تحلیلی توسط راجان سمنداند (از مرکز پاسخ در فورت واشنگتن، PA)
   • مقاله Quirk # 20010297 - > تجزیه و تحلیل کلیدی راننده توسط مایکل لیبرمن (از راه حل های چند متغیره، نیویورک