|
市场营销研究中的结合分析法
莫 逸
市场营销研究中一个经常遇到的问题是：在所研究的产品/服务中，具有哪些属性的产品最能够受到消费者的欢迎。一件产品通常拥有许多属性如价格、颜色、款式以及产品的特有功能等，那么在这些特性之中，每个属性对消费者的重要程度如何？在同样的（机会）成本下，产品具有哪些特性最能赢得消费者的满意？要解决这类问题，传统的市场研究方法往往只能作定性研究，而难以作出定量的回答。结合分析（Conjoint Analysis，也译为交互分析）就是针对这些需要而产生的一种市场分析方法。
结合分析作为市场营销研究中的一种十分广泛使用的方法，是1964年由统计学家Luckey和心理学家Luce提出的，它非常胜任于估测消费者对一些能够详细定义的某种产品或服务（如产品、品牌、商店等）的相对重要性和属性水平的效用的评价。目前结合分析已有多种分析软件，不但有数据分析用的统计软件、还有收集数据和分析数据兼用的商业软件。虽然结合分析在经济发达国家已经十分流行，但在我国，由于市场营销研究还是一个较新的领域，因而结合分析还鲜为人知。本文的目的是用简单易懂的语言，对结合分析作一初步的介绍。
一、结合分析的基本功能与概念
从字面意义来看，结合分析意味着对结合效应的评价。在市场研究中，我们要模拟消费者在面对不同的产品/服务及其组合时参考多种属性的结合效应之后作出的选择的过程。任何一种使用结合分析的调查，其目的是给消费者在做购买决策时考虑的选择范围赋予明确的数值。
结合分析方法的基本思想是，通过提供给消费者以不同的属性水平组合形成的产品，并请消费者做出心理判断，按其意愿程度给产品组合打分、排序，然后采用数理分析方法对每个属性水平赋值，使评价结果与消费者的给分尽量保持一致，来分析研究消费者的选择行为。结合分析方法在欧美国家的市场研究中得到了广泛的运用，主要应用于新产品概念识别、竞争力分析、价格策略、市场细分、广告研究等领域。
结合分析主要具有以下的功能：
首先，结合分析在对产品或服务的属性进行评价时使用的方法是其他方法所不能提供的。传统的调查方法让消费者对每个属性进行评估，这对任何人来说都是困难的。而结合分析将整个工作转化成一系列的选择或评级。利用这些选择或评价等级，可以计算出每个属性的相对重要性，对每个属性或属性，结合分析使用“推导重要性”方法，而非“规定重要性”法。在消费者选择过程中可以确定属性的相对重要性，给出消费者最愿意、偏好度最高的组合产品，并根据消费者对属性水平的偏好程度，进行市场细分研究。
其次，结合分析可以将研究结果做成市场模拟模型，并能很好的应用于未来的市场策划与营销。随着新竞争者的进入、新产品的问世、价格战的爆发及厂商广告策略的变动，市场也会随之发生变动。传统的研究方法是每当市场发生重大变动，就需要进行调查，来发现消费者对这种变动的感受及它将如何影响消费者的购买行为。使用结合分析，将产品或现有产品的改变可以一起输入模拟模型，得出消费者对这些变动做出何种反应的预测。在大多数市场上，这些模型可以维持2到3年的精确性，直到需要进行小规模研究来决定是否调整该模型。
从名称上看，结合分析似乎是一种数据分析法，但实际上它已含了两个方面：既是收集数据的方法，也是分析数据的方法。
结合分析的主要优点是为新产品或各种市场营销方案提供决策的参考信息。用结合分析可以确定消费者赋于某些突出属性（变量）的相对重要性，以及赋于属性的各个水平的效用（utilities）。这些信息是从消费者对由这些属生及其相应水平所构成的商品、产品或品牌的评价中抽取的。即从消费者总体中抽取一个样本进行调查，要求被调查者对各种属性水平的组合作评价（排序或评分），然后按结合分析的方法估计分配到各种属性水平上的效用值，使估计的效用与被调查者给出的评价尽可能接近。也就是说，要根据被调查者的主观评价，构造和估计效用函数，用于描述消费者赋于各种属治水平上的效用。
在市场营销中．结合分析可用于如下几个万面：
1.决定各种属性在消费者选择品牌（产品）时的相对重要性；
2.估计不同属性水平的市场占有率；
3.确定最受欢迎品牌的属性水平组合；
4.根据消费者对属性水平喜好的相似性．作消费者市场分类。
此外，还可应用于新产品概念识别、竞争分析、定价研究．广告研究以及销售分布等市场营销的各个领域。
有关结合分析的统计术语主要有如下几个：
1.分值函数（part-worth functions）,也叫效用函数（utility functions），用于描述消费者赋于每种属性的各个水平上的效用；
2.相对重要性权数（relative importance weights），其估计值用于表示在消费者作出选择时，属性影啊的重要程度；
3.属性水平（attribute levels），表示属性所呈现的值；
4.全轮廓（full profiles），也叫完全轮廓（complete profiles），品牌的全轮廓是由全部属性的各种水平组合构成的（通过设计方案规定）；
5.配对表（pairwise tables），在配对表中，被调查者每次评价两个属性；直到所有可能的属性（每两个属性）都被评价完毕为止；
6.循环设计（cyclical designs），用于减少配对比较数目的设计法；
7.正交表（orthogonal arrays），是一种设计用表，可以减少全轮廓方法中被评价的组合数目，且能有效地估计所有主要的效应；
8.内部效度（internal validity），表示预测的效用与被调查者评价的效用之间的相关程度。
二、结合分析的基本原理与步骤
结合分析是通过假定产品具有某些属性，对现实产品进行模拟，然后让消费者根据自己的喜好对这些虚拟产品进行评价，并采用数理统计方法将这些特性与属性水平的效用分离，从而对每一属性以及属性水平的重要程度作出量化评价的方法。
（1）结合分析的基本假定
结合分析假定分析的对象－－某种产品或服务－－是由一系列的基本属性（如：质量、方便程度、价格）以及产品的专有属性（如电脑的CPU速度、说明书的详尽等）所组成的；消费者的抉择过程是理性地考虑这些属性而进行的。
（2）结合分析的工作原理：根据结合分析的不同类型，使用不同的统计方法，如普通最小二乘法、加权最小二乘法和分对数分析法将受访者的回答转化成重要性或效用。
用这些统计方法获得的实际数值并不是最重要的，重要的是与各种属性相关的价值，或各属性彼此之间的关系。这些计算方法的目的是以一种能够揭示受访者对每种属性自觉或半自觉的潜在评价的方式来评估受访者的回答。任何一位理性的受访者，在产品其他方面都相同的条件下（质量，属性等），会选择100元而非200元的产品。我们不清楚的是每个人对100元的不同敏感程度。有些人永远不会考虑支付200元来买东西，而另一些人则对不同价格的敏感程度几乎没有什么区别。不考虑价格，一个人如果常选择X品牌而非Y品牌，很显然，他对品牌名称比价格水平看得更重。结合分析可以计算这些选则与另一些选择之间的相对评价。
（3）结合分析的主要步骤
结合分析通常由以下几部分组成：
①确定产品或服务的属性与属性水平
结合分析首先要对产品或服务的属性和属性水平进行识别，所确定产品或服务的属性应该是影响消费者喜好的突出属性，它们对市场而言是最重要的。从经营管理角度说，属性和属性水平应该是可操作的。如果你告诉一个投资者，与品牌机相比，目前消费者更喜欢兼容机，这对他是毫无帮助的，你必须用投资者所能控制的属性来定义兼容机和品牌机。为识别和确定属住，可能要与管理和工业专家讨论、分析二手数据、作定性研究或作试调查等等。一个典型的结合分析包含6－7个显著因素，经验、管理直觉和定性研究是确定产品和服务的主要属性所必不可少的。仔细考虑，确定属性是非常关键的。属性过多会加重消费者负担，或者降低模型预测的精确性；属性太少，又会严重降低模型的预测能力，因为模型中丢失了一些关键信息。
确定了属性之后，还应该确定这些属性恰当的水平，属性与属性水平的个数将决定分析过程中要进行估计的参数的个数，也将影响被调查者所要评价的刺激（组合）个数。为减轻被调查者的负担，同时又使参数估计保证一定的精度，这就需要限制属性水平的个数。关于一个属性的各个水平的效用函数可能是连续性的，如价格方面的100元、200元和300元，也可能是非连续性的，如颜色中的红色、绿色、蓝色等等；可能是二项的，如一种软件附带赠送耳机或不附带耳机，也可能多项的，例如电脑软件所适用的操作系统有：DOS、Linux、Win3.X、Win95/98、WinNT、Win2000等。确定属性及属性水平的关键因素在于，如果不能通过使用属性水平很好的定义产品属性，那么产品就不能被准确的模拟。如果一个选择没有被涵盖，它没有落入指定的任意两个属性水平边界范围内，那么对于受访者是如何反应该属性的，就无从的知了。该属性或该属性水平相对于其他属性的重要性也就无法得知了，在模型中也无法计算。研究者既考虑市场上普遍的价格情况，还应考虑研究的目的。如果采用的属性水平超出超出了市场的实际范围，那么将会降低评价工作的可相信程度，但会增加参数估计的精确程度。研究人员必须在过多选择和过少选择中找到平衡点。因此选定属性水平的一般准则是，范围稍大于市场上的流行范围，但又不能大到看起来影响评价的可信度。
我们使用一个比较简单的例子来说明结合分析的方法。通过定性的研究确定了旅游鞋的三个属性是突出的：鞋底、鞋面和价格。每种属性按三个水平定义，如表1所示。这些属性及其水平将用于构造结合分析的产品模拟。
表1 皮鞋的属性水平
|
属性
|
水平
|
名称
|
|
鞋底
|
1
|
塑料
|
|
2
|
聚氨脂
|
|
3
|
橡胶
|
|
鞋帮
|
1
|
猪皮
|
|
2
|
牛皮
|
|
3
|
羊皮
|
|
价格
|
1
|
15美元
|
|
2
|
30美元
|
|
3
|
45美元
|
②产品模拟
结合分析将产品的所有属性与属性水平通盘考虑，并采用正交设计的方法将这些属性与属性水平进行组合，生成一系列虚拟产品。在实际应用中，通常每一种虚拟产品被分别描述在一卡片上。
结合分析的产品模拟主要有两大类方法：配对法（pairwise）和全轮廓法（full-profile）。
配对法也叫两项法（或双因子评价法，two-factors evaluations），被调查者每次评价两个属性，直至所有的属性对都被评价完毕为止。以上面的旅游鞋为例，鞋底、鞋面和价格三个属性中每两个属性水平的所有组合为3×3＝9个，如表2中鞋底与价格的组合，消费者就要按他们自己的喜好程度在每种组合中对相应的模拟出来的产品从1（表示最不喜欢）至9（或7，表示最喜欢）打分与排序,直到全部填写完毕。同理对鞋底与鞋帮、鞋帮与价格两属性因素的产品模拟，也是如上方法进行处理，将全部数据填写完毕。
表2 收集结合分析数据的配对法（排序矩阵：鞋底×价格）
全轮廓法也叫多项法（或多因子评价法，multiple-factorevaluations）。由全部属性的某个水平构成的一个组合叫做一个轮廓（profile）。每个轮廓分别用一张卡片表示，如下列组合产品：鞋底：橡胶；鞋帮：皮革；价格：45美元，像这样旅游鞋属性水平的轮廓组合就有33＝27种，即消费者要对27种轮廓作评价。
其实，并不需要对所有组合产品进行评价，且在属性水平较多时实施难度也较大。在配对法中，通常用循环设计来减少组合数。在全轮廓法中，则采用正交设计等方法，以减少组合数，又能反映主效应。当然，正交设计有一个前提，是不包括属性间的交互效应的。一般收集两组数据，一部分是估计数据集，是用于计算属性水平的效用函数的；一部分是用于估计可靠性与有效的数据集。
配对法的优点是受访者易判断回答，缺点是要比全轮廓法作出更多的评价。同时，仅考虑两种属性，而不考虑其它属性，对事物的评价也是不太现实的，因而对全轮廓法人们更为常用。
③数据收集
请消费者对虚拟产品进行评价，通过打分、排序等方法调查消费者对虚拟产品的喜好、购买的可能性等。
排序法是要对产品模拟组合中的所有属性水平作相对的评价，要求对每个组合给一个不同的等级（秩）。对于配对法，由消费者对每两属性组合的所有产品模拟按自己的意愿进行评价，对全轮廓法需要对所有产品模拟组合排序。从排序中可准确地反应出市场中消费者的行为。
对于打分形式，是要对每一个产品模拟独立地评分，判断可独立进行。采用此方法的人认为此方法对消费者来说比排序更为便利，分析时也容易得多。总的说来，排序和打分形式均可，但近年来人们对打分形式应用得更为评分法变得更为普遍。
在结合分析中，因变量是购买偏好或意愿，即由受访者根据自己的购买偏好或意愿来提供数据，当然，因变量也可是实际购买与选择。在上述皮鞋的例子中，受访者需要对估计数据集的九个属性组合进行打分评价，表的形式是采用九级李克量表。表3是一个消费者的回答。
表3 某消费者的评价
|
组合产品
|
鞋底
|
鞋帮
|
价格
|
偏好打分
|
|
1
|
1
|
1
|
1
|
9
|
|
2
|
1
|
2
|
2
|
7
|
|
3
|
1
|
3
|
3
|
5
|
|
4
|
2
|
1
|
2
|
6
|
|
5
|
2
|
2
|
3
|
5
|
|
6
|
2
|
3
|
1
|
6
|
|
7
|
3
|
1
|
3
|
5
|
|
8
|
3
|
2
|
1
|
7
|
|
9
|
3
|
3
|
2
|
6
|
④计算属性的效用
从收集的信息中分离出消费者对每一属性以及属性水平的偏好值，这些偏好值也就是该属性的“效用”。计算属性的模型和方法有多种，一般地，人们主要用一般最小二乘法回归（OLS）模型、多元方差分析（MONANOVA）模型、逻辑斯谛回归（LOGIT）模型等方法。这里我们以最基本的最小二乘法回归模型为例进行说明。OLS模型对一组自变量组成的模拟矩阵进行分析，每个自变量表示一个属性水平的有或无；因变量是消费者对于通过自变量所描述的一个轮廓的主观评价值。
运用最小二乘法回归模型首先需要对所有的属性及属性水平作因子分析或主效应分析设计，确定有多少显著的属性需要消费者进行评价，有多少种属性水平组合，排序法和评分法哪种比较合适，不同的轮廓是按个体还是按集合进行分析：如果是前者，每个个体的数据要分别分析；如果是集合分析，应先对消费者分类，一般方法是先按个体估计分值或效用函数，然后根据分值的相似将消费者分类，再对每类作集合分析，最后形成一个属性水平的清单和估计模型。
一般来说，属性水平的估计模型有三种：间断线性模型（The piecewise linear model）、线性矢量模型（The linear vector model ）和曲线模型（The curvilinear model）。
间断线性模型是最简单的估计模型，它用间断的线段来描述产品/服务的属性，设定的模型为：
t
U（j） = ∑ Xij·αij
p=1
其中：U（j）= 对属性水平j的效用估计； Xij = 属性i的第j个水平是否出现；
αij = 属性i的第j个水平的分值贡献或效用。
根据研究设计的考虑，在间断线性模型中，一般设定属性水平为5，虽然在实际情形中，属性水平的取值会从2到9不等。估计间断线性模型的方法有多种，其中最简单的方法，也是越来越普及的方法，叫哑变量（或称虚拟变量、假变量）回归法（dummy variable regression）。其预测变量为表示属性水平的哑变量。如果某属性有j个水平，那么就可以用j－1个哑变量来为其编码。如果数据是按评价法得到的，那么得分（假定是定距的度量）就形成了因变量。如果数据数据是按排序法得到的，那么就要通过比较配对（品牌）将等级（秩）转换成0或1。在这种情况下，预测变量表示被比较的品牌的属性水平之差。
线性矢量模型假设随着一种产品/服务功能属性i数量的增加，消费者对其的偏好也会线性增大，设定的模型为：
t
U（j）= ∑ Wi·αij
p=1
其中： Wp = 消费者对i属性每个水平的权数估计；
αij = 属性i的第j个水平的分值贡献或效用。
线性矢量模型中将αij视为连续变量，它每个属性的属性水平分布于一条直线上，与间断线性模型不同，前者要求消费者评价的是一个线性矢量参数，而后者则要求消费者对一系列哑变量表示的属性水平分别进行评价。
曲线模型非常适用于定性研究，比如对于口味和气味的分析，它需要在参数选择和权数距离之间确定一个理想模型，其理想的属性水平构成曲线的峰点。设定的模型为：
t
dj2 = ∑ Wi(αij - Xi)2
p=1
其中：αij = 属性i的第j个水平的分值贡献或效用；
Xi = 消费者的心理评分； Wi = 消费者对属性i的权数估计。
在曲线模型当中，不仅像在间断线性模型中要对j－1个哑变量进行判断，而且要对Wi和X两个i参数作出判断。
在以上三种估计模型中，目前我们一般所采用的模型还是间断线性模型，其表达式为：
 （1）
其中：U(x)=所有属性的总效用； ki =属性i的水平数目；
m=属性个数； αij＝属性i的第j个水平的分值贡献或效用；
Xij＝1 如果第i个属性的第j个水平出现；0 其它情形。
属性的重要性Ii 定义为该属性水平的最大分值与最小分值之差：
Ci = {Max(a ij) - Min(a ij)}，对每个i （2）
属性的重要性Wi是经过标准化处理的，以此表示其相对于别的属性的重要性：
 （3）
各属性的相对重要性之和为百分之百。
例如，表3的旅游鞋数据是用含哑变量的一般最小二乘法回归方法分析的。因变量为喜好打分。独立变量或预测变量是6个哑变量，每种属性用2个哑变量表示。表4为数据的转换形式。由于数据是关于每个被调查者的，因此按个体进行分析。每个属性水平的分值或效用以及每个属性的相对重要性的估计值如表5所示。
表4 转换后的数据表
|
评价得分
|
鞋底 |
鞋面 |
价格 |
|
X1
|
X2
|
X3
|
X4
|
X5
|
X6
|
|
9
|
1
|
0
|
1
|
0
|
1
|
0
|
|
7
|
1
|
0
|
0
|
1
|
0
|
1
|
|
5
|
1
|
0
|
0
|
0
|
0
|
0
|
|
6
|
0
|
1
|
1
|
0
|
0
|
1
|
|
5
|
0
|
1
|
0
|
1
|
0
|
0
|
|
6
|
0
|
1
|
0
|
0
|
1
|
0
|
|
5
|
0
|
0
|
1
|
0
|
0
|
0
|
|
7
|
0
|
0
|
0
|
1
|
1
|
0
|
|
6
|
0
|
0
|
0
|
0
|
0
|
1
|
表5 不同属性水平的效用和相对重要性
|
属性
|
水平
|
描述
|
效用
|
相对重要性
|
|
鞋底
|
3
|
橡胶
|
0.778
|
0.286
|
|
2
|
聚氨脂
|
-0.556
|
|
1
|
塑料
|
-0.222
|
|
鞋帮
|
3
|
牛皮
|
0.445
|
0.214
|
|
2
|
猪皮
|
0.111
|
|
1
|
羊皮
|
-0.556
|
|
价格
|
3
|
15美元
|
1.111
|
0.500
|
|
2
|
30美元
|
0.111
|
|
1
|
45美元
|
-1.222
|
估计用的模型可表示如下：
U = b0+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6 （4）
其中，x1至x6均为0-1变量，x 1、x2是鞋底属性的0-1变量，其中属性水平规定如下：
X1 X2
橡胶 水平1 1 0
聚氨脂 水平2 0 1
塑料 水平3 0 0
对以上数据进行最小二乘法处理，可得估计参数：
b0 = 4.222 b3 = 1.000 b6= 2.333
b1 = 1.000 b4 = 0.667
b2 = - 0.333 b5 = 2.333
根据0-1哑变量系数的特点，每个0-1变量系数代表不同水平效用与基础水平效用的差距，于是对鞋底属性有：
a 11- a 13 = b1
a 12- a 13 = b2
另外还有线性约束，a 11+ a 12 + a 13 = 0
从中解联立方程组，可得
a 11 = 0.778
a 12 = -0.556
a 13 = -0.222
同理可求出其它属性水平的效用来。同时根据效用可计算不同属性的重要性来。
a 21- a 23 = b3 a 31- a 33 = b5
a 22- a 23 = b4 a 32- a 33 = b6
a 21+ a 22 + a 23 = 0 a 31+ a 32 + a 33 = 0
最后整理结果如下：
分值范围之和＝[0.778－（－0.556）]＋[0.445－（－0.556）]＋[1.111－（－1.222）]＝4.668
鞋底的相对重要性＝1.334/4.668＝0.286
鞋面的相对重要性＝1.001/4.668＝0.214
价格的相对重要性＝2.333/4.668＝0.500
上述对分值及相对重要性权数的估计也给出了解释结果的根据。
⑤解释结果
由上表结果可知，对鞋底属性而言，受访者对橡胶底的偏好最大，其次是塑料底，最后是聚氨脂。对鞋帮属性，牛皮鞋帮最受欢迎，其次是猪皮鞋帮，最后是羊皮鞋帮。对价格属性，70元的效用最高，130元的效用最低。
从相对重要性上看，价格是第一位的，第二位的是鞋底，第三位是鞋帮。由于价格是该消费者最关注的因素，可标记此消费者为价格敏感型。
⑥评估信度和效度
建立模型后还须对结果的信度和效度进行评价，以评价在消费者个体层次和消费者群体层次上结合分析模型的正确性。评价结合分析结果的信度和效度，有多种方法，常用的有：
1、评价估计模型的拟合优度（goodness-of-fit）。例如，如果采用的是哑变量回归，那么可以用R2的值来说明模型对数据的拟合程度。一般来说，拟合程度应在0.80以上。如果模型拟合程度过低，则说明结果是令人怀疑的。上述例子中，模型拟合度为0.934，表明模型拟合是良好的。
2.用检验一再检验法（test-retest）来评价信度（reliability）。即在调查的后一阶段，让消费者重新评价某些选用的产品模拟。然后计算两组产品模拟分值之间的相关来评价效度。
3.用估计出来的分值函数作为对产品模拟的评价的预测值。计算该预测值与消费者的实际评估值之间的相关，用以确定内部效度。在上例中，模型的预测与原始资料的相关分析表明，相关系数为0.95,显著性水平为0.05, 表明预测能力良好。
4.如果数据是按集合进行分析的，那么可以将样本分别割成几个部分，再对子样本实施结合分析。比较这些子样本的结果就可以评价结合分析的解的稳定性。
在以上模型分析的基础上，可根据分析结果对原先对问题的定义进行重新思考，以验证和修正我们对研究问题的认识。
⑦市场预测与市场模拟
利用效用值来预测消费者将如何在不同产品中进行选择，从而决定应该采取的措施，帮助构建市场模拟模型，预测现有产品发生变动带来的影响和新产品的上市。
同时我们也可根据不同的消费偏好对消费者进行市场细分，作进一步分析，研究不同性别、收入、区域的消费者是否有相似性。即按照某种属性的偏好将样本分类，对每一个消费者的偏好计算不同属性水平的效用值和属性的相对重要性，并分析个体/群体对产品服务的不同组合的偏好反应属性；当然也可根据不同属性将消费者分类，分析不同群体或整个群体之间的偏好反应属性。
有了每种属性水平的效用，将所有属性的效用值相加计算出产品的价值。对于每种属性，挑出与产品关系最近的属性水平并记录其效用值。如果某种产品的一个属性落入两个水平之间（如产品价格为150元，但价格水平是100元和200元），插入新的产品效用值。对每个属性重复计算这一过程。然后把记录的每个属性的效用值相加,计算该产品的整体效用。以此类推，对所有需要通过比较来生成市场模拟模型的产品都可以这样做。
市场份额或产品偏好份额通常用该产品效用值与整个市场效用值之比来表示。市场模拟程序可以迅速而且轻易的完成这些计算工作，并将结果用图形或数据表格的形式表现出来。
通过这个简单的例子，可以很容易地推广到更多的属性、更多的属性水平。而对于更多的消费者，在计算出消费者个人的效用函数后，通过聚类分析，可以将消费者划分为不同的消费群体，然后将这些群体作为同质个体处理。
三、混合型的结合分析
虽然结合分析是一种很常用的技术．但它具有一定的局限性。因此在这基础上作了些改进，出现了混合型的结合分析（hybrid conjoint analysis）或适应型的结合分祈（adptive conjoint analysis）。
<一>结合分折的假定和局限性
结合分析的假定之一是，产品的重要属性是可以识别和确定的。假定之二是，消费者可以根据这些属性对各种可供选择的方案作评价。假定之三是属性间的交互作用可以忽略。
但是在实际情况中上述假定不一定成立。例如，有时品牌的名称和形象十分重要，消费者不一定按属性去评价品牌或其它各种方案。即使消费者考虑了产品的属性，前面介绍的模型也不一定能很好地代表他们的选择过程。
另一个局限制性是收集数据的过程比较复杂，特别是所涉及的属性数目较大，并且模型又要按个体来估计时。
还应注意到分值函数并不是唯一的。
<二>混合型的结合分析简介
混合型的结合分析是结合分析的一种形式，它可以简化收集数据的工作；它不但可以估计主要效应，还可以估计交互作用。
在传统的结合分析中，每个被调查者要评价大量的轮廓（组合），数据通常也只是用于估计简单的分值，而不考虑任何交互效应。在简单的分值模型或主效应模型中，组合的值就是各个主效应（简单的分值）的和。而在实际情况中，两种属性可能有交互作用，即被调查者给某个组合的评分值可能会大于各个部分的平均贡献。混合型的结合分析用于：（1）通过减少每个消费者者的负担来简化收集数据的过程，（2）按个体水平估计所有主效应（或简单效应）．同时按子集合水平估计某些交互作用。
在混合法中，消费者只评价有限个结合刺激（例如全轮廓），一般不超过9个。这些轮廓是从总设计中抽取出来的，不同的消费者评价不同的轮廓集合，因此通过一组消费者，可使所有感兴趣的轮廓都能被评价。此外，还要求消费者直接评价每种属性的相对重要性，以及每种属性水平的合意性。将这些直接的评价和那些对刺激的评价相结合，就有可能按集合水平来估计模型，同时又能保留一些个体的差异。
四、结合分析的软件化过程
结合分析采用了一系列的现代数理统计方法，如正交设计、回归分析等，这些方法的计算量巨大，只有通过电脑才能实现。因此实际的市场研究中，必须有专门的软件来实现从虚拟产品设计到估计效用模型、预测等一系列过程。一些常用的统计软件如SPSS、SAS和BMDP中包含有结合分析的基本模型，此外还有一些结合分析用的专门程序。MONANOVA（Monotone Analysis of Variance）用于分析排序法得到的全轮廓数据。TRADEOFF用于分析配对法，要求数据也是排序法得到的。此外常用的还有LINMAP，ACA（Adaptive Conjoint Analysis），CONJOINT DESIGNER，CONJOINT ANALYZER，CONJOINT LINMAP，SIMGRAF和BRIDER POSSE（Product Optimzation and Selected Segmentation Evaluation）是采用混合型结合分析和实验设计法来优化产品的一般系统。
下面较为详细地介绍几种目前最为流行的软件。
<一>Sawtooth的ACA
Sawtooth公司是专门从事市场研究软件开发的专业公司，其开发的结合分析软件包是目前较有代表性的软件。它包含有ACA模型(Adaptive Conjoint Analysis，主要用于多个属性与属性水平的情况，必须使用电脑在现场产生问卷进行采访)，CBC模型(Choice-Based Conjoint，可以采用现成问卷手工采访，主要用于定价研究), CVA模型( Conjoint Value Analysis，可以使用现成问卷手工采访)等数个结合分析模型。同时Sawtooth每年都举行全世界范围内的研讨会，专门探讨结合分析的理论与应用方法，并在因特网上公布。
(http://www./。
ACA是Sawtooth公司1985年推出的第一个结合分析软件，在美国和欧洲的调查业及调研研究领域，ACA有着很高的知名度和广泛的商业应用。ACA是公认的目前为止最好的结合分析软件，消费者用不着对所有的属性及属性水平进行分析，就可以提供比一般的全轮廓法更加全面的属性分析，从而大大减轻了消费者的负担。但是不要就此以为ACA的分析水平有限，ACA最多可以对30种属性进行结合分析。
ACA属于混合型的结合分析，在微机上应用，是综合数据收集（直接用微机作调查）和数据分析于一体的实用性软件。下面主要介绍其数据收集方法。
ACA的调查访问过程由四个阶段组成：
1.在第一阶段，消费者依次对每一个属性的各个水平按其喜好排序，允许消费者对某些水平完全不能接受。
2.在第二阶段，先向消费者显示在第一阶段中得到的每属性的最好水平和最差水平。然后让其对属性的重要性评分。评分按1至4的等距量表，其中4表示最重要。
3.在第三阶段，要求消费者给一组轮廓评分。这些轮廓可以由全部或部分属性所组成。在计算机屏幕的两端各显示一个轮廓，消费者在其间的9级等距量表上评分，说明自己更喜欢哪种轮廓和喜欢程度。例如，9表示十分喜欢右端的轮廓，1表示很喜欢左端的，而5表示对两个轮廓的喜好差不多。ACA将这个量表自动转换成－4至＋4的量表，其中0表示无差别的点。
4.在第四阶段，消费者将要看到两个至九个轮廓，每个轮廓最多由8种属性组成。消费者按其购买这些轮廓的产品的可能性大小，在0～100%购买可能性量表上评分。
ACA方法的关键是第三阶段给结合（轮廓）对的评分部分。称之为“适应型的”（adaptive），是因为在这一阶段给这些轮廓对评分时，可以利用前两阶段所得到的信息。ACA的研制人Johnson采用现代的OLS回归（他称之为贝叶斯回归）来调整第一/二阶段得到的试验性的分值，以适应消费者在第三阶段的判断。详细的估计方法请参阅有关的文献。
<二>Sawtooth的CVA和CBC
CVA是一种全轮廓结合分析软件，全轮廓结合分析已经成为近十年来结合分析的中流砥柱。与ACA实现微机操作不一样，CVA是通过纸笔来收集消费者评价数据的。当然，与Ci3电脑访谈系统相结合之后，CVA也同样可以实现微机操作。CVA也适用于配对表的结合分析，无论是排序还是评分都来者不拒。
CVA一般可以对10至15个属性进行分析，总共的属性水平参数以100个为限。使用混合型的结合分析方法，CVA可以计算诸如品牌与价格属性之间的交互作用，如果品牌和价格各有两个属性水平，这四个参数就可以综合成一个四水平变量参与分析。
如果存在更多的属性水平综合，则需要使用CBC模型。CBC也属于全轮廓结合分析，它直接模拟具有不同属性水平的产品/服务，以定量的方法再现消费者进行消费时的选择过程，也可以选择“None”以拒绝消费。CBC实际上强调了经过因子分析或主成份分析后的显著属性，CBC目前可以分析6种属性，属性水平可以达到9个，在今后的版本中会扩展到8×15＝120个参数。
CBC可以通过纸笔来收集消费者评价数据，也可以直接实现微机操作。CBC以前只能从集合的水平来进行结合分析，在最近发行的版本中，也可以从个体的水平进行分析了。
总体而言，如果要考察多种属性，ACA是最合适的；如果要分析属性之间的交互作用，还是用CBC更好些；在许多情况下，结合分析的数据收集不能通过微机进行，那就可以从CVA和CBC中进行选择。在现实的营销调研当中，研究者往往会用到多种结合分析方法，在这种情况下，就要求研究者结合使用多种统计分析软件。
表6 三种软件的特性
|
|
ACA
|
CVA
|
CBC |
| 6个及6个以下属性 |
√ |
√ |
√ |
| 6个以上属性 |
√ |
√ |
|
| 每个属性具有9个以上属性水平 |
|
√ |
|
| 微机操作 |
√ |
√ |
√ |
| 纸笔记录 |
|
√ |
√ |
| 交互作用分析 |
|
|
√ |
| 小样本结合分析 |
√ |
√ |
|
| 个体水平结合分析 |
√ |
√ |
|
<二>SPSS的Categories
SPSS（Statistical Package for Social Science）软件包近年又增加了分类数据处理分析的一个模块，叫Categories，其中第一部分就是结合分析。它由三个单独的过程组成：ORTHOPLAN，PLANCARDS和CONJOINT。采用的是全轮廓法，即消费者要对由所有属性的某个水平定义的各种产品轮廓作评价（排序或评分）。这种方法的主要优点是比较实际，缺点是要评价的方案数目可能太多。在Catogories中，采用了部分因子设计（fractional factorial design），即只取可供选择的方案中的一部分来进行评价。正交表法是其中的一种部分因子设计。ORTHOPLAN过程生成一个部分因子计划，用于估计主效应，交互作用在此是忽略不考虑的。
PLANCARD过程帮助用户生成实施用的“卡片”，以供消费者对各个“卡片”（即各个轮廓）作排序时用。
CONJOINT过程采用一般最小二乘（OLS）估计法作结合分析，其研制者认为OLS法在进行结合分析时和其它方法同样有效，而且OLS法还比较简单、易于解释。它允许使用三种方法来收集数据：评分、排序或分类。此外，还允许有四种类型的因子：离散的（discrete），线性的（linear），理想的（ideal）和反理想的（antiideal）。
一、生成计划文件：
1.进入计划文件生成菜单：Data→Orthogonal Design→Generate。
2.定义各属性及标签：在Factor Name中填入color，在Factor Label中填入color of the product，然后按Add加入该属性水平。
3.开始定义属性水平：按Define Values进行属性水平定义。
4.完成属性水平定义：对color属性水平进行定义，按Continue继续其它属性水平定义。
5.生成计划文件：定义完所有属性水平之后，点File按纽，改变存储路径与文件名ORTHO346.SAV。SPSS会告诉你“A plan was successfully generated...”。
6.在SPSS中当然也可直接建立计划文件：
二、进行消费者评价：存储文件为a:\conjointrankings346.sav。
三、结合分析
1.新建SYNTAX：File→New→SPSS Syntax。
2.保存SYNTAX文件：保存为a:\output.sps。
|
CONJOINT
PLAN=‘a:\ortho.sav‘
/DATA=‘a:\conjointrankings346.sav‘
/FACTORS=shape (discrete more) color (discrete more) price (antideal)
/SUBJECT=student
/RANK=profile1 to profile8
/PLOT=all
/UTIL=‘a:\result.sav‘.
|
3.RUN SYNTAX：结果的输出包括以下统计量：属性或因子的相对重要性权数，属性水平的分值（效用），以及结合分析模型预测的排序（评分）与实测的排序（评分）之间的相关系数等等。
4.其得分文件与输出图形分别为：
尽管用SPSS的Catogories进行结合分析可能不如Sawtooth的ACA那么有效率，但评论家认为，该软件仍是使用方便而且很有效的。近年来，越来越多的用户在使用SPSS。特别是在我国，SPSS比Sawtooth似乎有较高的知名度。
<三>SPSS公司的SYSTAT
1.生成消费者评价文件：让消费者分别对属性（用subj表示）进行评价打分。
subj resp a b
1 3 1 1
1 4 1 2
1 5 2 2
1 2 2 1
……
2 3 2 1
……
2.编写结合分析命令：
use DATA [计划文件名]
conjoint [进入结合分析模块]
by subj [让SYSTAT按每一个属性来进行结合分析]
select CONDITION [可选；需要对数据的一个子集进行分析时使用]
model resp=a b [a和b为属性水平的评价预测参数]
save DATAC [DATAC是下面进行预测使用的文件名，必须写这一句]
est [进行属性水平分析]
use DATAC [使用刚才存储的文件]
stats [转到统计模块]
sta [进行统计检验]
新文件DATAC中包括像对color(0，1）、shape（0，1）和price（0，1，2）等属性水平，可以通过t检验或多元方差检验，比如要用t检验来判断color(0)是否比color（1）更受到消费者的喜欢：
ttest [使用t检验]
test a(1) a(2)
SYSTAT还可以检验是否有color(0)-color(1)>shape(0)-shape(1)，即判断该产品的color属性比shape属性更重要：
let abeffect = [color(0)-color(1)]-[shape(0)-shape(1)]
test abeffect = 0
也可以使用多元方差检验color和shape的交互作用：
glm [进入GLM模块]
model color(0)..shape(1)=constant / repeat 2,2
estimate
比如在进行结合分析设计时消费者分别在六种不同的条件（cond）下进行评价，研究者需要分别进行分析并对估计参数进行比较：
use DATA
conjoint
by subj cond [其中一个条件]
model resp=a b
save DATAC2
est
use DATAC2
stats
sta
basic [进入基本模块]
let cond=mod(case,6)+1 [条件数进位]
let subj=int(case/6)+1 [主题数进位]
save DATAC3
run
如果要判断是否color(0)在条件1情况下比在条件2情况下要高：
select cond<3 [只取前两个条件]
ttest
test a(1)*cond
五、结合分析的应用与前景
结合分析是对消费者购买决策的一种现实模拟。因为在实际的抉择过程中，由于价格等原因，消费者要对产品的多个属性进行综合考虑，往往要在满足一些要求的前提下，牺牲部分其他特性，是一种对属性的权衡与折衷(Trade-off)。通过结合分析，我们可以模拟出消费者的抉择行为，可以预测不同类型的消费者群体抉择的结果。因此，通过结合分析，我们可以了解消费者对产品各属性的重视程度，并利用这些信息开发出具有竞争力的产品。
结合分析目前已经广泛应用于消费品、工业品、金融以及其它服务等领域。在现代市场研究的各个方面，如新产品的概念筛选、开发，竞争分析，产品定价，市场细分，广告，分销，品牌等领域，都可见到结合分析的应用。随着我国市场经济的发展，结合分析将逐渐为我国的市场研究机构所重视，并在定量研究中显示出其强大的威力。
<一>品牌价值和品牌形象
结合分析擅长测量某一品牌名称相对于其竞争对手的价值。不同于其他测量品牌价值的技术，结合分析可以获得相对于另一产品特点和价格，某一产品品牌价值有多高的信息。如果所处的市场对价格非常敏感或期望产品具有特殊的特点能够补偿为品牌价值所做的投资，在这种情况下，只具有品牌优势是不够的。运用结合分析，可以估测市场是如何在品牌、价格和其他一些特点之间做出权衡的。
<二>价格敏感度
如前面提到的，结合分析可以测量个体对品牌名称、价格和其他属性的敏感度。每种价格水平的效用值，可以用来测算市场或细分市场对价格差异的敏感度。当计算价格和其他属性间的交互作用时，还可以测算不同品牌名称对价格和其他属性的敏感差异有多大。（具有较强品牌形象的产品，通常价格敏感度比没有品牌形象的产品要低。）
<三>用结合分析进行市场细分
结合分析是测算购买者利益追求的最佳方法。测算实际利益或感知利益关键在于市场细分的方法。了解人们注重产品或服务的哪一方面，可以帮助修正营销计划，进行利益交流，并重新设计现有产品或者开发新产品。
<四>概念测试
概念测试指和合适的目标消费者小组一起测试新产品概念。这些概念可以用符号或实体形式来展示。对于某些概念测试而言，一般用文字或图画表现也就足够了，但是对概念更具体和形象的阐述会增加概念测试的可靠性。消费者对不同产品概念的偏好可用结合分析来衡量。结合分析可以区分消费者对一个物体的各种属性的效用价值。它向被测试者显示这些属性在不同组合水平中的情况，要求他们根据偏好对情况进行排序。使用结合分析的概念测试模型能清晰地告诉市场决策者，最有吸引力的产品应包括哪些因素？不同因素的取舍会导致市场份额如何变化？公司利润如何变化？等一系列管理问题。
|
