驱动因素分析是市场研究的主要内容。对营销人员的吸引力是显而易见的——如果你能发现品牌选择的驱动因素，你就可以量身定制你的产品和营销，让你销售的任何东西对消费者不可抗拒。理解市场意愿的能力就像市场研究的圣杯一样。但我们是在追逐一个神话吗？
驱动因素分析是指使用统计技术来推导出不同因素在关键业务指标上的相对重要性，如品牌偏好和选择、满意度和忠诚度。在最粗糙的形式中，你会让调查中的人了解一系列因素，并让他们评价他们对他们的重要性。然而，通常驱动因素分析指的是更先进的统计技术，如多元回归模型，其中包括不同自变量（驱动因素）对因变量（一个理想的业务结果）的相对影响。
使用回归分析来寻找关键的驱动因素可能会从不同的角度受到批评。从统计学的角度来看，可以指出，所使用的输入数据打破了几个方法上的假设。因此，仅凭统计上的理由就可以对这些结果的有效性提出质疑。
撇开统计有效性不谈，你也可以从更哲学/实践的角度来批评关键驱动因素分析。在质疑支配消费者行为的普遍驱动因素的存在的哲学意义上，在质疑驾驶员分析的派生业务建议的意义上是实用的。
下面的案例研究将举例说明这一点。它是基于一项旨在了解金融市场中消费者需求的研究中的真实数据。在前32阶段中，被认为对品牌选择有影响的属性。不同属性的相对重要性是通过MaxDiff技术（稍后将关于方法的选择）得出的，这导致了以下重要性估计，从最重要驱动因素的85到最不重要驱动因素的20。
乍一看，驱动程序的相对重要性类似于使用回归模型技术进行的经典驱动程序分析的结果。一些司机对消费者来说显然比其他人更重要，而且可以说是这类产品的关键驱动因素。如果公司能够解决这些关键驱动因素，业务成功就迫在眉睫。
不过，这些总体结果隐藏了一个更复杂的故事。使用MaxDiff来推导相对重要性估计的优点之一是，重要性是在受访者水平上计算的，而不是作为分析中所有受访者的总和。这允许我们根据其平均重要性得分和所有受访者的方差来绘制每个属性。
回归分析导致对消费者的简单观点只是一系列问题中的第一个。考虑到大多数属性都位于模型的右侧，这表明它们对某些属性很重要，但不是全部。在回归分析中，受访者之间的这种差异将导致重要性估计周围的一个广泛的置信区间，这将再次使大多数这些属性变得不重要。面对微不足道的参数估计，大多数分析师得出了一个错误的结论，即驱动程序和您所建模的业务结果之间没有关系。[1]这次的情况显然不是这样的。位于模型右边的属性对许多（但不是所有）消费者来说是非常重要的，如果你停止投资这些方面，你可能会严重削弱你与客户的关系。
这个练习揭示了一个基本假设的天真，即存在着普遍的驱动因素，等待被发现。消费者的世界要比这更为复杂。消费者的行为不像物理物体受到牛顿物理定律那样受到普遍定律的影响。人们在选择购买什么品牌时，想法和行为都非常不同。
司机分析的支持者可以反驳说，这种批评路线是错误的。没有人相信所有的消费者都受到完全相同的驱动。然而，驱动因素分析的目的是了解市场——即所有消费者的总和——如何重视不同的方面。对于企业来说，按照一个虚构的“普通人”来导航是有意义的，同时意识到消费者会偏离市场平均水平（异常值，他们被称为贬损）。
相同的数据集可以用来评估在不同驱动因素的市场平均重要性后导航的适宜性。如果派生的重要性与市场平均值小于一个标准差，则被调查者在一个属性上被标记为“平均值”。这是一个相当慷慨的平均禁令，因为理论上它容纳了大约2/3的受访者。相反地，如果一个被调查者的重要性与市场平均水平相差超过一个标准差，则称其在该属性上被标记为“离群值”。对于每个属性，你大约有2/3的平均受访者和1/3的异常受访者。
有多少受访者的比例接近平均男性，在所有32个属性的平均禁止范围内？答案是0%。事实上，样本中最普通的消费者在32个属性中有29个的平均禁令范围内。这个平均值是32个属性中的20个，使平均消费者成为3/5的普通人和2/5的异常值。即使我们限制自己的整体最重要的属性，可以解释为真正的关键市场驱动因素，我们看到只有4%在平均禁止最重要的属性，和18%在平均禁止最重要的属性。
根据平均驾驶员的重要性进行导航仍然有意义吗？考虑公司管理根据驱动分析结果调整产品的虚构情况。它根据每个驱动程序的平均重要性，完美地配置了所有不同的产品功能。它会成功吗？可能不会，因为它只满足了神话生物普通人的需要。所有真正的消费者都会感到失望，因为该产品在他们个人所关心的属性上表现得不够好。
这个练习的关键收获是什么？1)人们对不同方面的重视程度也会有所不同。这种变化是真实的和实质性的，而不是由于测量误差。目前还没有任何通用的驱动因素。2)试图寻找市场认为无用的东西，因为市场是由有不同需求的消费者组成的。没有一个消费者有平均的需求——而普通人并不存在。
我们应该试着去理解变异，而不是去追逐普通人。消费者有什么区别，这种变化有什么模式吗？在这种情况下，通过聚类分析确定了五个不同的子节段。这些片段更像现实生活中的消费者，然后是普通人。其中一个部门是高度精通技术和有价值的数字自助服务解决方案，这将帮助他们有效地管理不同的财务任务，而另一个部门则非常厌恶风险，并重视他们的个人顾问提供的指导。他们都需要有一个值得信赖和安全的金融合作伙伴，但除此之外，他们的需求是非常不同的。
从实际的角度来看，处理这些细分市场的设备策略更容易，因为它很容易描绘出这些消费者所看重的产品和服务产品的种类。处理细分市场，你必须做出艰难的选择，因为它几乎不可能成为每个人的一切。然而，这是一个更好的商业策略，定制你的产品到一个具体的细分市场，与一致的和逻辑上一致的需求，比定制你的产品到一个神话中的普通人。
这实际上是一个经典的，但普遍存在的逻辑谬误，因为缺乏证据并不是缺乏证据的证据。
以客户满意度驱动程序分析为例。不满足线性关系的假设。如果你对一个司机从1到2，那么你的整体满意度比从3到4（你可以所说的回报递减）更重要。因变量服从正态分布的假设也很可能不被满足。满意度通常呈双峰分布，大多数受访者聚集在评分量表的顶部，而一小部分受访者聚集在评分量表的底部。这些自变量肯定不是相互独立的。光环效应表明，如果你对一个服务方面感到满意，那么你就更有可能对其他方面感到满意。因此，你在模型中有大量的多重共线性。
转载请注明：http://www.0431gb208.com/sjszlff/1686.html
