Metode Panalitaan Advanced Research for Client-Facing Reports
Kaya ing riset, langkah awal ngenali pitakonan sing wis dirancang kanggo njawab pitakonan.
Pemasar kudu nemtokake yen tujuan riset minangka prediktif, panjelasan utawa deskriptif (langka kanggo survey). Kepiye manawa loro jinis sasaran sing penting?
Kesulitan: Rata-rata
Wektu Wajib: Siji Minggu
Punika Carane:
Iku Kabeh Prakawis Relationship
Variabel saka variabel gumantung lan bebas bisa dipelajari liwat analisis driver utama lan, biasane, analisis diarahake ing siji utawa luwih variabel gumantung lan sawetara variabel bebas. Iki minangka efek signifikan babagan variabel bebas babagan variabel gumantung sing dadi fokus panlitene. Ing tangan siji, ana ciri strategis (kayata panggabungan pasar) saka kapentingan kanggo klien. Saliyane, ana set indikator kinerja utawa atribut deskriptif sing dipercaya ana hubungane karo karakteristik strategis ing sawetara cara.
Analisis Key Driver Bisa Jawab "Kenapa?"
Variabel sing cocog sing dipilih lan metode analitik sing dipilih kanggo analisis driver utama minangka fungsi utama saka riset, panjelasan, prediksi, deskripsi.
Yen panjelasan iku minangka tujuan, variabel bebas sing dipilih dipercaya kanggo ngedhai variasi sing diamati ing variabel gumantung. Variabel mandiri uga bisa ditindakake. Contone, kepuasan sakabèhé karo layanan pelanggan (variabel gumantung) kadhangkala ana hubungane karo wektu nunggu, kesederhanaan bali, lan kawicaksanan mbalekake (kabeh variabel bebas lan responsif kanggo owah-owahan, utawa tumindak).
Analisis Key Driver Bisa Jawab "Apa Yen?"
Yen prediksi minangka obyek penelitian, variabel bebas ditindakake sing nuduhake janji kanggo ngasilake asil. Ing conto iki, variabel bebas ora kudu dilakoni. Tujuan ing riset prediksi ora kanggo ngganti variabel gumantung, nanging kanggo prédhiksi bab iku. Contone, analisis key driver bisa dirancang kanggo prédhiksi recidivism sawise partisipasi ing program pencegahan ngrokok, nanging peneliti uga bisa mriksa macem-macem variabel independen sing dipercaya bisa ningkatake tingkat kasil program penghentian ngrokok.
Analisis Kunci Driver Adalah Survey Ramah
Atribut merek kerep tumiba ing salah siji saka telung kategori: Kepuasan, persetujuan, utawa rating kinerja. Saben macem-macem timbangan bisa digunakake kanggo ngrekam survey responden survey utawa peringkat saka kawicaksanan ing kategori kasebut. Skor sing paling umum yaiku Likert, sing gampang diterapake kanggo kepuasan lan persetujuan. Nalika responden survey ngetung akeh atribut produk utawa layanan utawa atribut antarane sawetara merek, padha bisa mriksa kothak kanggo "ya," kanthi data asil kasebut kode 1/0. Data binary iki gampang diowahi kanggo tujuan analisis statistik.
Driver Kunci beda kanggo Segmen Pasar sing beda-beda
Riset segmentasi pasar nuduhake yen pembalap tombol beda bisa penting ing pasar sing beda, lan sawetara pembalap kunci bisa penting ing kabeh segmen pasar. Analisis key driver bisa nyederhanakake desain survey wiwit sawijining atribut mung bisa ditemokake ing survey, nanging data sing bakal diasilake bisa disaring dadi "potongan" utawa tranches sing nggambarake kelompok konsumen sing diskret. Contone, potongan bisa nggambar demografi, umur, jenis kelamin, status sosial ekonomi, pendapatan, utawa tingkat prestasi pendidikan.
Analisis Key Driver Bisa Digunakna karo Nilai-Nilai Categorical
Ana macem-macem teknik analisis bisa digunakake kanggo nindakake analisis driver kunci. Sawetara variabel gumantung minangka kategori, ora dipirsani , lan ora bisa dianalisis kanthi regresi linier. Nanging, analisis diskriminasi linier utawa regresi logistik digunakake. Variabel kategoris bisa digunakake ing survey kanthi tujuan prediktif lan panjelasan. Kepuasan pelanggan utawa survey kesetiaan kerep migunakake nilai-nilai kategorisasi sing nuduhake, kayata, status hubungan pelanggan (aktif / non-aktif).
Linearity - Salah siji liyane kanggo Coba
A pembalap tombol minangka atribut kanthi hubungan sing signifikan sacara statistik kanggo asil sing dikarepake utawa karakteristik strategis. Variabel bebas kasebut dianggep linier manawa nduweni hubungan garis lurus dengan variabel dependen. Conto bakal rega elastisitas - minangka rega owahan prodhuk, pola linear volume penjualan bisa nanggepi owah-owahan kasebut. Yen tingkat validitas prediktif sing luwih dhuwur ora dibutuhake, ing studi sing dirancang kanthi apik, data linier bisa nyartakake data non-linear, tanpa kudu nggunakake teknik luwih maju.
Aplikasi Aplikasi kanggo Analisis Key Driver
Sawetara paket lunak dirancang kanggo nindakake pangolahan statistik sing dibutuhake kanggo analisis driver kunci. Majalah Quirk nerbitake review piranti lunak.
Loro kadhaptar ing kene nyakup macem-macem opsi sing kasedhiya saka aplikasi paling dhasar sing dirancang kanggo digarap Microsoft Excel Add-in kanggo platform lengkap kayata SPSS.
ALLSTAT minangka analisis data murah lan solusi statistik kanggo Microsoft Excel.
SPSS minangka standar, lan wis ngalami owah-owahan akeh - salah sijine modul IBM SSPS Direct Marketing misale mangkene fungsi utamane kanggo peneliti pasar.
Keuntungan Analisis Key Driver
Amarga analisis driver kunci efisien lan bisa diukur, mbantu kanggo njaga watesan budget lan sumberdaya desain lan analisis survey. Pembalap merek sing wis ana - nyatakake, sing dikenal kanggo klien sing saben taun ngajak survey - bisa digunakake ing kerangka survey sing ana saiki; Survey sing ngasilake analisis driver kunci ora perlu digawe maneh utawa luwih rumit. Angket kui klien kudu ora owah dadi nyata kanggo ngakomodir analisis driver utama. Crita sing nggunakake analisis driver kunci bisa dingerteni lan nuduhake menyang tampilan visual data kanggo presentation.
Rujukan
Review Riset Pasar Quirk nerbitake artikel babagan topik-topik riset pasar sing jembar. Siri ing Gunakake Data lan Riset lan Tren Paneliten utamané migunani kanggo para panaliti sing kasengsem ing kacang lan bolongan riset survey.
Sumber
- Artikel Quirk # 20010104 - A Survey of Metode Analisis dening Rajan Sambandam (saka Pusat Response ing Fort Washington, PA)
- Artikel Quirk # 20010297 - > Key Driver Analysis by Micheal Lieberman (of Multivariate Solutions, New York