Tokyo.R8 brand positioning 2010.08.28.
Upcoming SlideShare
Loading in...5
×
 

Tokyo.R8 brand positioning 2010.08.28.

on

  • 3,709 views

第8回東京R勉強会の発表資料

第8回東京R勉強会の発表資料

Statistics

Views

Total Views
3,709
Views on SlideShare
3,455
Embed Views
254

Actions

Likes
4
Downloads
32
Comments
0

2 Embeds 254

http://d.hatena.ne.jp 246
https://twitter.com 8

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

CC Attribution License

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Tokyo.R8 brand positioning 2010.08.28. Tokyo.R8 brand positioning 2010.08.28. Presentation Transcript

  • 「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
  • 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
  • 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)
  • 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。
  • 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。
  • 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
  • 因子分析による知覚マップ ※ 各製品ブランドにつ そう思う ややそう どちらと あまりそ そう思わ 思う もいえな う思わな ない いて い い Q3 それぞれのアルコール飲料 喉越しが良い 1 2 3 4 5 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 香りが良い 1 2 3 4 5 つお選びください。 味が良い 1 2 3 4 5 Q4 それぞれのアルコール飲料 飲むと、幸せな気分になる 1 2 3 4 5 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 飲むと、ほっとした気分になる 1 2 3 4 5 うものを1つお選びください。 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 このブランドを選ぶことで、自分 1 2 3 4 5 料に関する下記の項目につい らしさを表現できる て、あてはまると思うものを1つ このブランドを選ぶことは、自分 1 2 3 4 5 お選びください。 のイメージアップにつながる このブランドを選ぶ人は、センス 1 2 3 4 5 が良い このブランドを選ぶ人は、洗練さ 1 2 3 4 5 れている
  • 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)
  • 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 ML1 「カッコよさ」因子 > センス 0.96 0.04 -0.03 0.93 0.189 ML2 「おいしさ」因子 > イメージアップ 0.90 -0.01 0.05 0.87 0.081 ML3 「リラックス」因子 > 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)
  • 因子分析による知覚マップ
  • 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))
  • コレスポンデンス分析による知覚マップ アサヒ キリン キリン サントリー スーパー ラガー ~ のどごし 金麦 ドライ ビール 〈生〉 下記のそれぞ 普段の夕食時に飲む 1 2 ~ 9 10 れのときに、 最もふさわし いと思うもの 特別な日の夕食時に飲 1 2 ~ 9 10 を1つお選び む ください。 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 1 2 ~ 9 10 む 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
  • 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
  • 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)
  • コレスポンデンス分析による知覚マップ
  • コレスポンデンス分析による知覚マップ