製品設計とブランド戦略のための 構造方程式モデリング ∼３ Step Researchによる調査の徹底活用∼ Researchによる調査の徹底活用∼ １）3-Step Researchについての解説 ٥ 3段階の調査を計画的に行う、製品開発・ブランド育成のた めの調査運用体系。 ２）「2nd Step：市販品調査」「3rd Step:試作品・改良品 調査」で使用する構造方程式モデリングについて解説 「因子の分散分析」と「多母集団の同時分析」 女子栄養大学 食情報科学研究室 芳賀麻誉美 [email protected] ３）3-Step ResearchでのSEM利用のコツと注意点 1 SEMの初∼中級者向きに 3 はじめに ٥ 本日の講演主旨 ٥ アカデミック・セッションでの講演 ٥ 統計学でも、メーカーからユーザーまで幅広い ٥ 統計学という数学→事例による統計学→統計学による 事例・実学 ３-Step Researchとは何か ٥ 本当に最先端の「学術研究」が知りたいのか？ ٥ 学会発表、研究論文、etc… ٥ ビジネスマン・初心者の方が多数参加 ٥ 「分析のツボ」についてユーザーの立場で紹介。 2 4 1 態度・行動反応モデル（芳賀2005） ３-Step Researchの概要 発見 ヒト（人属性） 反応 （階層構造） 確認 実験計画法を使った 「設計・試作」 ３．試作品・完成品の定量調査 モデルの確認と効果測定 （評点尺度法＋SEM/BN） モノ（製品属性） 機能的ベネフィット評価 （因果） 8 評価とは何か？（S-O-R型で説明：1998芳賀 1998芳賀） 評価（個人に固有） モノ（例：食品） ヒト 化学的要因 言葉（評価） 味 香り 製品自体 物理的要因 テクスチャー 中身外観 温度・音 1次要因 視覚情報 言語・価格 ﾊﾟｯｹｰｼﾞ・ブランド 製品以外 7 情緒的ベネフィット評価 モノ（製品属性） ٥ よく使う重要な考え方：評価の階層構造理論 ご利益 ①個人差と全体 ②因果関係の把握 （因果） 物属性評価 傾向スコアによる一般化 5 多相SEMでの効果測定 潜在クラスの応用 ٥ 1.評価構造は総合評価を頂点とする階層構造 ٥ 2.個人差は重み付けの違いと個別評価の違いである。 ٥ 3.個別評価の違いは、「感じ方」の違いと、評価用語に対 する認知差によって生じる。 総合評価 価値観 品質機能展開（ QFD ） チャンス発見技法を使った 「設計要因の選定」 ヒトの反応︵ ＝﹁ 評価﹂ ︶の構造 ２．市販品の定量調査 モデルの探索と検証 （評点尺度法＋GM/SEM/BN） ヒト（人属性） バ︵状況︶ 探索 構造方程式モデルの利用方法 １．市販品・想起品の定性調査 仮説モデル作成 （評価グリッド法＋テキストマイニング） 2次要因 意味情報 摂取時間・空間 気分 3次要因 強弱評価 感覚器官 脳 嗜好評価 イメージ評価 行動 間接要因 表情 心理的要因 喜怒哀楽・緊張感 生理的要因 食欲・健康状態 環境要因 食情報・喫食状態 先天的要因 人種・民族・性別 後天的要因 教育・生活・経験 身振り 評 価 構 造 の モ デ ル 化 9 直接要因 2 ビール評価構造（一部） 構造方程式モデルの利用 １．実験的調査とデータスタイル （∼製品やブランド評価は，実験的調査が多い∼） （１）条件と水準の理解 （２）データの対応とスタイルの判定 （３）分析方法の選定 ２．構造方程式モデリングでの分析方法 10 （１）因子の分散分析 （２）多母集団の同時分析 （３）因子の分散分析と多母集団分析の組み合わせ （４）繰返測定の同時記述（＝因子の分散分析） （５）繰返測定の同時記述との組み合わせ 12 実験的調査とデータスタイル （１）条件と水準を理解する ٥ 差を比較する時の「条件」であり、統計用語では、 「要因」と言うことが多い。 2ndStep ３rdStepでの 構造方程式モデルの利用 ٥ 製品やブランドであることが多い。 ٥ その他，パッケージを見せたときと見せないときや，年 代差、性別などの対象者属性なども取り上げることも。 ٥ 具体的な条件の中身を「水準」と呼ぶ。 ٥ <製品>製品1、製品2, 製品3が水準で水準数は3。 ٥ <年代>20代、30代が水準で水準数は2 ٥ <性別>男性、女性が水準で水準数は2 11 13 要因数と水準数が分かっていないと、分析法が選べない！ 3 実験的調査とデータスタイル （２）データの対応とタイプを判定する ٥ 被験者間計画なのか、被験者内計画なのか。 ٥ 被験者間・被験者内混合計画 ٥ （上級者は被験者内と被験者間の混合計画へ） ＜被験者内計画＞ ＜被験者間計画＞ 水準1 (製品1) 水準2 (製品2) 水準3 (製品3) 水準1 (製品1) 水準2 (製品2) 水準3 (製品3) Q1-Q10 Q1-Q10 Q1-Q10 Q1-Q10 Q1-Q10 Q1-Q10 Aさん Dさん Gさん Aさん Aさん Aさん Bさん Eさん Hさん Bさん Bさん Bさん Cさん Fさん Iさん Cさん Cさん Cさん 14 16 従来法では・・・ データの見方 1人を1ケース（行）としてデータを作成 条件がケース（行）に割り付けられるか， それとも，変数（列）に割り付けられるか。 ٥ 「人」×「物」×「調査項目」という3相データを人 で平均して，「物」×「調査項目」として，マップを 作成することが多かった。 ٥ 構造方程式モデリングは，製品やブランド評価 などの「3相データ」の分析を可能とした！！ 15 17 4 実験的調査とデータスタイル （３）分析方法の選定 1-1従来法 ＜被験者間比較の場合＞ （A）因子の分散分析 （B）多母集団の同時分析 市販のスキー板16種について，使うと，どんな気 分になるか（どんな風になれそうか）情緒的ベネ フィットを聞いた。 人を合計して， ２相データにし 分析していた ＜被験者内比較（繰返測定）の場合＞ （B)多母集団の同時分析 ٥ （⇒統計的には不正確だが実務上は十分） （C）繰返測定の同時記述（因子の分散分析） 18 20 1-1.結果 因子のｽｸﾘｰ ﾌﾟﾛｯﾄ 3.5 （A）因子の分散分析 探索的因子分析 3.0 2.5 ケース数＝ブランド 数＝16 変数の数＝７ 因子分析：最尤法・ プロマックス回転 因子数２で指定 2.0 ここまで 1.5 1.0 固有値 .5 0.0 1 2 因子の番号 19 3 4 5 6 7 累積寄与率（2因子） 70.0% 21 5 因子負荷量散布図 従来法によるポジショニング戦略 回転後の因子空間の因子ﾌﾟﾛｯﾄ 一見して隙間に見える部分に，ブランドの育成 を考えるのが従来法によるポジショニング戦略 1.0 ミーハー 一般的 .5 初心者 かっこいい 市場がない（求められていない）可能性もある。 実は，失敗が数知れずある。 0.0 プロっぽい ダサい -.5 各因子の解釈は， 後から苦労して 行 1.0 わねばならない！ 因子 -1.0 -1.0 2 -.5 0.0 .5 22 どのようにブランドを移動させれば良いかは， マッピングしただけでは分からない！！ 24 因子1 苦肉の策の従来法 因子得点散布図とのバイプロット ここにブランド がない！ R E G R fa c tor sc or e 2 for a n a ly sis 1 3.0 2.0 隙間？ ヤマハ ミー ハー 2.5 ٥ Prefmap（ﾍﾞｸﾄﾙﾓﾃﾞﾙ）＝選好回帰 ＝因子（主成分）回帰 一般的 オーリン ロシニョール 1.5 1.0 ٥ 多段階の分析 初心者 ٥ ①（探索的）因子分析を行う。 ٥ ②ケース（ブランド）の因子得点を算出する。 ٥ ③因子得点を説明変数，選好（買いたさ・欲し さ・好み）を目的変数にし，重回帰分析を行う。 .5 アトミック ブリザード K2 フィッシャー エラン オオザカ ケスレー ニシザワ -.5 フォルクルクナイスル ここにブランド スワロー がない！ 0.0 -1.0 -1.0 -.5 0.0 カザマ 隙間？ ミズノ .5 1.0 1.5 2.0 2.5 23 25 REGR factor score 1 for analysis 1 6 あえてパス図で書くと 第1段階 1 第2段階 初心者 0.927 1 0.867 ダサい F1 -0.703 1 1 1 1 第1段階： 因子分析 第2段階： 重回帰分析 1 プロっぽい かっこいい かわいい -0.381 0.012 -0.267 -0.181 0.115 0.267 0.989 0.764 ミーハー -0.590 0.228 -0.651 好き -0.03 0.645 F2 0.662 一般的 26 28 問題点 回転後の因子空間の因子ﾌﾟﾛｯﾄ 1.0 ミーハー ٥ 探索的因子分析法（従来法）だと オーリン ロシニョール 一般的 .5 初心者 かっこいい 標準化係数 ٥ 因子の解釈が難しい 第１因子：第１因子：-0.590 ٥ 解析法の指定が面倒（推定法，回転法，軸の数） 第2因子：0.645 因子：0.645 0.0 ٥ 多段階の解析だと プロっぽい アトミック ブリザート -.5 ダサい アトミック・ブリザード 因子 と -1.0 -1.0 2 因子1 ٥ すべての因子に負荷する ٥ 統計的な問題点：誤差の蓄積＝不正確 ٥ 応用上の問題点：めんどう オーリン・ロシニョール -.5 0.0 .5 1.0 の間 27 29 7 1-2.SEMによる解析 因子負荷量散布図 ٥ 検証型因子分析 ٥ 利点１：因子の解釈が簡単 ٥ 自分で因子を設定する。（負荷する変数を指定） ٥ 過去の知見を生かせる ٥ 実務的な因子を作成できる。 市場は？ 1因子負荷にした 変数は，軸上に＝ 解釈しやすい ٥ 因子間の（重）回帰分析としてのSEM ٥ 利点２：一度で解析できる ٥ 統計的にスマート（誤差の蓄積がない＝正確）でめんどくさくない。 ٥ 利点３：希薄化修正できる。 変数を因子にすることで測定誤差を分離できる） （目的 このあたりに市場はない ٥ 利点４：複数の因子を目的変数にできる。 30 ٥ 利点５：データの適合度でﾓﾃﾞﾙを改良可能 SEMによる解析結果 32 因子得点散布図 希薄化修正 F3：好み e1 e3 初心者 プロっぽい d1 F1 -.52 -.66 e4 1.00 かっこいい F3 .05 .29 .88 e5 かわいい e6 ミーハー 市場は？ F1:上手さ＝初心者でプロっぽくない .82 -.87 e8 嫌い e9 因子間相関は0.05 -.60 F3:好み .85 .94 好き このあたりに市場はない F2 F2:流行＝かわいくてミーハー 31 33 8 因子負荷量散布図 SEMによるポジショニング戦略 市場の求める方向性を把握できた。 どうすればこちら にブランドを移動 できるか？ 市場は？ 一度の解析で，精度良くポジショニング戦略が 立てられた。 このあたりに市場はない しかし！どうすればブランド（製品）を移動で きるかはわからない！！困った！ 34 SEMによる分析のメリット 36 SEMの因子の分散分析を使えば・・・ 因子平均への パス係数 ٥ ブランド・ポジショニングと設計のために ٥ どのように設計を変えれば，ポジションを変える 事が出来るか？を，総合効果（上層）と情緒的ベ ネフィット（下層）をもつ構造を考えたモデルで解く ことができる。 e1 e3 情緒的ベネフィット 初心者 プロっぽい .82 -.87 e4 35 総合効果 -.52 1.00 かっこいい F3 .05 .88 e5 かわいい e6 ミーハー 製品属性 好き e8 嫌い e9 -.60 .29 .85 .94 ٥ 実験的調査を行い，因子の分散分析ﾓﾃﾞﾙ（もしく は多母集団ﾓﾃﾞﾙ）で，因子平均に効果を与える 要因を定量的に把握すればよい。 d1 F1 -.66 F2 要因１（設計条件） 要因２（情報） 37 9 解析方法 被験者間割付例（１）因子の分散分析 ٥ データ ٥ 4要因各2水準の実験的調査を行う。 ٥ 実験水準は 「−１」「１」：量 ٥ 欠損値はEM アルゴリズム で補完後解析 ٥ 今回は2回目 のデータのみ 使用 ٥ 「製品」：エッセル・ハーゲンダッツ ٥ 「ブランド名」：エッセル・ハーゲンダッツ ٥ 「価格」：100円/200ml・250円/120ml ٥ 「厳選した素材で作った」：有り・無し ٥ 解析方法 ٥ 平均・共分散 構造分析 ٥ 解析ソフト： Amos Ver4.0 40 ٥ 評価モデル 38 データ形式 考えるべきモデル 0, .32 0, .26 e27 ٥ 割付型コンジョイント分析 1 買いたい2 ٥ 同一の製品を使ったものがあり、繰り返し測定ができない． 直接効果 ٥ パネルの負荷が低い（繰返しコンジョイントに対し優位） .14 -.01, 1.00-.11 .02 .01, 1.00 -.07 .00 価格 .00, 1.00 .03 .08 厳選した素材を用いた2 -.01, 1.00 ブランド提示2 .00 .01 .00 -.01 .00 .00 -.01 .00 .01 -.01 .01-.01 .01 .00 .00 .00-.01 -.01 .01 .01 .00 製品×価格2 .01, 1.00 製品×ブランド提示2 .00, 1.00 価格×ブランド提示2 .00, 1.00 0, .68 e30 1 e31 1 5.22 試してみたい2 1.00 ٥ パネルに条件を無作為割付 0, .44 e28 4.84 好き2 .93 .89 1 4.79 0, .38 甘味の好み2 d4 .71 1 4.67 1 0, .62 e14 0, .57 e15 後味の好み2 風味の好み2 .31 -.01 食感の好み2 .09 .67 舌触りの好み2 4.66 さじ通りの好み2 .78 e21 1 0, .80 e22 4.02 0, .29 0, .92 1 薬品臭の好み2 e23 01 d3.94 4.17 0, .29 .90 1 くせの好み2 e24 塩味の好み2 1.00 4.10 0, .21 1 製品2 χ2＝580.21(df202），p=0.00， .80 .91 .76 4.83 0, .68 1 e16 バニラ臭の好み2 4.57 0, .67 .62 1 e17 1.00 さっぱり感の好み2 1 0, .76 5.14 0, .31 1 1.06 d1 e18 こくの好み2 5.09 0, .30 1 0,.53.83 e19 濃厚感の好み2 5.16 d2 0, .28 1 1 口溶けの好み2 e20 .93 0 5.24 .07 0, .24 1.00 1 0 .41 .11 .10 .06 .39 .00 .05 .09.09 .13 .04 .03 -.04 .03 -.03 .07 .02 .22 -.08 .04 .04 間接効果 4.56 思わず手に取る2 0.96 魅力（選好） 1 5.32 .26 苦味の好み2 e25 -.01 39 CFI=0.905, RMSEA＝0.081， AIC=824.21 5.42 1 総合的なおいしさ2 0, .29 41 e26 10 SEM使用の利点 ブランド：間接効果が大きい．相加効果 ٥ 目的変数が2つ以上でもOK ٥ 総合効果＝直接効果＋間接効果： ٥ 目的変数を潜在変数すれば安定化 ٥ 効果を％で示せる -0.093 価格 0.106 風味の好み ☆移動スライド ○% ｄ4 魅力（買いたさ） ○% 風味←→食感：ｒ＝0.668 風味←→くせ：ｒ＝0.084 0.578 ○ % 食感←→くせ：ｒ＝0.103 42 44 Ｄ1 製品：直接効果は小さく， 間接効果は大きい。相加効果 価格：打ち消しあって効果なし． 相殺効果 風味←→食感：ｒ＝0.668 風味←→食感：ｒ＝0.668 風味←→くせ：ｒ＝0.084 風味←→くせ：ｒ＝0.084 食感←→くせ：ｒ＝0.103 食感←→くせ：ｒ＝0.103 43 45 11 言葉「厳選した素材を使用した」： 例えば、ブランド力の効果は・・・ いずれも効果は小さいが相加効果あり (因子の誤差の) 相関：0.668 因子得点 3 2 F2食感の好み 1 魅力因子の方向 0 -3 -2 -1 0 食感←→くせ：ｒ＝0.103 46 0, .32 0, .26 e27 1 4.84 買いたい2 好き2 .93 .01 .00 価格×ブランド提示2 .00, 1.00 1 F1の差：0.826 -3 F1風味の好み あくまで総合効果として 4.56 思わず手に取る2 0.96 魅力（選好） .14 -.01, 1.00-.11 .02 ブランド提示2 .01, 1.00 -.07 .00 .00 .01 価格 .00, 1.00 .03 .00-.01 .00 .00 厳選した素材を用いた2 .08 -.01, 1.00 -.01 .00 .01 -.01 .01-.01 製品×価格2 .01, 1.00 .01 .00 .00 製品×ブランド提示2 .00-.01 .00, 1.00 -.01 .01 e31 1 5.32 .89 1 3 -2 0, .68 e30 1 5.22 試してみたい2 1.00 0, .44 e28 ☆追加スライド 2 因子平均の差は 重心の差 風味←→食感：ｒ＝0.668 風味←→くせ：ｒ＝0.084 1 -1 F2の差：0.772 48 メカニズムを 理解した後に 4.79 0, .62 1 e14 4.67 0, .57 1 0, .38 甘味の好み2 d4 e15 後味の好み2 .80 4.83 0, .68 .91 1 バニラ臭の好み2 e16 .76 4.57 0, .67 .62 1 風味の好み2 e17 1.00さっぱり感の好み2 1 0, .76 5.14 0, .31 .31 1 1.06 .71 0 .41 .11 .10 .06 .39 .00 .05 .09.09 .13 .04 .03 -.04 .03 -.03 .07 .02 .22 -.08 d1 -.01 .53.83 0, こくの好み2 5.09 1 1.11点は ブランド名差 0.49点は 製品差 e18 0, .30 濃厚感の好み2 e19 苦味の好み2 e25 5.16 0, .28 1 1 口溶けの好み2 e20 0 .93 5.24 0, .24 .07 1.00 1 食感の好み2 舌触りの好み2 e21 .09 .67 4.66 0, .80 1 さじ通りの好み2 e22 4.02 0, .29 0, .92 1 薬品臭の好み2 e23 01 d3.94 4.17 0, .29 .90 1 くせの好み2 e24 塩味の好み2 1.00 4.10 0, .21 1 d2 .78 .04 .04 製品2 .26 -.01 検証的な因子分析モデル 5.42 1 0, .29 47 49 総合的なおいしさ2 e26 12 まとめ ٥ １）①製品差と②ブランド名差と③価格差，④言葉付 加の直接比較を行い、実学的な成果を得た。 ٥ ２）「品質機能評価」と「買いたさ」への効果の 同時記述を安定的に行うことが出来た。 ٥ SEMの利用 ブランド名は製品の効果の約2 ブランド名は製品の効果の約2倍の効果！ 価格は結果的に効果なし！ 「厳選した素材を使った」も注目すべき！ ブランド名と価格の交互作用あり。 ٥ ３）市場競合品の相対的な商品力（製品力＋ブラン ド力＋価格）を把握できた。 ٥ Keller(1998）顧客ベース・ブランド・エクイティに基づく、 「相対的差異」としてのブランド価値、製品力 50 52 結果 ٥ 「エッセル」と「ハーゲンダッツ」の場合，製品差 よりも，ブランド名差の方が，品質評価（おいし さ）への影響が大きかった。 （B）多母集団の同時分析 ٥ 価格の効果は，総合的にほぼ０であった。 ٥ 間接効果と直接効果が打ち消しあった ٥ 言葉の効果は，今回は見出せなかった。 ٥ ただし、有意水準５％での話。今後の検討事項 51 53 13 多母集団の同時分析 多母集団（男女，年齢別，統制群・実験群） ٥ データの形式は3元データ ٥ 多群を比較したい（被験者間割付）。 男性 問1 問 3_8 問 3_10 P1 4 2 5 P2 5 3 6 ・ ・ ・ 問4 女性 問1 問 3_8 問 3_10 P121 2 7 6 ・ ・ ・ 5 問4 2 3 P122 3 2 7 4 3 4 P3 4 3 5 5 P123 2 7 6 3 6 4 7 7 P124 2 6 7 4 5 P5 3 5 3 2 P125 2 5 7 3 3 ・ ・ ・ ・ 6 3 3 5 1 いわゆる縦積み。ケース数を増やして同時分析する。 前提は，因子負荷量に差がない（測定不変） 差があった場合には，読み間違える。 詳細な比較ができない。 本格的 男性データ かっこいい 楽しめる ２つのデータから かわいい 女性データ ・ P120 ٥ ٥ ٥ ٥ 2 P4 ・ ٥ 従来法2：プーリング法（一般的） P240 1 5 6 3 親しみやすい 3 54 56 従来法の問題点 ٥ 従来法3：プロクラステス法 ٥ 従来法1：各群個別比較法 ٥ 男性は男性，女性は女性で解析し（探索的因子分析 を行い）比較する。（場合によっては同一のマップを作 成して重ね合わせる） ٥ 因子負荷量が違う→集約した因子空間が違うので実 際には比較できない。（相違が無いことが前提） 本格的 本格的 かっこいい かっこいい ٥ 男性，女性で個別に分析する。 ٥ どちらかを基準として固定し，他方の座標軸を回転し て極力似た軸方向に変換し，ほぼ類似の次元構造を 作る。 ٥ どちらを基準にしたかで解釈は変ってしまう。 ٥ 解析が非常に面倒でマニアック。 ٥ ソフトが限定されていて，気軽に使えない。 本格的 本格的 かっこいい 本格的 かっこいい かっこいい 楽しめる 楽しめる 回転 楽しめる かわいい 楽しめる 楽しめる かわいい かわいい 親しみやすい 親しみやすい 55 かわいい かわいい 親しみやすい 親しみやすい 親しみやすい 57 14 ٥ 従来法4：基準年法＝代入法 ٥ １つの群のデータだけを使って分析。 ٥ 出てきた結果のパラメータを固定して（因子負荷量を 固定し）他の群のデータを代入して因子得点を求める。 ٥ 完全に一致した因子空間 ٥ 基本的思想は，「測定不変」の仮定 ٥ 基準をどこに取るかで，結果が変わる可能性 本格的 カワサキ ３-Step Researchでの 利用のコツと注意点 カワサキ （女） かっこいい ホンダ（女） 楽しめる ホンダ かわいい スズキ スズキ（女） 親しみやすい 58 ヤマハ（女） ヤマハ 60 態度・行動反応モデル SEMで多母集団の同時分析 ヒト（人属性） 探索的3因子解 ٥ 多群で因子空間が同じか （測定不変が成り立つか） を検討できる。 3 食感の好み -1 0 1 2 3 -1 -2 -3 風味の好み 親近感 反応 （評価の階層構造） X1 ٥ ソフトが充実し簡単。 X2 ٥ パス図が標準出力。 X3 X 親近感 モノ（製品属性） 0.58 カッコかわいさ 0.72 59 総合評価 （因果） 情緒的ベネフィット評価 価値観 ٥ どの部分に差があるかを 詳細に検討できる。 0 -2 ヒトの反応︵ ＝﹁ 評価﹂ ︶の構造 ٥ 一度で解析できスマート。 1 バ︵状況︶ カッコかわいさ ٥ 同値制約で推定可能 -3 ヒト（人属性） 2 機能的ベネフィット評価 （因果） 物属性評価 モノ（製品属性） 61 15 分析のツボ１ よくある失敗例 ٥ 鉄則１ ٥ 製品評価・ブランド調査では，調査項目の階層性を 考慮する。 ٥ 知識を十分に活用して，事前に判別を行うこと！ ٥ 鉄則２ ٥ 第一因子「親近感」 ٥ 分析を利用する立場によって，「見たい部分」が異 なることを理解し，場合によっては部分モデルを示 すこと。 ٥ 研究所（設計）は「機能的ベネフィット」より下層。 ٥ 本社（マーケティング）は，「情緒的ベネフィット」より上層。 ٥ 鉄則３ ٥ 5段階評価で採取した項目を対象に探索的因 子分析を行った後，検証的因子分析を実施 ٥ 結果 ٥ 好き，親しみやすい，フレンドリー，やわらかい風味， ٥ 第二因子「独創性」 ٥ 特徴的である，変わっている，クセがある，薬用風味 ٥ 第三因子「安心感」 62 64 ٥ 各部分を連結した全体の構造も作成すること。 ٥ 因子負荷マップ 独創性 ٥ 鉄則４ 薬用風味が強い 特徴的である 製品D くせがある ٥ パス図のほかに，階層ごとのマップを併記すること。 ٥ 探索的因子分析はマップが標準出力，パス図は自分で 描画しなければならない。 ٥ AMOS等で行う検証的因子分析はパス図画標準出力， マップは自分で描画しなければならない。 ٥ AMOSでは，因子得点ウェイトを出力させ，各ケースの 偏差データに掛け合わせて合計し，因子得点を算出す る。 63 親しみやすい 製品E 好き マップを提示されただけで， 納得していないか？？ 製品A 製品C 親近感 フレンドリー 製品B やわらかい 風味 65 16 問題点は？ ٥ 階層性が無視されている。 ٥ 製品属性評価とベネフィット，総合評価が混在 ٥ 別階層で因子間関係が強いと同一因子となりや すい。 ٥ マップだけで満足しており，階層構造をパス 図で表すことを放棄している。 ٥ では，パス図さえ書き，構造方程式モデルで 解きさえすればいいのか？ ٥ 重要なのは， ，「測定変数（調査項目）」が適切に選 択・利用されているかということ。 択・利用されているか ٥ 「高度な分析」に騙されるな。 ٥ 分析方法の違いは，データが同じであれば，結論を 誤るほどの差異を生じさせることは稀（経験則）。 ٥ 多母集団を使う，因子の分散分析を使う，といったこと， SEMか普通の分散分析か，ということよりも何よりも， 「測定変数（調査項目）」が適切に選択・利用されているか の方が，大事 66 製品Aと製品Bを多母集団で分析 親しみやすい 好き 68 評価の階層構造の例：洗口剤 0.82 親近感 やわらかい風味 特徴的 くせがある -0.52 独創性 総合力 薬用風味 ・・・ ・・・ ・・・ 0.18 安心感 マップも同時に作成 67 69 17 分析のツボ２ その他 ٥ 鉄則5 鉄則5 ٥ 最終的には「ヒト」「モノ」「バ」の変数を分析モデルに取り込む。 ٥ 評価のモデルは，「測定道具」に過ぎない。設計では「モノ」マーケティン グでは「ヒト」の客観データとの連結を行うことが大事 ٥ 鉄則6 鉄則6 ٥ ３−Step Research と分析方法ついて， もう少し， よく知りたい方は・・・ ٥ 本日のスライドは，芳賀のＨＰに掲載 ٥ http://www.mayomi.org/ ٥ 一度の分析で，全体構造を明らかにしようせず，部分モデル から始めていくこと。 ٥ 鉄則7 鉄則7 ٥ 「統計的正確さ」と「意思決定上の粒度」を天秤に掛け，分析手 法を選択せよ。 ٥ 11月29日（火）技術情報協会にてセミナー有 ٥ 「３−Ｓｔｅｐ Ｒｅｓｅａｒｃｈによる新製品開発とブランド戦略」 ∼評価グリッド法から構造方程式モデリング，ベイジアン ネットワークまで ٥ ０３−５４３６−７７４４（担当：竹本） ٥ 時に｢確信犯」として誤った分析法を選択しても良い 70 72 評価の階層構造の例：洗口剤 71 18
© Copyright 2024 Paperzz
