广告定量研究与ＳＰＳＳ应用 广告定量研究的方法.doc

《广告定量研究与ＳＰＳＳ应用 广告定量研究的方法.doc》由会员分享，可在线阅读，更多相关《广告定量研究与ＳＰＳＳ应用 广告定量研究的方法.doc（18页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、广告定量研究与应用 广告定量研究的方法广告定量研究与SPSS应用 摘 要： 完整的市场研究分析一般要经过定性定量定性三个流程；定性分析可以把握方向，而降低成本和提升效益需要精确的数据分析和挖掘；在竞争日趋激烈的广告市场，对于综合性广告公司和大广告主而言，市场调查、广告策划与创意、广告制作、广告媒体发布以及广告效果评估等流程更加需要加强风险估计和提高市场预测的准确性；SPSS作为高级数据处理软件之一，在广告定量研究中有广泛的应用。 关键词：SPSS 广告效益 预测 定量分析 The Quantitative Research of Advertisement and SPSS Applicati

2、on Abstract: usually, integrated market research would undergo qualitative-quantitative-qualitative three phrases.Qualitative analysis can make the direct clear, but cost control and prompting efficiency need precise data analysis and mining.In the more and more petitive advertising industry, as far

3、 as prehensive advertising enterprises, it is vital to strengthen risks control, improve marketing predictive capacity during market survey, ad strategy, creation, ad making as well as media distribution; SPSS is one of advanced data process tools, which is used prehensively in relate to advertising

4、 quantitative research.Key words: SPSS advertising effectiveness forecasts quantitative analysis 一、中国广告市场总体发展趋势 从宏观上看，中国广告业发展前景看好。广告行业发展速度相对放缓，但依然强劲。根据尼尔森媒介研究测算的数字，中国在20_3年收获了145亿美元的广告收入，比上一年928亿元人民币的广告市场增长了28%，媒介研究公司尼尔森媒介亚太区董事长霍本德认为“以此速度发展，中国可望成为全球第二大电视广告市场”。 根据央视市场研究股份有限公司（CTR）公布结果看，内地广告市场潜力依然巨大。中

5、国内地去年广告花费额达1544亿人民币元(刊例价，只包括电视及平面媒体)，约1456亿港元，比前年增加39 %。香港去年广告花费额达356亿人民币元(刊例价，只包括电视及平面媒体) ，比前年上升10%。台湾去年广告花费额达937亿人民币元(刊例价，只包括电视及平面媒体)，比前年上升10 %。 从微观上看，由于高额利润的驱使，中国广告业竞争进一步加剧。根据中国对WTO的承诺，从20_4年3月份开始，外商可以参与控股中国的广告企业；从20_5年12月10日起，凡是符合规定的国外广告公司，均可在国内设立外商独资的广告企业。这意味着6万多家中国广告公司不仅要和国内同业惨烈厮杀，还要和实力雄厚的外国广告

6、公司火拼。大陆、香港企业集团在国际资本全面角逐中国市场之前，早已开始行动李嘉诚旗下TOM集团与白马集团在20_1年就开始了激烈的户外媒体争夺。20_3年，星美传媒集团组建集“制作传输发行媒介广告”五位一体超媒体航母，开始了垂直一体化经营新广告运作模式探索。 现代意义上的中国广告只有二十多年的发展史，在初期发展速度快是很正常的事情，当然，其中出现的种种问题不可能避免。 二、中国广告公司发展的核心问题 一些业内人士认为广告公司的发展核心在于客户的数量和质量，这个观点有一定的道理。从深层次来讲，广告公司发展的核心问题归根结底是广告公司专业服务水平的问题，具体到一个公司，就是核心竞争力问题。 一方面，

7、在买方市场主宰消费的背景下，人类大量的时间和精力投入在新消费手段不断被“创造和复制”的过程中，程式化的消费动作和语言逐渐占据了人们的日常行为和思维方式。当消费劳动与生产劳动力量达到均衡或前者大于后者的时候，产业工人的价值链位置也被改写了，于是，研究消费的时代在新世纪开始了；而广告是消费的“风向标”，加强对广告的控制是引领消费的必由之路，谈到控制，就牵涉到决策，要决策就必须科学分析市场，也就避免不了跟数据打交道，而精于数据处理分析和挖掘的广告公司实在太少，无法实现规模经营。 另一方面，中国改革开放以来，太阳神、爱多、秦池品牌从广告中崛起，从广告中陨落。广告给无数企业带来惊喜，也带来巨大困惑。广告

8、就像一个黑匣子，广告费投入之后，销售量就大幅度攀升，但广告与销售量之间成何种关系？我们如何确定广告投入和产出之间的关系？如何对投入的广告效果作未来预测？定性分析解决不了这个问题，许多广告主投放广告时以广告额占销售量的比例来计算，或者提出一个“大胆”的创意，制造新闻效应，到央视竞争标王，或者透支企业营业收入，负债投放广告。保守的广告策略和冒险的广告策略给企业的生产经营带来的是不确定的、无法预测的广告效果，也大大暴露出定性分析的局限性 不能为产品的销售“买单”。目前广告主对广告效果重视程度日益增强，对广告公司的市场调研和整合推广能力有了更高的要求，不再满足简单的广告创意、制作和发布几个方面，普遍要

9、求广告公司对产品销售负责。 这反映了中国广告业发展的核心问题广告公司普遍缺乏对广告加以高效控制和引导的能力，其中关键是缺乏广告定量控制分析能力。 三、发展中的定量统计分析科学 严谨的市场研究可以减少决策风险，为成功市场营销奠定基础。随着市场竞争在全球盛行,管理决策系统在市场营销领域发挥的作用越来越大，对数据的快速处理需求迅速增长。20世纪60年代末，统计分析软件SPSS（Statistical Package for the Social Sciences）在美国应时而生，即“社会科学统计软件包”，现更名为Statistical Product and Service Solutions，意为

10、“统计产品与服务解决方案”。由于其系统接口的友好性和对社会实践的预测科学性，它的全球客户已超过25万，它们分布于通讯、医疗、银行、证券、保险、制造、商业、市场研究、科研教育等多个领域和行业，是世界上应用最广泛的专业统计软件。在国际学术界有条不成文的规定，即在国际学术交流中，凡是用SPSS软件完成的计算和统计分析，可以不必说明算法，由此可见其影响之大和信誉之高。 在此期间诞生的公司还有SAS（statistical analysis system）等公司。SPSS、SAS程序界面如下所示： 统计软件科学离不开科学理论的支撑，事实上，统计学家、计量经济学家、数学家在这方面的建树颇丰。统计学经过威廉

11、配第、开特勒、恩格尔、哥塞特、科克仑等不同学派的学者开拓，到现代已经形成了庞大的统计学学术群，研究领域不断细化，出现了传播统计学、商务统计学等应用型学科，计量经济学也是在统计学基础上发展起来的，而数学则是前两者的基础，比如微积分里面的牛顿-莱布尼茨定律仍然指导着统计学的发展。去年10月8日，瑞典皇家科学院将诺贝尔经济学奖授予美国经济学家Robert F Engle和英国经济学家Clive WJGranger，同时奖励130万美元表彰两位数量经济学泰斗为世界金融所作的贡献，这是理论与实践结合而开出的美丽花朵。中国社会科学院财贸经济研究所副所长何德旭在计量经济学受宠诺贝尔一文指出：“计量经济学通过

12、把经济理论具体化和数量化，使人们能够更深刻的理解和掌握经济规律，更好的按客观规律办事，为经济主体经营管理的现代化提供了有力的支持。”由此可见，正是由于理论和实践的相互结合，推动了定量研究与应用的发展。 四、广告定量技术应用 我们可以运用统计学的概念与方法来处理广告商业经济中的各种问题，研究不确性现象的规律性，而SPSS和SAS是高效计算决策工具，可以节约大量时间和精力。运用SPSS研究各个行业市场广告项目，这样，我们就可以做出更精确、更有效、更专业的市场分析报告。 A、 行业市场的广告研究 由于广告业服务的客户来自不同的行业，因此，对每一行业客户，我们都需要进行研究，以专业服务赢得客户和市场。

13、调查分析是必不可少的一环，分析行业市场面对的首要问题便是如何处理繁杂的数据，发现其中蕴涵的规律，比如每个品牌的市场占有率、市场增长率、利润链之间的关系、分类判别分析等等，通过对这些数据的挖掘和分析，发现广告在不同的行业、不同的时间所处的地位和作用。 下面举一个轿车行业广告研究应用的例子： 编码：BANDS 品牌 GROUP 档次1=微型2=普及型3=豪华型4=中高档5=中档ADSUM 广告总额 FREQUENCIES频率 CITY 城市数 MEDIA 媒体数 SALES 销售量 bands group Adsum frequencies media city sales 千里马 2 5,096

14、.43 6,198 1,247 61 143,132 奇 瑞 2 9,239.98 8,374 1,684 63 138,581 宝 来 2 9,196.05 11,830 1,540 64 135,882 中 华 2 8,979.32 5,120 972 71 133,182 爱丽舍 2 8,189.99 4,444 1,302 63 127,783 波 罗 2 7,798.30 7,870 1,220 63 119,685 帕萨特 5 8,833.01 6,285 1,407 61 130,483 赛 欧 4 8,155.87 2,641 1,120 58 125,084 捷 达 5 5,

15、657.96 6,979 1,308 62 122,445 菱 帅 5 7,871.82 4,850 978 59 122,384 风 神 5 7,231.79 4,267 1,196 64 116,986 奥 迪 2 6,543.36 5,596 1,346 60 111,587 红 旗 2 6,254.27 5,664 1,353 62 108,887 别 克 4 5,183.28 2,690 1,037 61 103,488 吉 利 5 5,116.35 2,627 882 55 100,789 索纳塔 5 4,922.27 6,344 1,087 53 95,390 威 驰 2 4,7

16、34.43 2,440 872 51 92,691 马自达 4 4,288.03 1,680 643 54 89,991 北斗星 5 3,837.50 1,430 800 58 87,292 福莱尔 5 3,665.83 2,286 764 59 84,592 索纳塔 5 3,598.69 1,226 728 46 81,893 奥 拓 5 6,744.21 6,478 1,512 63 78,068 帕萨特 1 1,851.90 3,545 722 57 76,494 宝 马 1 1,783.50 3,571 841 59 71,095 松花江 1 1,736.62 4,638 1,030

17、57 68,396 奇 瑞 3 1,790.55 614 295 31 73,795 江南奥拓 1 691.39 2,500 539 53 61,302 奥 迪 1 358.3 741 269 50 57,598 广州本田 1 166.34 1,126 237 33 49,500 东 风 1 120.37 739 271 42 41,402 梅赛德斯 1 90.95 460 172 24 36,003 云 雀 4 1,703.91 540 317 42 65,696 凌 志 4 993.35 289 183 51 62,997 凯迪拉克 3 355.77 153 95 21 54,899 大

18、众 3 2,247.22 370 225 27 53,108 宝 马 4 284.74 125 23 17 52,199 本特利 3 149.03 418 145 24 46,800 玛萨拉蒂 1 103.66 24 150 16 38,702 法拉利 3 141.47 5 222 28 44, 菱 帅 1 60.93 358 125 20 27,904 日 产 3 77.51 23 15 22 33,303 别 克 3 72.55 45 27 9 30,604 奥 迪 3 57.57 29 17 11 25,205 日 产 3 29.22 86 48 14 22,506 嘉年华 3 25.2

19、9 15 13 6 19,806 乐 驰 4 0.2 1 1 1 17,107 注：以上数据均为截面数据，来源于慧聪汽车商务网，并稍作了调整。 现在应用向后剔除法来建立回归预测模型： Coefficients(a) Model 95% Confidence Interval for B Collinearity Statistics Lower Bound Upper Bound Tolerance VIF 1 (Constant) 13721.123 31960.907 adsum 5.091 10.057 .164 6.106 frequencies -2.062 3.665 .157 6

20、.372 media -30.819 20.896 .058 17.354 city 338.217 1043.334 .215 4.647 2 (Constant) 14385.422 32028.164 adsum 5.268 9.351 .237 4.220 frequencies -1.683 2.557 .280 3.570 city 371.814 928.138 .338 2.957 3 (Constant) 14295.937 31512.810 adsum 5.928 9.188 .364 2.747 city 399.897 930.583 .364 2.747 a Dep

21、endent Variable: sales 经SPSS检验，在剔除MEDIA、FREQUENCIES两个变量之后，方程回归系数、拟和优度、预测精度均达到显著水平,多元回归不再存在共线性、序列相关性、异方差性，可以用来预测。因此，得到两个二元回归方程： sales1=14295.937+5.928_adsum+399.897_city sales2=31512.810+9.188_adsum+930.583_city 根据统计，大约95%的预测值落在sale s 1、sales2之间，这两个方程式反映了城市数量、广告额与轿车销售量之间的因果关系，从方程式中分析，可以发现城市数量的弹性比广告额的

22、弹性要大。 再用SPSS分析广告费与轿车销售量之间的因果关系。因为满足条件，我们还可以建立广告投入和产品销售之间的反应模型。 Coefficients(a) Model Unstandardized Coefficients Standardized Coefficients t Sig.B Std.Error Beta 1 (Constant) 41153.146 2844.878 14.466 .000 adsum 10.817 .609 .937 17.768 .000 a Dependent Variable: sales 得到一元一次回归方程：sales=ad sum_10.817+

23、41153.146 通过以上方程式，对广告投入产出之间的关系以及程度，我们通过建立模型来确定，在此基础上，我们可以通过广告费的支出来预测轿车销售量。 回归模型分析预测不大适用于长期预测，因为市场环境变化导致竞争力量常常发生变化，而回归模型是一种静态预测模型，所以，在实际应用中，较多采用时间序列分析方法。 B、 广告事前调研和评估 去年6月，哈尔滨制药六厂老总汪兆金在国家工商总局召开的广告监测会议发言曾谈到，“广告是市场经济的敲门砖，没有广告就没有哈药六厂，就没有个亿的销售收入。但广告是一把双刃剑，毁掉一个企业，有时只需一夜。盖中盖广告事件让企业砸进几个亿。”哈六厂在20_2年的表现的确不俗，2

24、亿广告换回10个多亿的收入之后，发生的盖中盖广告事件让哈六厂差点跌入当年秦池的绝境。狭缝中存活下来的新盖中盖再也无法续写当年的业绩，这可以看作是中国广告业发展的一个里程碑。 随着中国市场竞争进一步白热化，近几年广告费年支出上亿的企业越来越多，去年有10家企业广告费超过10亿，对于日益庞大的广告支出，广告主如果对广告效果缺乏预见和控制，很可能造成全盘溃败，这类例子，从许多央视标王的陨落可以反映出来，它们大都呈现出这种特征：一方面是庞大的广告支出，一方面是吃紧的企业生产销售资金链，一旦其中一方出现危局，另一方就无法正常运营，最后失利的是企业自己。如果当时企业在投放广告之前做一番专业的市场测试，也不

25、可能输得那么狼狈。 这也反映了巨额广告的事前调研和评估的必要性。 例如：A 公司停止投放产品电视广告已经有6个月，产品销售量增长幅度逐渐放缓，该公司市场推广部经理就需要考虑是不是在这个时候再次投放电视广告。因为预算有限，就需要开展调查以决定是不是广告停播的原因导致产品知名度大大降低，销量下滑。 采用实验法，开展广告认知度调查，收集的数据如下： 编码：reco_value 认知度 group=1表示看过该广告 group=0 表示没看过该广告 reco_value group 4.20 1 3.70 1 4.10 1 3.60 1 3.40 1 4.70 1 4.60 1 4.30 1 3.90

26、 1 3.10 1 2.50 0 3.30 0 3.60 0 4.50 0 3.80 0 2.90 0 4.30 0 4.10 0 3.20 0 3.50 0 方差齐性检验SIG.=0.6250.05，表明两个实验组方差均等，可以用于方差分析。 Test of Homogeneity of Variances reco_value Levene Statistic df1 df2 Sig.248 1 18 .625 方差分析检验如下： ANOVA reco_value Sum of Squares df Mean Square F Sig.Between Groups .760 1 .7 60

27、 2.303 .147 Within Groups 5.945 18 .330 Total 6.705 19 两个样本之间自由度为1，F值为2.303，显著性检验SIG.=0.1470.05，表明两组之间不存在显著性差异，这种推断的置信度为95%。 因此，可以得出结论，该公司以前的广告知名度效果没有显著性降低，因此假设不成立，企业没有必要通过投放广告来提高知名度。 如果此次调研成本为5万，而广告投放成本为20_万，如果广告播出浪费费用为50万，那么，我们就可以认为旨在提高知名度的广告在现在没有投放的必要，这次调研成本花费是科学合理的。 C、 广告创意测试评估 广告公司召开创意讨论会，除了激发灵

28、感之外，还要决定哪些IDEA可以用来提案，我们经常面临的困惑就是：评价创意是以创意人资历为标准，还是以创意本身为标准？如果是后者的话，又如何认定前者的次优性？我们把“把关权”放在创意总监的手里其实也不可_，因为决定创意命运的不是创意总监，而是广告受众。广告主评判创意的标准是：该广告是否可以最大程度的促进产品或服务的销售，这样，我们回到消费者这一“上帝”上面来探讨，如果一个广告创意的大部分受众认为CFA比CFB好，我们应该执行目标消费群认可的CFA。 编码：CF A=1 B=2 Creative 1=非常 2=好 3=一般 4=差 Partial 1=高 2=中等 3=低 occupation

29、1=老师 2=经理 3=员工 4=其他 age stage 1=15-17岁 2=18-21岁 3=21-23岁 4=23-25岁 5=25-30岁 6=其他 cf creative partial occupation Agestage 1 2 1 4 2 1 3 2 1 4 1 2 3 2 5 1 1 2 1 4 1 2 1 2 6 1 2 2 1 4 1 1 1 2 5 1 2 2 3 5 1 2 2 1 4 1 1 3 1 4 2 2 2 1 3 2 4 2 1 3 2 3 3 3 3 2 3 2 2 6 2 4 2 1 3 2 3 3 2 4 2 3 3 2 4 2 4 2 3 4

30、2 2 1 3 5 2 4 3 4 2 首先，运用spearman等级相关系数统计计算出各变量与各组创意方案的关联程度。 Nonparametric Correlations（非参数相关系数） CF creative partial occupation Age stage Spearmans rho CF Correlation Coefficient 1 .727(_) 0.283 0.219 -0.325 Sig.(2-tailed) .0 0.226 0.353 0.162 N 20 20 20 20 20 creative Correlation Coefficient .727(_

31、) 1 0.306 0.187 -0.401 Sig.(2-tailed) 0 .0.189 0.429 0.079 N 20 20 20 20 20 partial Correlation Coefficient 0.283 0.306 1 -0.04 -0.266 Sig.(2-tailed) 0.226 0.189 .0.868 0.256 N 20 20 20 20 20 occupation Correlation Coefficient 0.219 0.187 -0.04 1 0.02 Sig.(2-tailed) 0.353 0.429 0.868 .0.934 N 20 20

32、20 20 20 agesta ge Correlation Coefficient -0.325 -0.401 -0.266 0.02 1 Sig.(2-tailed) 0.162 0.079 0.256 0.934 .N 20 20 20 20 20 从相关系数分析可以看出，只有变量CREATIVE与不同创意方案存在显著差异。（SIG.=0.000d | G=g) P(G=g | D=d) Squared Mahalanobis Distance to Centroid p df Original 1 2 2 0.402 1 1 0.702 2 2 2 0.458 1 1 0.55 3 2

33、 2 0.458 1 1 0.55 4 2 2 0.538 1 1 0.38 5 2 2 0.038 1 1 4.288 6 2 2 0.458 1 1 0.55 7 2 2 0.458 1 1 0.55 8 2 2 0.038 1 1 4.288 9 2 2 0.458 1 1 0.55 10 2 2 0.458 1 1 0.55 11 2 2 0.458 1 1 0.55 12 2 2 0.038 1 1 4.288 13 2 2 0.458 1 1 0.55 14 2 2 0.476 1 1 0.508 15 2 2 0.458 1 1 0.55 16 2 2 0.458 1 1 0.5

34、5 17 2 2 0.476 1 1 0.508 18 1 1 0.825 1 1 0.049 19 1 1 0.75 1 1 0. 20 1 1 0.9 1 1 0.016 21 1 1 0.9 1 1 0.016 22 1 1 0.256 1 1 1.291 23 1 1 0.9 1 1 0.016 24 1 1 0.825 1 1 0.049 25 ungrouped 1 0.002 1 1 9.205 26 ungrouped 1 0.002 1 1 9.205 27 ungrouped 1 0.002 1 1 9.205 28 ungrouped 1 0.825 1 1 0.049

35、29 ungrouped 1 0.002 1 1 9.205 30 ungrouped 2 0.458 1 1 0.55 For the original data, squared Mahalanobis distance is based on canonical functions.each case is classified by the functions derived from all cases other than that case.通过判别，我们可以发现组别的差异程度和对未判别的数据再次判别的必要性。媒体判别分析的一个很大的优点便是为大型的广告投放计划选择恰当的媒体，特

36、别是当对小部分媒体的特性非常陌生的时候，这种判别分析的方法最有效用。 广告媒体分析还包括收视率、千人成本、广告接触率等众多变量，这些都可以用统计数据来表示，正如美国测量学家麦柯尔所说：“凡有数量的东西都可以测量。”计量经济学执行数字判断哲学，对事物比较优劣通过数据来表示也是定量研究的一大优势。 在实际的广告媒介经营单位广告收费中，广告价格和折扣经常偏离媒体实际价值，通过定量广告媒介统计分析，可以挖掘出广告媒介投放效益所在，从而趋利避害。 E、 广告绩效的评估 对广告绩效的评估，历来受到广告主的重视，也是广告公司的软肋。目前许多广告公司对产品销售量无法作出保证，因为无力承担产品销售的风险。事实上

37、，在市场营销反映模型里面，根据分析，我们就可以对产品销售和广告之间的投入产出做出一定范围的预测，这样，不仅降低了风险，还可以增强客户对公司的信任。 欲对广告绩效的评估，必须首先确定度量广告绩效的尺度。业界比较盛行的尺度有：心理效果、行为改变效果、知名度和美誉度效果、产品销售效果等等。对于不同类型的广告而言，评判的尺度应该有所差别，比如促销型的广告应该与产品销售效果挂钩；品牌广告应该与知名度、美誉度、忠诚度挂钩。 下面举一例： 一企业广告投入和产品销售统计数据如下： 编码：ad_cost=月广告投入（万元）SALES=月销售额（万元） pre_1mape为前面两个变量的Z标准分数 ad_cost

38、 sales pre_1 mape 58.90 477.00 508.14306 0.07 70.90 559.00 583.45753 0.04 74.80 570.00 607.93474 0.07 78.80 622.00 633.03956 0.02 88.20 671.00 692.03590 0.03 90.80 702.00 708.35403 0.01 111.80 738.00 840.15436 0.14 122.20 763.00 905.42691 0.19 99.60 818.00 763.58465 0.07 92.40 849.00 718.39596 0.15

39、100.00 864.00 766.09513 0.11 116.60 921.00 870.28015 0.06 138.70 982.00 1,008.98431 0.03 158.60 1,065.00 1,133.88081 0.06 148.37 1,124.00 1,069.67522 0.05 141.50 1,111.00 1,026.55768 0.08 方程拟合优度、序列相关性检验： Model Summary(b) Model R R Square Adjusted R Square Std.Error of the Estimate Change Statistics

40、Durbin-Watson R Square Change F Change df1 df2 Sig.F Change 1 .930(a) .864 .864 76.56161 .864 89.192 1 14 .000 1.021 a Predictors: (Constant), ad_cost b Dependent Variable: sales 方差显著性检验： ANOVA(b) Model Sum of Squares df Mean Square F Sig.1 Regression 522815.486 1 522815.486 89.192 .000(a) Residual 82063.514 14 5861.680 Total 604879.000 15 a Predictors: (Constant), ad_cost b Dependent Variable: sales SIG第 18 页 共 18 页