PDF Google Drive Downloader v1.1


Báo lỗi sự cố

Nội dung text Chapter 3. Marketing Segmentation Analysis .docx


Phân đoạn thị trường theo tâm lý: chia người mua thành các phân đoạn khác nhau dựa trên tầng lớp xã hội, phong cách sống hay đặc điểm tính cách. Phân đoạn thị trường theo hành vi: chia người mua thành các phân đoạn dựa trên kiến thức, thái độ, cách sử dụng hay các phản ứng của họ đối với một sản phẩm. 3.2.3. Các yêu cầu của phân đoạn thị trường Có thể đo lường được: Có thể đo lường quy mô, sức mua và đặc điểm các phân đoạn. Có thể tiếp cận được: Có thể tiếp cận và phục vụ các đoạn thị trường một cách hiệu quả. Có quy mô đáng kể: Các phân đoạn thị trường phải đủ lớn và có khả năng sinh lời. Có thể phân biệt được: Có thể phân biệt được các phân đoạn; các phân đoạn khác nhau phải có phản ứng khác nhau đối với chương trình marketing. Có tính khả thi: Có thể thiết kế và thực hiện các chương trình marketing hiệu quả để thu hút và phục vụ các phân đoạn (phù hợp với năng lực của công ty). 3.2. Phân tích nhân tố để phân đoạn thị trường 3.2.1. Tổng quan về phân tích nhân tố Định nghĩa phân tích nhân tố Phân tích yếu tố (factor analysis) giúp giảm số lượng biến số ban đầu xuống còn một số lượng dễ quản lý hơn trước khi tiến hành phân cụm khách hàng thành các nhóm (Cluster) (TL6 P89). Phân tích yếu tố là một phương pháp thống kê nhằm giải thích sự biến thiên và tương quan giữa một tập hợp lớn các biến bằng cách nhóm chúng thành một số lượng nhỏ hơn các nhân tố. Mỗi nhân tố đại diện cho một cấu trúc tiềm ẩn hoặc ẩn ảnh hưởng đến các biến quan sát được. Phân tích nhân tố có thể giúp bạn đơn giản hóa dữ liệu và tiết lộ cấu trúc và ý nghĩa cơ bản của các biến. Bằng cách sử dụng phân tích nhân tố, bạn có thể giảm số lượng biến xuống mức có thể quản lý được, tránh trùng lặp và đa cộng tuyến, đồng thời tạo điểm số hoặc chỉ số tổng hợp dựa trên các yếu tố. Ví dụ: một cửa hàng bán lẻ đang muốn hiểu hành vi mua hàng của khách hàng, họ có thể xem xét các biến số như 'sản phẩm có đáp ứng mong đợi của bạn không?', 'bạn đánh giá
giá trị đồng tiền bỏ bỏ ra so với giá trị sản phẩm nhận lại như thế nào?' và 'bạn có tiếp cận được sản phẩm dễ dàng không?'. Phân tích nhân tố có thể giúp cô đọng các biến trên thành một nhân tố duy nhất, chẳng hạn như “sự hài lòng của khách hàng”. Phân loại phân tích nhân tố Phân tích nhân tố bao gồm 2 phân loại chính: phân tích nhân tố xác định (confirmatory factor analysis - CFA) và phân tích nhân tố khám phá (exploratory factor analysis - EFA). Phân tích nhân tố xác định (confirmatory factor analysis - CFA) CFA là một kỹ thuật thống kê được sử dụng để kiểm tra xem một lý thuyết đo lường cụ thể, bao gồm các biến đo lường và các yếu tố, có phù hợp với dữ liệu thực tế hay không. Ngược lại với CFA, các yếu tố EFA được rút ra từ kết quả thống kê chứ không phải từ lý thuyết (TL7, chapter 10). EFA và Thành phần chính (PCA) được tiến hành mà không biết có bao nhiêu nhân tố thực sự tồn tại (nếu có) hoặc biến nào thuộc về cấu trúc nào. Khi áp dụng một trong hai, nhà nghiên cứu sử dụng các hướng dẫn đã thiết lập để xác định biến nào tải tốt nhất trên một nhân tố và giữ lại bao nhiêu nhân tố. Nhà nghiên cứu đặt tên cho các nhân tố sau khi thực hiện EFA. Về mặt này, CFA và EFA không giống nhau. Với CFA, nhà nghiên cứu phải chỉ định cả số lượng nhân tố tồn tại cho một tập hợp các biến và nhân tố nào mà mỗi biến sẽ tải trước khi có thể tính toán kết quả. Do đó, kỹ thuật thống kê không gán biến cho các nhân tố. Thay vào đó, nhà nghiên cứu thực hiện việc gán này dựa trên lý thuyết đang được kiểm tra trước khi có thể thu được bất kỳ kết quả nào. Phân tích nhân tố khám phá (exploratory factor analysis - EFA) Phân tích yếu tố khám phá (EFA) là một phương pháp thống kê được sử dụng để phân tích mối quan hệ giữa một lượng lớn các biến và giải thích các biến này bằng các yếu tố tiềm ẩn chung (factors). Mục tiêu là tìm ra cách cô đọng thông tin (condensing the information) chứa trong một số biến ban đầu thành một tập hợp các biến (Factors) nhỏ hơn với tổn thất thông tin tối thiểu (minimal loss of information). Nói một cách dễ hiểu, mục đích chính là xác định cấu trúc cơ bản giữa các biến trong phân tích. (TL7 - P25) Trong EFA được phân loại thành 2 loại bao gồm cả phân tích thành phần chính (Principal Component Analysis) và phân tích yếu tố chung (common factor analysis ). Trước khi phân biệt, hãy tìm hiểu Phân vùng phương sai của một biến (Partitioning the Variance of a Variable). Ba loại Phương sai được xem xét khi áp dụng phân tích nhân tố
khám phá: phương sai chung (Common variance) và phương sai duy nhất (Unique variance) - có thể được chia thành phương sai cụ thể (Specific variance)và sai số (error variance). Khi bạn cộng ba loại phương sai lại với nhau, bạn sẽ có tổng phương sai (Total Variance) ● Phương sai chung là phương sai trong một biến được chia sẻ với tất cả các biến khác trong phân tích. Phương sai này được tính dựa trên các tương quan của biến với tất cả các biến khác trong phân tích. Các biến có phương sai chung cao dễ áp ​​dụng phân tích nhân tố khám phá hơn vì chúng tương quan nhiều hơn với các biến khác trong phân tích. ● Phương sai duy nhất là phương sai chỉ liên quan đến một biến cụ thể và không được biểu thị trong các tương quan giữa các biến, gồm phương sai cụ thể và lỗi (specific and error variance). Phương sai cụ thể không thể được giải thích bằng các mối tương quan với các biến khác nhưng vẫn liên kết duy nhất với một biến duy nhất. Nó phản ánh các đặc điểm duy nhất của biến đó ngoài các biến khác trong phân tích. Phương sai lỗi cũng là phương sai không thể được giải thích bằng các mối tương quan với các biến khác, nhưng nó là do sự không đáng tin cậy trong quá trình thu thập dữ liệu, lỗi đo lường hoặc một thành phần ngẫu nhiên trong hiện tượng được đo lường. Mặc dù không cần phải ước tính chính xác về sự phân chia phương sai đơn nhất thành phương sai cụ thể và lỗi cho phân tích, nhưng việc hiểu chúng là rất quan trọng để đánh giá một biến trong kết quả yếu tố, đặc biệt là trong quá trình phát triển thang đo. Phân tích thành phần chính (Principal Component Analysis) và phân tích nhân tố chung (common factor analysis ) (PCA): Kỹ thuật này biến đổi các biến ban đầu thành một tập hợp mới các biến không tương quan, được gọi là các thành phần chính, là các tổ hợp tuyến tính của các biến ban đầu. Phân tích nhân tố chung chỉ dựa trên cơ sở phương sai chung và giả định rằng cả phương sai duy nhất và sai số đều không được quan tâm trong việc xác định cấu trúc của các biến. Nó hữu ích hơn trong quá trình phát triển quy mô (tức là xác định các cấu trúc tiềm ẩn) và khi nhà nghiên cứu có ít kiến thức về phương sai duy nhất. Phân tích thành phần chính, xem xét tổng phương sai, rút ​​ra các yếu tố tập trung vào phương sai chung nhưng cũng chứa một tỷ lệ nhỏ phương sai cụ thể và trong một số trường hợp, phương sai sai số. Phân tích hành phần chính được ưu tiên khi giảm dữ liệu

Tài liệu liên quan

x
Báo cáo lỗi download
Nội dung báo cáo



Chất lượng file Download bị lỗi:
Họ tên:
Email:
Bình luận
Trong quá trình tải gặp lỗi, sự cố,.. hoặc có thắc mắc gì vui lòng để lại bình luận dưới đây. Xin cảm ơn.