一、问题提出

　　在市场细分研究实践中，我们常常遇到这样的困惑，究竟是哪些不同特征组群（年龄、文化程度、收入、职业等）的消费者是我们研究产品/服务的主力消费群体，他们在消费行为上有什么差异，潜在客户对产品/服务特性要求和需求倾向是怎样的等等。如果只有较少的两个变量，且每个变量划分类别/组别较少（比如性别变量仅有男女两个类别）的时候我们可以通过交叉列表来表现他们之间的关系，如果每个变量划分有多个类别再用交叉列表就很难直观地揭示出变量之间的内在联系。

二、解决方案

　　近年来，对应分析方法的运用则有效地解决了这些问题。
　　对应分析方法（Correspondence Analysis）又称相应分析是一种多元相依变量统计分析技术，是通过分析由定性变量构成的交互汇总数据来解释变量之间的内在联系的。同时，使用这种分析技术还可以揭示同一变量的各个类别之间的差异以及不同变量各个类别之间的对应关系。目前该统计研究技术在市场细分、产品定位、品牌形象以及满意度研究等领域正在被越来越广泛地运用。

三、案例介绍

　　本文以2004年10月河南强视市场研究公司在郑州对手机潜在消费者300个样本的入户研究项目数据进行分析，揭示对应分析的基本原理和使用方法。

　　1.调查目的介绍
　　本次调查手机潜在用户共细分为7个特征属性，包括4个年龄特征“18-25岁”、“26-35岁”、“36-45岁”、“46-55岁”和3个文化程度特征“初中以下”、“高中/中专”和“大学及以上”。手机产品也使用功能、价格等因素细分了7个特征属性，即“待机时间长”、“大显示屏”、“操作简单”、“外观时尚”、“功能强”、“价格合理”和“信号接收好”。研究人员希望通过对应分析发现不同特征属性的手机潜在用户对手机属性特征的偏好。

　　2.基础资料整理
　　对应分析需要将潜在消费者特征与产品特征属性按交叉列表的方式整理，本例整理结果见表1。

表一 潜在用户调研基础数据

　　3.计算惯量，确定维度
　　惯量(inertia)实际上就是常说的特征根值(Eigenvalue)，表示相应维度对各类别的解释量，维度的数量最大等于“行变量数－1”与“列变量数－1”中的较小者，本例最多可以产生6个维度。从笔者通过SPSS11.5计算结果（表3.2）可见，第一维度的解释量达64.1%，前2个维度的解释量已达83.7%。

表二 各维度的惯量、奇异值

　　选取几个维度对结果进行分析，需结合实际情况，一般解释量累计比例达80%以上即可获得较好的分析效果，故本例取两个维度即可。对应分析中与惯量相联系的另一个概念是奇异值(Singular Value)，它等于惯量的平方根，表示交叉表中每个对应点的行分值与列分值的相关系数。

　　4.计算行、列在各维度的得分（投影）
　　针对每一个惯量，由分别计算行（潜在消费者特征）、列（产品特征属性）在相应维度上得分，计算结果见表3和表4。

表三 各类别在行维度上的得分（投影）

表四 给类别在列维度上的得分（投影）

　　5.对应分析图（定位图）
　　对应分析将潜在消费者特征与产品特征属性指标直观地表达在同一张图形上。将表3反映在2维坐标系下即得对应分析图（见图1），从图中可以非常直观地反映出不同特征的潜在消费者对手机产品特征属性的偏好程度，具体如下：
　　（1）年龄在“46-55”之间、“初中及以下”学历的被调查者要求手机必须“操作简单”。
　　（2）年龄在“18-25”之间的青年人要求要求手机必须“外观时尚”和“功能强”。
　　（3）年龄在“46-55”之间、“高中/中专”学历的被调查者要求手机必须“大屏显示”。
　　（4）年龄在“26-45”之间、“大学以上”学历的被调查者要求手机必须“待机时间长”和“信号接收好”。

图1 对应分析图