定性與定量研究相結合，評估品牌/產品名稱的優劣

文中的消費者（customer）指的是市場中的普通消費者（≈C 端），客戶（client）指的是購買市調解決方案的公司（≈B 端）

01 定性研究（Qualitative Research）

定性階段的目標是探究消費者心智以及提煉消費者聲音。

定性階段會收集意識或潛意識層面的想法，這有助於我們後續設計定量測試。

定性研究能獲悉大量有關態度、信念和觀點的資訊，也能比較不同社會心理背景下的差異。

定性研究為客戶提供了更好地理解和評估消費者行為和情緒的可能。

客戶也因此能夠了解哪些名稱會引起消費者積極或消極的反饋。

焦點小組將幫助我們進一步探索瞭解當前或潛在消費者的觀點。

焦點小組將會探討這些內容：

1、消費者的人口學特徵

2、產品名稱如何影響消費者的購買過程

3、對候選名稱的積極與消極的反應

4、某個名稱所欠缺的是什麼？

5、名稱有多好記？

6、候選名稱會喚起哪些想法？

7、為什麼比起名稱 B 更傾向於選擇名稱 A？

8、現有或目標消費者的生活方式是怎樣的以及他們為什麼使用這類產品？

9、他們對產品所產生的情緒

10、消費與購買習慣

02 定量研究（Quantitative Research）

定量階段的目標是對每個候選產品名稱（共 4 個）進行評分和排序。

定量研究將會獲得有關產品名稱偏好、市場資訊和已盡 / 未盡需求的洞察。

基於我們在類似專案中的經驗，我們建議使用定量的方式來處理 “消費者的聲音”。

下述線上消費者調查的內容就可以被量化：

1、對候選產品名稱的偏好程度

2、產品名稱的重要性級別

3、他們是否會因為產品名稱而不購買產品

4、他們購買某個有特定名稱產品的頻率

5、他們購買產品的頻率以及如何使用產品

6、他們對產品的態度和使用情況

對於每一個產品，我們會詢問 2 個問題，外加第 3 個追蹤問題：

第 1 個問題是固定總額分配題，用於測量相對偏好度（relative preference）

如：

把 20 分分配給下列四個產品名稱，你的分配結果即代表你對於這些名稱的相對偏好程度。

這類問題用於測量偏好的程度（可以作為等距或等比資料進行解讀）。

需要注意的是，總分數的設定需要能被參與測試的名稱數量整除，這樣偏好無差異的受訪者就能夠給予每個選項相同的分數（比如這裡, 就是 4*5=20）。

第 2 個問題詢問的是對最喜歡的選項的絕對喜愛度（absolute liking）

例如：

如果 1 分表示非常不喜歡，7 分表示非常喜歡，你會給問題一中你最喜歡的產品名稱打幾分？

這個 7 點計分的量表是經典的李克特量表，不過其他的量表也是可行的。

但是要記住，使用奇數點數的量表允許受訪者給出中立的回答，而偶數量表（比如 1-10 分量表）會這讓受訪者從數學意義上就無法給出中立的回答，我認為在這種情況下是可取的。

第 3 題只對第 2 題中的打分低於某個閾值的受訪者詢問，探索是否有更好的替代

例如：

你能否提供一個在你看來比【你在題 1 裡選的最優選項】更好的名字？

這個問題應當允許跳過，而且需要限制在很短的時間內作答（比如 5 秒），這樣才能得到一個下意識的回答，而不是深思熟慮的答案。

一些替代方案和洞察

調查也可以只對 4 個產品詢問第二個問題，然後從絕對喜愛度中推測相對偏好度。

不過，這樣的問題和固定總額分配題相比，填答者的參與深度會沒有那麼深，而且會有 “全都選一樣” 的風險。

這種風險可能來自受訪者不願做判斷，或 “我亂填一下拿錢就好” 的心態。

提及備選名稱，有些公司會起一個和產品在語義上有聯絡的名字。

不過，這也意味著在同一類產品中，名字可能是可互換的。

如果真是這樣，我們也能順理成章地向受訪者問一個 “配對” 題。

例如：

請從這 7 個候選的產品名裡，分別給這四個產品選一個最佳的名字。

有些客戶會對這四個產品設想出不同的消費者畫像。

這些畫像主要是分類變數（性別、年齡段、種族 / 民族等等）的組合。

因此這些資訊也可以在調研中一併採集，這樣就能判斷不同候選名稱的吸引力在人口學背景之間是否存在差異。

03 戰略分析（Strategic Analysis）

戰略分析會結合從第一階段的定性研究（焦點小組）以及第二階段的定量研究（線上消費者調查）中獲得的資訊，以連貫且有效的形式展示出來。

交付物可以是一份綜合性的 PPT 報告，內容包含：

1、消費者對候選產品名稱的感知

2、積極的反應

3、消極的反應

4、影響消費者對產品名稱感知的因素

5、進階分析

6、每個產品的最佳名稱

7、推薦的名稱

8、結論

就進階分析來說，最好先提出問題, 再選擇對應分析工具。

不過，考慮到我們在目標變數（產品名）和人口學變數上採用的是離散選項，我們可以明確地採用非引數檢驗來考察定序資料之間的關係。

聚類分析以及 Logistic 迴歸也可能有所幫助，這取決於客戶具體想了解些什麼，以及更重要的，結果本身。

例如：

• 目標變數內：喜歡某一個名字的受訪者是否也會傾向於另一個名稱？名字之間是否存在高偏好度的 “叢集”？

• 目標變數與人口學變數之間：某些人口學背景的受訪者是否會更喜歡某些名字？名字的絕對喜好度是否與人口學特徵存在關聯？

最終的交付物將會是一份能給管理層提供行動計劃的高影響力報告。