SPSS对应分析-案例：品牌形象定位/市场定位
在企业营销中，经常需要明确产品定位。即需要清楚以下几个问题：
1、什么样的消费者在使用我们的产品？
2、不同的消费者在购买习惯和使用习惯上存在什么差异？
3、在消费者心目中不同的品牌，形象有哪些不同？
要想知道这个几个答案，必须通过一定的数据采集手段来采集数据，然后借用数据分析工具来分析数据，最后实现品牌形象或市场定位分析。
通常情况下，我们会通过市场调查来采集数据。
市场调查的问题一般是这样的：
下面是一些关于啤酒品牌的描述词语，请您使用几个词语来形容您刚才提到的所有品牌，您觉得各品牌应该用哪些词来形容，才最为恰当？每个啤酒品牌会有多个不同产品，请综合考虑一下您对这个啤酒品牌的整体印象。如果您认为没有任何一个品牌适合，您可以在“以上都不是，您觉得应该是_____”这一项的横线上写出您认为贴切的词。
品牌
品牌形象描述
通过消费者调研得到原始调研数据。
原始调研结果
其实质是将交叉表变换为一张散点图，从而将交叉表中所包含的类别关联的信息用各个散点的空间位置关系的形式表现出来。
所以说做对应分析最主要的是解决两个问题：一是，如何将交叉表变换为一张散点图？二是，如何用散点图中各个散点的空间位置是解读数据间的关联性？因此，我们下面就来分别回答这两个问题。
一、将交叉表变换为一张散点图
1、在Excel中将以二维表形成呈现的结果转化为一维表
步骤1：先按“Alt+D”组合键，然后松开，再按字母“P”，打开“数据透视表和数据透视图导向”对话框。在数据源类型中选中“多重合并计算数据区域”，并单击“下一步”按钮。
步骤2：选中“创建单页字段”，并单击“下一步”按钮。
步骤3：在选择区域中选择整个二维表的数据区域，单击“添加按钮”，并单击“下一步”按钮。
步骤4：在“数据透视表显示位置”选择“新建工作表”项，然后单击“完成”按钮，即可完成数据透视表的创建。
步骤5：在“数据透视表字段列表”窗格中，取消对“选择要添加到报表的字段”列表中的“列”和“行”字段的勾选，即将“列”和“行”前面的“√”去掉。
步骤6：双击透视表中的最后一个单元格，即汇总单元格，excel会自动创建一个新的工作表，即为基于原二维表数据源生成的一维表。
二维表转一维表
2、在Excel中完成变量编码
做对应分析就是要用各散点间的距离体现“啤酒品牌”和“品牌形象”的关联关系。
计算距离要求变量是数值型的，而从“啤酒品牌”和“品牌形象”这两变量都是文本型的，所以为了使这两个变量能够参与运算，需要将其编码，使之转变为数值型（即记录用数值来表达）。
变量编码
按照编码规则，“啤酒品牌”和“品牌形象”的记录应换为编码值，通常情况下，利用EXCEL中的函数来实现。函数的作用是：在表格或数值数组的首列查找指定的数值，并由此返回表格或数组当前行中指定列处的数值。
3、将EXCEL数据导入SPSS中，设置变量标签
打开SPSS，将EXCEL数据导入SPSS中，并设置变量值标签，实现编码与“啤酒品牌”及“品牌形象”的匹配。
4、对数据进行对应分析
注意：在正式做分析前，需要对“客户数”进行“加权个案”。（在分组计数的情况下，做多元对应分析和类别主成分分析需要对数据进行加权个案。）
然后再”打开“降维”-“对应分析”工具，进行对应分析。
对应分析过程
5、对生成图片进行美化
生成了对应分析表后，通过图表颜色、水平线和垂直线的设置完成图表美化。
图表美化
6、图表解读
如何根据图表中各散点的距离，解读啤酒品牌与品牌形象的关联性呢？解读一般分为两
1、考察同一变量的区分度
首先分别考察行变量、列变量各类别间是否被清晰地分开了。可以分别检查在各个维度上的区分情况，如果同一变量不同类别在某个方向靠得较近，则说明这些类别在该维度上的区别不大。
据此，从图表4我们可以得出，从啤酒品牌来看：品牌E与品牌G、品牌C与品牌D在消费者心目中的形象比较接近，而品牌B、品牌A与其他品牌的距离较远，说明这个品牌在消费者心目中的形象差异较大。
2、考察变量间的联系
这是对应分析所真正关系的问题。一般而言，落在从图形原点（0，0）处出发相同方位上，大致相同区域内的不同变量的分类点彼此有联系。散点间距离越近，说明关联倾向越明显。
据此，从图表4我们可以看出，有实力的、质量有保障的、稳重的、包装吸引人的距离品牌D较近，换句话说品牌D的品牌形象是有实力、质量好、品牌成熟稳重、包装好；品牌A的品牌形象是经典的；品牌G的品牌形象是年轻的。
点击标题查阅往期内容
IBM SPSS 通过数据挖掘我们能从股市数据得到什么
SPSS中的等级线性模型 研究整容手术数据
采用SPSS 的Web复杂网络对所有腧穴进行分析
使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM
R语言法国足球联赛球员因子分析、主成分分析（FA，PCA）
主成分分析(PCA)原理及R语言实现及分析实例
偏最小二乘回归（PLSR）和主成分回归（PCR）
R语言高维数据的主成分pca、 t-SNE算法降维与可视化分析案例报告
使用和Keras进行主成分分析、神经网络构建图像重建
R语言中的岭回归、套索回归、主成分回归：线性模型选择和正则化
R语言无监督学习：PCA主成分分析可视化
