『三分钟学分析』Graveyard分析模型是真的牛X！

我是小z

这是不吹牛『三分钟学分析』的第 2 篇，在上篇品牌知名度实例的基础上，讲一个经典分析模型，对品牌知名度做更立体的分析。

目前市面上相关视角还比较少，相信一定会给大家一些新的感觉。

为了帮助大家练习巩固，我用Excel和Python分别做了实现。

印象不深的同学可以花3分钟回顾一下：『三分钟学分析』：品牌知名度分析实例

不回顾也不要紧，我强大的概括（啰嗦）能力写出的背景介绍会把一切说的明明白白。

模型背景

某品牌知名度，是指目标区域内，有多少人听过这个品牌。

之所以有这样的指标，是因为在人类基因里，深深印刻着熟悉度和好感度正相关的公式。

品牌要想成为品牌，产品要想成为畅销品，首先得让更多的人知道产品、品牌的存在，这是心智占领的第一步。

假设我们为A品牌调研了100个人，细究其品牌知名度，可以拆分成：

• 第一提及品牌知名度。当问“联想到某个行业或者产品，你会想到什么品牌”，100个人有20个回答了A品牌，那第一提及品牌知名度就是 20 / 100 = 0.2

• 提示前品牌知名度。追问“还能联想到什么品牌”，100个人又有30个提到了A，加上第一提及的20个人，提示前品牌知名度 = （20 + 30）/ 100 = 0.5

• 提示后品牌知名度。拿出事先准备的品牌列表，依次询问是否听说过，又有40个人在这个环节想到了A品牌。提示后知名度 = (20 + 30 + 40) / 100 = 0.9

对于超级强势品牌来说，要的是强心智占领，所以更关注第一提及知名度。

常规分析会更关注提示前知名度。毕竟消费者不经提示自己说出来的品牌，才是他在决策时真正想得到的品牌。

初识Graveyard模型

Graveyard模型，脱胎于矩阵分析。模型把提示前品牌知名度和提示后品牌知名度纳入考量，以行业平均表现为纲，对品牌知名度做更立体的判断。

简单的说，Graveyard模型将提示前品牌知名度作为y轴，提示后知名度作为x轴，把我们拿到的品牌知名度数据用散点的形式映射到二维图上。

然后用线性回归对数据做拟合，得到一条贯穿的拟合线。这条拟合线，可以理解为整个行业的品牌，提示前知名度和提示后知名度的关系走向。

根据各品牌所处的位置，结合拟合线，就能从知名度的角度判断品牌是否健康。

模型实战

我们拿到了一批奶茶行业品牌知名度的样本数据，已经按提示前知名度和提示后知名度整理完毕。

数据调研于平行空间，最终解释权归数据不吹牛所有。

为了满足求知若渴的粉丝们练手需求，分别用Excel和Python来实践一下。

  Excel版本

画个散点图看下分布：

横坐标是提示后知名度，纵坐标是提示前知名度。

拟合起来也非常简单，右键添加趋势线，默认就是线性拟合。

不得不承认，短平快的绘图、拟合、分析，Excel说第二，还真没人敢说第一。

  Python版本

 

我们先用Pandas构造数据：

具体画图，线性回归拟合这里也一气呵成：

import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
plt.figure(figsize = (10,6))
plt.scatter(data['提示后知名度'],data['提示前知名度'],color = 'black',alpha = 0.8)
plt.xlabel('提示后知名度',size = 13)
plt.ylabel('提示前知名度',size = 13)
reg = LinearRegression()
reg.fit(data['提示后知名度'].values.reshape(-1,1),data['提示前知名度'].values.reshape(-1,1))
pred = reg.predict(data['提示后知名度'].values.reshape(-1,1))
c = 0
for i,j in zip(data['提示后知名度'],data['提示前知名度']):
    plt.text(i - 0.06,j + 0.02,s = data['品牌'][c],size = 11)
    c += 1
plt.plot(data['提示后知名度'],pred,color = 'red')
plt.title('奶茶知名度Grave Yard模型',size = 18)
plt.show()

So Easy！

模型分析

Graveyard模型实现非常简单，分析则需要特殊的视角。

  体量视角

根据不同奶茶品牌提示前/提示后知名度的分布，我们可以很容易的从体量划分出三个对应的区域。

像coco奶茶品牌知名度处于吊车尾的位置，喜茶的体量中规中矩，而蜜雪冰城可能因为最近的“甜蜜蜜”过于出圈，知名度爆棚。

  回归视角

我们通过Excel或者Python拟合出来了一条回归线，这条线的倾斜程度，代表着行业各品牌提示前知名度和提示后知名度的比值关系，是一种平均关系。

若品牌围绕且几乎附着在回归线上，则说明品牌提示前、提示后知名度的关系，与市场平均水平相对一致，算是知名度关系上的正常品牌。

从这个角度上看，coco、茶颜悦色（其实离的有一丢丢远，这里暂且算上）、古茗、茶百道都属于紧贴回归线的“正常品牌”。

当品牌处于回归线右下方区域，意味着品牌提示前知名度，较提示后知名度过低。

什么意思呢？

以喜茶为例，他对应的提示后知名度是65%，当我们基于喜茶提示后知名度画一条垂直线：

这条垂直线和回归线的交点是在50%左右，意味着以65%提示后品牌知名度来考量，市场合理的提示前知名度是50%，而喜茶提示前知名度只有40%。

这10%的提示前份额差距，说明了喜茶有被消费者淡忘的趋势（毕竟提示前知名度才是消费者心智中的知名度）。

与之对应的，当品牌位于回归线左上方，代表着相对于提示后知名度，提示前知名度是高于市场表现的。

结合体量来看，甜蜜蜜的蜜雪冰城是知名度强势品牌，提示前、提示后知名度都是碾压的态势，表现亮眼。

奈雪的茶在知名度量级上中规中矩，但提示前知名度高于市场平均表现，说明消费者忠诚度不错，换句话说，知道奈雪这个品牌的消费者，不用提示就能够说出来。

总结

我们以提示前品牌知名度为纵轴，提示后品牌知名度为横轴，把各品牌对应的数值映射到二维图上。

随后，用最朴实无华的拟合，得到一条回归线，亦可以说是一杆标尺。

在标尺的度量之下，将品牌分为几大类：

• 贴近回归线的正常品牌

• 回归线右下方的知名度衰退品牌

• 回归线右上方的强势品牌

• 回归线左上方的潜力忠诚品牌

• 以及位于左下角的知名度尾部品牌

如此，分析聚沙成塔，各品牌知名度表现如何，一目了然。

对了，品牌知名度我提到的一切分析方法，全部可以套用在广告知名度的分析之上，是谓同宗同源。

以上。

发现自己肝一篇分析方法论的文章，比肝三篇Pandas都花精力多了...