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。
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。
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。
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。
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...
联系客服