Markedsanalyse/Marketing Engineering Carsten Stig Poulsen Foråret 2008
Carsten Stig Poulsen Foråret Formål med kurset At give den studerende kendskab til marketing modeller og deres anvendelse At kunne opstille relevante modeller og identificere afledte datakrav At kunne estimere modellerne og vurdere sikkerheden heri At kunne anvende modellerne i relevante sammenhænge
Carsten Stig Poulsen Foråret Plan for kurset De første fire gange er lærerstyrede suppleret med øvelser Den femte gang er projektemne seminar De sidste fire gange studenterstyrede med lærerdeltagelse, fx i form af introducerende oversigtsforelæsning
Carsten Stig Poulsen Foråret Keller: Measuring Brand Equity The concept of Brand Equity –Marketing perspective on BE Consumer driven: brand knowledge structures Response to marketing efforts Def. På BE: Effect of brand knowledge on response Other conceptualization: BAN, mental map Brand knowledge –Brand awareness: bredth, depth –Brand image: perceptions, preference
Carsten Stig Poulsen Foråret Keller: Measuring Brand Equity Sources of BE –qualitative methods Free associations: likes-dislikes, uniqueness, Wh- questions Projective methods: completion, comparison tasks Brand personality and relationship –J. Aaker: 5 dim. in brand personality –S. Fournier: 6 dim. In brand-consumer relationship Ethnographic and observational methods Pro/con of qualitative methods
Carsten Stig Poulsen Foråret Keller: Measuring Brand Equity Quantitative methods –Awareness –Recognition –Recall: Unaided Aided, different degrees –Image Lower level brand associations –Performance related –Brand imagery: user profiles, purchase and usage situations, personality, values, history Higher level brand associations –Brand judgments: quality, credibility, consideration, superiority –Brand feelings: warmth, fun, excitement, security, social approval, self- respect
Carsten Stig Poulsen Foråret Keller: Measuring Brand Equity Consequences of (positive) BE –”distorted” perceptions and interpretation of product –Reduced response elasticity –Larger margins –Trade support –Licensing opportunities –Brand extensions
Carsten Stig Poulsen Foråret Keller: Measuring Brand Equity Measuring the outcomes –Comparative methods Brand-based approaches: marketing-mix fixed, brand varying Marketing-based approaches: brand fixed, marketing-mix varying Conjoint-measurement: combines the two experimentally –Holistic methods: the overall value of the brand Residual approaches: the contribution of the brand Valuation approaches: financial value –Cost approach –Market approach –Income approach: Interbrand methodology
Carsten Stig Poulsen Foråret
10 Hvilke brands kender forbrugeren, hvilke har hun adgang til at købe, og hvor involveret er hun i dem, dvs. hvilken relation forbrugeren har brands? Hvilke egenskaber i vid forstand forbinder forbrugeren med de enkelte brands, dvs. hvilket image har de? Hvordan afvejer forbrugeren brand i forhold til pris, når hun skal vælge et produkt i kategorien. Hvis valget af brand varierer med brugssituationen (f.eks. hverdag/fest), vil analysen være betinget heraf. Grundlaget for BrandScape Forbrugernes valg af brands antages at bygge på tre forhold:
Carsten Stig Poulsen Foråret Oversigt over BrandsScape modellens elementer Trade-off mellem Pris/BrandValue er modellens ”motor” BrandValue måles indirekte BrandRelation måler forbrugerens engagement i Brands BrandImage måler hendes opfattelse af Brands Modellen bestemmer en (gennem- snitlig) sandsynlighed for valg af brands Ved aggregering og vejning for købsfrekvens og -mængde fås en modelbestemt markedsandel
Carsten Stig Poulsen Foråret BrandScape Pris/BrandValue trade-off Hvor meget værdsætter forbrugeren – alt andet lige – at det produkt, hun køber, bærer vores brand fremfor konkurrenternes? Hvor følsom er forbrugeren over for ændringer i prisen på vores brand? To centrale dimensioner er afgørende for værdien af et brand:
Carsten Stig Poulsen Foråret Om måling af Brand Equity: ”The price premium may well be the best single measurement for the strength of brand equity, because in the vast majority of situations whatever equity is based on influences the price a consumer is willing to pay for the brand. So the price premium is a reasonable reflection of the strength of the brand.” David A. Aaker (1996): Building Strong Brands. New York: The Free Press.
Carsten Stig Poulsen Foråret BrandScape Pris/BrandValue trade-off Sammenstilles disse to dimensioner får vi følgende BrandValue matrix:
Carsten Stig Poulsen Foråret BrandScape Måling af Pris/BrandValue trade-off
Carsten Stig Poulsen Foråret BrandScape BrandValue matrix
Carsten Stig Poulsen Foråret BrandScape BrandValue matrix med Brand-specifik prisfølsomhed
Carsten Stig Poulsen Foråret BrandScape Markedskortet som et ”træ”
Carsten Stig Poulsen Foråret BrandRelation Illustreret ved Markedstræet
Carsten Stig Poulsen Foråret BrandScape BrandImage
Carsten Stig Poulsen Foråret Imagepositioner er links i forbrugernes bevidsthed mellem brands og egenskaber Egenskaber kan være produkt attributter, brand associationer, brand personality, etc. Afdækning af de centrale diskriminerende egenskaber i kategorien ved kvalitative metoder Afbildes som maps, der viser sammenhængen mellem brands og egenskaber BrandScape BrandImage
Carsten Stig Poulsen Foråret BrandScape BrandImage
Carsten Stig Poulsen Foråret BrandScape Sammenkædning af de tre moduler Sandsynligheden for at vælge et Brand forklares ved –faserne i relationsmodellen, BrandRelation –associationerne til de enkelte brands, BrandImage –mærkernes iboende værdi,BrandValue –prisen og prisfølsomheden på brands Herved har vi bevæget os fra det beskrivende til det forklarende niveau Ved at aggregere valgsandsyn- ligheden over alle forbrugere, vejet for købsfrekvens og -mængde, kan ”markedsandele” simuleres Herved har vi bevæget os fra det forklarende til det forudsigende niveau
Carsten Stig Poulsen Foråret BrandValue matrix BrandRelation Market shares BrandImage Choice probability
Carsten Stig Poulsen Foråret Putting it all together, inspired by Keller
Carsten Stig Poulsen Foråret Lehman: Using Regression to Answer ”What If” The regression model The central role of data –Selecting variables to consider –Getting data/measures of the variables –Missing data Specifying the mathematical form Estimating the coefficients (model) Interpreting the results substantially Interpreting the results statistically Uses of regression
Carsten Stig Poulsen Foråret Case: Logoundersøgelsen
Carsten Stig Poulsen Foråret
Carsten Stig Poulsen Foråret Data matrice
Carsten Stig Poulsen Foråret Regressionsanalyse Formål At finde en sammenhæng mellem en eller flere uafhængige variable og en afhængig variabel y, ofte på lineær form: At vurdere styrken af sammenhæng mellem den afhængige og de uafhængige variable, som helhed og for hver variabel At kunne forudsige værdier af y for nye værdier af
Carsten Stig Poulsen Foråret Regressionsanalyse SPSS Input
Carsten Stig Poulsen Foråret Regressionsanalyse SPSS Input
Carsten Stig Poulsen Foråret Regressionsanalyse SPSS Output
Carsten Stig Poulsen Foråret Specifying the mathematical form Linear in parameters vs. linear in variables Polynomial regression Log-linear models Multiplicative model (Cobb-Douglas function) Truly non-linear models
Carsten Stig Poulsen Foråret Estimating the coefficients Ordinary Least Squares (OLS) Weighted Least Squares (WLS) –error variance heterogeneity Generalized Least Squares (GLS) –correlated errors 2 Stage Least Squares (2LS) –simultaneous equation systems Maximum Likelihood Estimation (MLE) –generally applicable in linear as well as non-linear models
Carsten Stig Poulsen Foråret Technical concerns Discrete variables –Dummy coding or effects coding Interaction between explanatory variables –Multiplication of variables (cross-product) Outliers –Identification, removal, correction, explanation Multicollinearity –Threat to interpretation –Identification –Remidy
Carsten Stig Poulsen Foråret Technical concerns (cont.) Omitted variables –When are they a problem? –Causes bias in estimators Correlation between predictors and error term –Time series Heterogeneity in coefficients –Observed heterogeneity –Unobserved heterogeneity Latent class models Hierarchical Bayes models
Carsten Stig Poulsen Foråret Uses of regression Key drivers of response Observed segmentation bases Unobserved segmentation bases Forecasting –Interpolation –Extrapolation –Scenarios –Monte Carlo simulations
Carsten Stig Poulsen Foråret Regression model in matrix notation: Why bother? Compact and elegant notation Used extensively in multivariate analysis Reading technical journals (JMR, IJRM, Marketing Science, etc.) requires knowledge of matrix algebra Unfortunately, not easy to get used to (a little like reading music scores)
Carsten Stig Poulsen Foråret Øvelser På grundlag af data fra logoundersøgelsen opstilles en regressionsmodel –Lineær i parametre og forklarende variable –Nogle af egenskaberne kan have karakter af idealpunktsmodel (for lidt og for meget). Undersøg dette ved en polynomisk model. (Antag, at idealet er midterværdien på skalaen). –En multiplikativ (Cobb-Douglas) model. Anvend den lineære model til at forudsige effekten af en design- ændring af et logo. Reducér antallet af variable i modellen ved hjælp af stepwise regression. Undersøg, om det kan antages, at den samme regressionsmodel er gældende for alle logoer (Hint: indfør at passende antal dummyer til beskrivelse af logoerne og brug p. 260 i Lehman).