تجزیه و تحلیل کمی

​تجزیه و تحلیل تک متغیره به ارزیابی توزیع فراوانی مشاهدات متناظر با یک متغیر می پردازد تا بدین ترتیب، ویژگی های اصلی داده های خام بواسطه دسته بندی و تلخیص مشخص گردد. تحلیل مذکور محقق را قادر می سازد تا به صورت گرافیکی و از طریق نمودارهای وصفی و کمی همراه با شاخص های عددی نظیر میانگین، انحراف معیار، چولگی و کشیدگی به توصیف ویژگی مشاهدات بپردازد. بنابراین، نتایج حاصل از توصیف داده ها طی تجزیه و تحلیل تک متغیره کمک شایانی به پاکسازی داده ها از طریق شناسایی داده های مفقوده، داده های پرت و کیس های بی تفاوت می نماید. علاوه بر آمار توصیفی، تجزیه و تحلیل تک متغیره در آمار استنباطی جهت آزمون فرضیات تفاوتی نیز استفاده می شود. آزمون پارامتریک تی تک نمونه (One-Sample T Test) و معادل های ناپارامتریک آن جزء روش های تجزیه و تحلیل تک متغیره در آمار استنباطی محسوب می شوند.

تجزیه و تحلیل دو متغیره

​تجزیه و تحلیل دو متغیره به ارزیابی همبستگی و میزان ارتباط میان دو متغیر، اثر یک متغیر بر متغیر دیگر و تفاوت میان دو گروه مستقل یا وابسته می پردازد. همبستگی از طریق ترکیب توزیع فراوانی دو متغیر صورت می گیرد به طوریکه اگر دو متغیر از مقیاس اندازه گیری کمی نظیر فاصله ای یا نسبی برخوردار باشند، نمودار پراکنش حاصل و براین اساس ارتباط خطی میان دو متغیر مشخص و طی آزمون آماری پارامتریک پیرسون (Pearson)، کندال (Kendall's tau-b) و یا اسپیرمن (Spearman) معناداری ضریب همبستگی ارزیابی می گردد؛ اما چنانچه دو متغیر از مقیاس اندازه گیری کیفی نظیر اسمی یا رتبه ای برخوردار باشند، جداول متقاطع و معادل ناپارامتریک آزمون های فوق به ارزیابی همبستگی و معناداری ضریب حاصله می پردازد. ارزیابی اثر یک متغیر بر متغیر دیگر بواسطه رگرسیون ساده (Simple Regression) صورت می گیرد. تفاوت میان دو گروه مستقل بواسطه آزمون پارامتریک تی دو نمونه مستقل (Independent-Samples T Test) و معادل های ناپارامتریک آن و تفاوت میان دو گروه وابسته (یک گروه در دو حالت متفاوت) از طریق آزمون پارامتریک تی زوج نمونه ای (Paired-Samples T Test) و معادل های ناپارامتریک آن بررسی می گردد.

​بررسی کلان داده ها و استخراج اطلاعات و دانش موردنیاز بواسطه دستیابی به ساختار نهان درون آنها خارج از توان روش های تجزیه و تحلیل تک متغیره و دو متغیره است؛ چرا که، یک کلان داده متشکل از مشاهدات و داده های متناظر با بیش از دو متغیر بوده و لذا بررسی و ادراک آنها مستلزم کاربرد روش های آماری پیچیده زیرمجموعه تجزیه و تحلیل چندمتغیره است. تجزیه و تحلیل چندمتغیره به اندازه گیری، توضیح و پیش بینی میزان ارتباط بین ترکیبات خطی متغیرها با وزن های تجربی تعیین شده می پردازد. روش های تجزیه و تحلیل چندمتغیره با توجه به امکان تعریف متغیرها در نقش مستقل و وابسته به دو دسته کلی روش های وابستگی و وابستگی متقابل تقسیم می شود. روش های وابستگی که به بررسی ترکیبات خطی میان متغیرها با نقش مستقل و وابسته می پردازد؛ با توجه به هدف تحقیق، تعداد متغیرهای وابسته و نیز نوع مقایس اندازه گیری متغیرها انتخاب می گردد. روشهایی چون تحلیل واریانس (Anova)، تحلیل واریانس چندگانه (Manova)، رگرسیون چندگانه (Multiple Regression)، تحلیل تفکیکی چندگانه (Multi-discriminant Analysis)، رگرسیون لجستیک (Logistic Regression)، تحلیل مختلط (Conjoint Analysis) و مدل سازی معادلات ساختاری (Structural Equation Modeling) در این دسته قرار دارد. در مقابل، روش های وابستگی متقابل به بررسی ترکیبات خطی میان متغیرها بدون درنظر گرفتن هرگونه نقشی مبنی بر مستقل یا وابسته می پردازد. حال با توجه به هدف تحلیل مبنی بر دسته بندی متغیرها، کیس ها یا ویژگی ها می توان به ترتیب از روش های تحلیل عاملی (Factor Analysis)، خوشه بندی (Clustering) و نقشه ادراکی مشتمل بر مقیاس بندی چندبعدی (Multidimensional Scaling) و تحلیل تناظر (Correspondence Analysis) استفاده کرد.

تحلیل واریانس

​تحلیل واریانس به عنوان یک تکنیک آماری چندمتغیره تعمیم یافته آزمون تی دو نمونه مستقل بوده و به ارزیابی تفاوت میان بیش از دو گروه از نقطه نظر یک مفهوم که در قالب یک متغیر اندازه گیری می شود؛ می پردازد. به بیان دقیق تر، روش مذکور به ارزیابی تفاوت میانگین متغیر تعیین شده نزد هر گروه می پردازد تا مشخص گردد که آیا تغییرات بین میانگین های هر گروه از تغییرات درون گروهی پیشی می گیرد یا خیر. بدین ترتیب، در صورت پیشی گرفتن تغییرات میان گروهی از درون گروهی، می توان گفت که میان گروه ها از نظر مفهوم موردنظر تفاوت معنادار وجود دارد.

​اگرچه تحلیل واریانس در درک تفاوت های میان گروه ها بینش های مهمی را در اختیار قرار می دهد، اما عدم توان آن در ارزیابی کنترل عوامل مخدوش کننده بالقوه به ایجاد روش دیگری تحت عنوان تحلیل کوواریانس (Ancova) منجر شد. تحلیل کوواریانس برخلاف تحلیل واریانس علاوه بر ارزیابی تفاوت میان گروه ها، اثرات یک متغیر با مقیاس پیوسته بر روی متغیر وابسته را کنترل کرده و در نتیجه دقت تحلیل را افزایش می دهد.

در حوزه بازاریابی، تحلیل واریانس و کوواریانس بینش های سودمندی را در اختیار مدیران و تصمیم گیرندگان قرار می دهد. به عنوان مثال؛ فرض کنید شرکتی قصد ارزیابی سه طرح تبلیغاتی از نظر میزان نگرش یا قصد خرید نزد مخاطبان را دارد. بدین ترتیب، با استفاده از تحلیل واریانس می توان تفاوت میزان نگرش مخاطبان نسبت به سه طرح تبلیغاتی را با استفاده از تحلیل واریانس سنجید و طرح مناسب با حداکثر نگرش مثبت را انتخاب نمود. در مقابل، می توان با استفاده از تحلیل کوواریانس و در نظر گرفتن آگاهی قبلی مخاطبان از محصول تبلیغ شده به عنوان متغیر کنترل در ارزیابی تفاوت میان گروه ها به نتایج دقیق تر و واقع بینانه تری دست یافت.

تحلیل واریانس چندگانه

زمانیکه قصد ارزیابی تفاوت میان چندین گروه از نقطه نظر چندین متغیر وابسته مدنظر باشد، تحلیل واریانس چندگانه می تواند اطلاعات و دانش موردنیاز را در اختیار قرار دهد. بدین ترتیب در قیاس با روش تحلیل واریانس، نسخه چندگانه دید جامع تری از نابرابری های گروهی در اختیار قرار می دهد. در این روش نیز همچون تحلیل واریانس تفاوت میان گروه ها از طریق ارزیابی تغییرات میان گروهی و درون گروهی متناظر با متغیرهای وابسته بررسی می گردد به طوریکه اگر تغییرات میان گروهی از درون گروهی پیشی گیرد، تفاوت میان گروه ها معنادار خواهد بود. با این حال، بایستی خاطر نشان کرد که تفسیر نتایج حاصله در تحلیل واریانس چندمتغیره به دلیل وجود متغیرهای بیشتر و در نتیجه روابط پیچیده تر نسبت به تحلیل واریانس سخت تر می باشد.

به منظور دستیابی به بینش های دقیق تر و واقع بینانه تر، ترکیب متغیرهای پیوسته جهت کنترل عوامل مخدوش کننده بالقوه در قالب تحلیل کوواریانس چندگانه (Mancova) مورد استفاده قرار می گیرد. به بیان بهتر، تحلیل کوواریانس چندگانه در ارزیابی تفاوت میان چندین گروه از منظر چندین متغیر وابسته به کنترل چندین متغیر با مقایس پیوسته نیز می پردازد تا بررسی کند که آیا تفاوت میان گروه ها واقعی بوده (عوامل مخدوش کننده به خوبی کنترل شده است) یا کاذب (عوامل مخدوش کننده کنترل نشده است) است.

در حوزه بازاریابی، تحلیل واریانس و کوواریانس چندگانه دانش غنی شده و در نتیجه بینش های بسیار سودمندی را در اختیار مدیران و تصمیم گیرندگان قرار می دهد. شرکتی را در نظر بگیرید که قصد دارد اثرات سه استراتژی تبلیغاتی را به عنوان متغیرهای مستقل بر تداعی برند، رضایت مشتری و قصد خرید به عنوان متغیرهای وابسته ارزیابی نماید. بدین ترتیب، تحلیل واریانس چندمتغیره می تواند اطلاعات لازم را در اختیار قرار دهد. حال با درنظر گرفتن عوامل جمعیت شناختی یا متغیرهای نظیر انگیزه لذت طلبی و ... در قالب متغیر کنترل و استفاده از تحلیل کوواریانس چندگانه می توان به اطلاعات دقیق تری پیرامون نابرابری های گروهی دست یافت.

رگرسیون چندگانه

تجزیه و تحلیل رگرسیون به عنوان یک روش چندمتغیره قدرتمند امکان ارزیابی روابط پیچیده در مجموعه داده ها و دستیابی به توان پیش بینی برای مدیران و تصمیم گیرندگان را فراهم آورده و در نتیجه بینش های ارزشمندی را در اختیار قرار می دهد. رگرسیون با هدف ارزیابی تاثیر تغییرات یک یا چند متغیر مستقل بر یک متغیر وابسته و در نتیجه پیش بینی تغییرات متغیر وابسته به مدل سازی روابط میان متغیرهای مذکور در قالب معادله خطی رگرسیون می پردازد. حل معادله مذکور کیفیت اثر هر متغیر مستقل بر متغیر وابسته مشتمل بر شدت و جهت اثر را مشخص کرده و از طریق آزمون فرض آماری طی تحلیل واریانس به بررسی معناداری اثر/ اثرات موجود می پردازد. لازم به ذکر است که متغیرهای مستقل و وابسته موجود در معادله خط رگرسیون همگی از مقیاس اندازه گیری کمی و توزیع نرمال چندمتغیره برخوردار هستند. البته می توان اثر متغیرهای مستقل کیفی را به صورت متغیرهای Dummy بر متغیر وابسته سنجید.

در حوزه بازاریابی، رگرسیون چندگانه جهت پیش بینی قصد خرید مصرف کننده، ترجیحات مصرف کننده، بهینه سازی استراتژی های قیمت گذاری و تخصیص بودجه های تبلیغاتی بینش های ارزشمندی را در اختیار مدیران و تصمیم گیرندگان قرار می دهد. به عنوان مثال، یک تیم بازاریابی ممکن است از تحلیل رگرسیون برای تعیین نقطه قیمت بهینه برای یک محصول جدید با در نظر گرفتن متغیرهایی مانند هزینه های تولید، قیمت های رقیب و رفتار خرید مصرف کننده استفاده کند.​​​​​​​

تحلیل تفکیکی چندگانه

​​گاهی اوقات متغیر وابسته در معادله رگرسیون از مقایس کمی برخوردار نبوده و به صورت اسمی یا ترتیبی اندازه گیری شده است. چنانچه متغیرهای مستقل کمی بوده و از توزیع نرمال چندمتغیره برخوردار باشند، حل چنین مدلی با استفاده از روش تحلیل تفکیکی چندگانه صورت می گیرد. بنابراین، روش تحلیل مذکور زمانی قابل استفاده است که اعضای نمونه براساس متغیر وابسته با مقیاس کیفی در گروه های مشخص متناظر با وجوه متغیر وابسته دسته بندی می گردند تا بدین ترتیب، احتمال تعلق هر عضو نمونه در گروه های مشخص شده براساس متغیرهای مستقل کمی طی تحلیل تفکیکی چندگانه تعیین گردد. به بیان دقیق تر، هدف تحلیل تفکیکی چندگانه دستیابی به ترکیب خطی از متغیرهایی است که گروه ها را به بهترین شکل متمایز می نماید؛ بدین صورت که تغییرات بین گروهی حداکثر و تغییرات درون گروهی حداقل گردد.

در حوزه بازاریابی و به منظور تشخیص مصرف کنندگان نوآور از غیر نوآور، پرمصرف از کم مصرف، راضی از ناراضی و ... با توجه به مشخصات رفتاری، روانشناختی و جمعیت شناختی ایشان، روش تجزیه و تحلیل تفکیکی چندگانه اطلاعات و بینش های ارزشمندی را در اختیار مدیران و تصمیم گیرندگان قرار می دهد. 

رگرسیون لجستیک

مدل‌های رگرسیون لجستیک که اغلب به عنوان تحلیل لاجیت از آن یاد می‌شود، با توجه به کیفی بودن مقیاس اندازه گیری متغیر وابسته مشابه مدل های مبتنی بر تحلیل تفکیکی چندگانه است؛ اما در رگرسیون لجستیک می توان علاوه بر اثر متغیرهای کمی اثر متغیرهای کیفی نظیر متغیرهای جمعیت شناختی بر متغیر وابسته را نیز سنجید. بدین ترتیب، رگرسیون لجستیک ترکیبی از ویژگی های رگرسیون و تحلیل تفکیکی چندگانه را در اختیار دارد. با این حال، رگرسیون لجستیک نیازمند نرمال بودن توزیع متغیرهای مستقل کمی نمی باشد. هدف رگرسیون لجستیک ارزیابی احتمال موفقیت یک رویداد به عنوان تابعی از متغیرهای مستقل است.

در حوزه بازاریابی، رگرسیون لجستیک جهت پیش بینی احتمال خرید یا عدم خرید، انتخاب یا عدم انتخاب، سرمایه گذاری یا عدم سرمایه گذاری و ...  بینش های ارزشمندی را در اختیار مدیران و تصمیم گیرندگان قرار می دهد. به عنوان مثال، یک تیم بازاریابی ممکن است از تحلیل رگرسیون لجستیک برای کمک به مشاوران املاک جهت پیش بینی این موضوع که آیا مراجعه کننده از احتمال خرید برخوردار است یا خیر، استفاده نمایند. بدین ترتیب، بازاریابان با استفاده از داده های دو گروه خرید کننده و منصرف شده از خرید به عنوان متغیر وابسته و داده های دیگر نظیر ویژگی های جمعیت شناختی، رفتاری و روانشناختی در قالب متغیرهای مستقل می توانند احتمال خرید مراجعه کننده بعدی را با استفاده از تحلیل لاجیت برآورد نمایند. 

تحلیل مختلط

تجزیه و تحلیل مختلط یک روش آماری رایج در تحقیقات بازار و مطالعات مربوط به ترجیحات مصرف کننده جهت درک چگونگی ارزیابی ویژگی های مختلف کالا و خدمات از سوی مصرف کنندگان و در نتیجه تعیین ترکیب بهینه ای از ویژگی ها جهت افزایش رجحان، قصد خرید و رضایت مصرف کنندگان است. روش مذکور از طریق داده های حاصل از رتبه بندی پروفایل های مختلف از یک محصول یا خدمت توسط نمونه بزرگی از مصرف کنندگان، اهمیت نسبی هر ویژگی و مطلوبیت هر پروفایل نزد مصرف کنندگان را مشخص می نماید. بدین ترتیب، پیش از عرضه محصول یا خدمت می توان نسبت به اقبال و موفقیت کالا نزد بازار هدف و سهم نسبی بازار آن اطلاعات و بینش های لازم را تحصیل کرد.

به طور کلی، در حوزه بازاریابی و به منظور توسعه محصول، بسته بندی مناسب، قمیت گذاری، طراحی خدمات و ... روش تجزیه و تحلیل مختلط اطلاعات و بینش های ارزشمندی را در اختیار مدیران و تصمیم گیرندگان قرار می دهد. 

مدل سازی معادلات ساختاری

با توجه به اینکه مدل های رگرسیونی صرفاً قادر به ارزیابی روابط مستقیم بوده و قادر به برآورد روابط غیرمستقیم، پیچیده و ارزیابی چندین ترکیب خطی میان متغیرها به صورت همزمان نمی باشند؛ از نظر پیش بینی و در نتیجه ارزیابی واقعیت موجود در جامعه از دقت و اعتبار بالایی برخوردار نیستند. بدین ترتیب، مدل سازی معادلات ساختاری به عنوان یک روش پیچیده چندمتغیره با قابلیت ارزیابی روابط غیرمستقیم و سلسله مراتبی در قالب مدل های مفهومی پیچیده، بهتر و دقیق تر می تواند به پیش بینی و ارزیابی واقعیت موردنظر اقدام نماید. روش مذکور ابتدا با ارزیابی مدل اندازه گیری مشتمل بر ترکیبات خطی میان متغیرهای مشاهده ای و سازه های مکنون از طریق شاخص های پایایی، روایی، برازش و کیفیت و حصول اطمینان از اعتبار و صحت آن به ارزیابی روابط علت و معلولی میان سازه های مکنون در قالب تحلیل مدل ساختاری و آزمون فرضیات می پردازد و در نهایت توان مدل در پیش بینی یا تبیین واریانس سازه های درونزا را تعیین می نماید. همچنین بهره گیری از تحلیل های جانبی نظیر تحلیل اهمیت_عملکرد (Importance_Performance Map Analysis; IPMA)، تحلیل چندگروهی (Multi Group Analysis)، تحلیل اثرمتقابل (Interaction Effect Analysis)، تحلیل مخلوط_نامحدود (Finite Mixture Analysis; FIMIX) و ... می تواند مجموعه عظیمی از اطلاعات و دانش لازم پیرامون مساله پیش روی مدیران و تصمیم گیرندگان را فراهم آورد.

در حوزه بازاریابی، مدل سازی معادلات ساختاری جهت ارزیابی عوامل موثر بر قصد خرید، پذیرش فناوری، ارزش ویژه برند، ترجیحات مصرف کننده، رضایت و وفاداری مشتریان و ... دانش و بینش های مفید فایده ای را در اختیار مدیران و تصمیم گیرندگان قرار می دهد. شرکتی را در نظر آورید که به دنبال ارزیابی عوامل موثر بر پذیرش اپلیکیشن فروشگاهی جدید از سوی مصرف کنندگان است. بدین ترتیب، مدل پذیرش فناوری (Technology Acceptance Model; TAM) یا نظریه یکپارچه پذیرش و استفاده از فناوری (The Unified Theory of Acceptance and Use of Technology; UTAUT) و یا نسخه های تعمیم یافته آنها جهت پیش بینی پذیرش اپلیکیشن فروشگاهی جدید و ارزیابی عوامل تاثیرگذار با استفاده از مدل سازی معادلات ساختاری ارزیابی و آزمون می گردد.

تحلیل عاملی

تحلیل عاملی رویکردی آماری جهت تجزیه و تحلیل روابط متقابل میان تعداد زیادی از متغیرها است تا بدین ترتیب، متغیرهای مذکور براساس ابعاد مشترک زیربنایی و همبستگی میان آنها در دسته هایی تحت عنوان عامل طبقه بندی گردند. بنابراین، تحلیل عاملی به دنبال کاهش تراکم اطلاعات موجود در حجم بالایی از متغیرها بواسطه دسته بندی آنها در قالب عوامل است؛ به طوریکه میزان ریزش اطلاعات حداقل گردد. 

تحلیل عاملی به سه دسته "تحلیل مولفه های اصلی"، "تحلیل عاملی مشترک" و "تحلیل عاملی تائیدی" تقسیم می گردد. مورد نخست که اغلب به عنوان تحلیل عاملی اکتشافی از آن یاد می شود به منظور تائید مقولات برآمده از تحلیل کیفی و در نتیجه کشف سازه های مکنون در قالب عوامل مورد استفاده قرار می گیرد. در مقابل، تحلیل عاملی مشترک و تائیدی به تائید دسته بندی نظری متغیرها در قالب سازه های مکنون می پردازد که اولی خارج از مدل و دومی در مدل اندازه گیری اعمال می گردد.

در علوم اجتماعی و تحقیقات مبتنی بر رویکرد آمیخته تحلیل عاملی تائیدی جهت دستیابی به عوامل و تائید مقولات حاصل از دسته بندی کدها در تحلیل کیفی مورد استفاده قرار می گیرد. در حوزه بازاریابی، تحلیل عاملی برای درک بهتر ارزیابی مشتریان از یک کالا یا خدمت و از طریق کاهش پیچیدگی روابط می تواند بینش های سودمندی را در اختیار قرار دهد. فرض کنید داده های حاصل از ارزیابی یک رستوران فست فود توسط مشتریان براساس متغیرهای طعم غذا، دمای غذا، تازگی، زمان انتظار، تمیزی و رفتار دوستانه کارکنان ​​​​​​​گردآوری شده است. محققان بازاریابی می توانند با بهره گیری از تحلیل عاملی سه متغیر نخست را در عاملی تحت عنوان "کیفیت غذا" و سه متغیر بعدی را در عاملی تحت عنوان "کیفیت خدمات" دسته بندی نمایند. حال می توان با استفاده از داده های دو سازه تعریف شده از پیچیدگی و حجم زیاد داده ها کاسته و اقدام به تحلیل های دیگر نظیر رگرسیون و یا خوشه بندی متناسب با نیاز اطلاعاتی مدیران و تصمیم گیرندگان نمود.

خوشه بندی

خوشه بندی به عنوان یک روش تحلیل آماری به ایجاد زیرگروه های معنادار از افراد یا اشیاء می پردازد. این مهم با هدف طبقه بندی نمونه بزرگی از افراد یا اشیاء در تعداد کمی زیرگروه منحصر به فرد و از طریق مقایسه میزان تشابه/ عدم تشابه میان افراد یا اشیاء متناظر با متغیرهای تعیین شده صورت می گیرد. در نهایت، با استفاده از متغیرهای موردنظر که بیانگر ویژگی های رفتاری، روانشناختی و جمعیت شناختی است اقدام به تعریف پروفایل یا نمایه متناظر با هر زیرگروه می گردد. نمایه سازی اغلب توسط تحلیل تفکیکی چندگانه صورت می گیرد. البته بایستی توجه داشت که برخلاف تحلیل تفکیکی چندگانه که در آن دسته بندی افراد یا اشیاء از قبل مشخص است، تحلیل خوشه ای خود به ایجاد زیرگروه های مشخص از نمونه پرداخته و صرفاً برای نمایه سازی و تائید دسته بندی صورت گرفته از تحلیل تفکیکی چندگانه استفاده می نماید.

در حوزه بازاریابی، تحلیل خوشه بندی جهت تقسیم بندی بازار، آشنایی با ویژگی ها و نیازهای هر بخش بازار و در نتیجه انتخاب بازار هدف بینش های ارزشمندی را در اختیار مدیران و تصمیم گیرندگان قرار می دهد. به عنوان مثال، بهره گیری از استراتژی توسعه محصول و یا متنوع سازی زیرمجموعه استراتژی های رشد و توسعه آنساف (Ansoff)  مستلزم درک بازار از طریق خوشه بندی و در نتیجه شناسایی بخش های بازار می باشد تا بدین وسیله بخش مطلوب جهت عرضه موفق محصول مشخص گردد.

مقیاس بندی چندبعدی

مقیاس بندی چندبعدی یا نقشه برداری ادراکی به ترسیم ترجیحات و ادراکات افراد پیرامون واقعیتی مشخص در یک فضای چندبعدی جهت تدوین استراتژی جایگاه یابی می پردازد. این مهم از طریق ارزیابی ترجیحات افراد متناظر با هر جفت گزینه موردنظر (اشیاء، محصولات، خدمات، نشان های تجاری و ...) صورت گرفته و سپس میزان تشابه/ عدم تشابه میان گزینه ها از طریق محاسبه فاصله میان آنها تعیین و در یک فضای چندبعدی ترسیم می گردد. بایستی توجه داشت که روش آماری فوق صرفاً موقعیت نسبی گزینه ها در ذهن افراد را نشان می دهد و از بیان ویژگی هایی که چنین موقعیت هایی را متناظر با هر گزینه منجر شده است، عاجز می باشد.

در حوزه بازاریابی، مقیاس بندی چندبعدی جهت جایگاه یابی و شناسایی نزدیکترین رقبا به نام تجاری، خدمات و محصولات شرکت از طریق ترسیم تصویر ذهنی مشتریان و مصرف کنندگان می تواند اطلاعات و بینش های سودمندی را در اختیار مدیران و تصمیم گیرندگان قرار دهد. فرض کنید یک تولید کننده لوازم خانگی قصد شناسایی نزدیکترین رقیب داخلی و خارجی به خود را داشته و به تبع آن به دنبال تعیین جایگاهی متمایز از رقبا است. بدین ترتیب، محققان بازاریابی با استفاده از تحلیل مقیاس بندی چندبعدی و ترسیم فضای ادراکی مشتریان و مصرف کنندگان پیرامون نشان های تجاری تولید کننده لوازم خانگی می توانند نزدیک ترین و دورترین رقبا را جهت تدوین استراتژی جایگاه یابی متمایز مشخص نمایند. 

تحلیل تناظر

تحلیل تناظر مشابه روش مقیاس بندی چندبعدی به ترسیم ادراکات و تصویر ذهنی افراد پیرامون نشان های تجاری، محصولات، خدمات و ... می پردازد با این تفاوت که ویژگی های شکل دهنده تصویر ذهنی متناظر با هر گزینه طی یک نقشه دو بعدی یا سه بعدی نشان داده می شود. بدین ترتیب، تحلیل تناظر ابتدا به سازماندهی گزینه ها و ویژگی ها طی یک جدول متقاطع پرداخته و از طریق محاسبه فراوانی به ایجاد داده های کمی از ویژگی های کیفی تعیین شده می پردازد که از این حیث نسبت به سایر روش های تحلیل چندمتغیره مبتنی بر وابستگی متقابل متفاوت می باشد. سپس، داده های کمی طی عملیاتی مشابه تحلیل عاملی تقلیل یافته و در نهایت نقشه ادراکی متناظر با جایگاه هر گزینه و ویژگی/ ویژگی های مربوطه ترسیم می گردد.

در حوزه بازاریابی، تحلیل تناظر جهت تدوین استراتژی جایگاه یابی و تجزیه و تحلیل احساسات در رسانه های اجتماعی بینش های ارزشمندی را در اختیار مدیران و تصمیم گیرندگان قرار می دهد. شرکتی را در نظر آورید که به دلیل توسعه کسب و کار و ورود به بازارهای جدید به دنبال احیای برند و در نتیجه دستیابی به جایگاهی متمایز است. بدین منظور، تحلیل تناظر با ترسیم تصویر ذهنی افراد در قالب گزینه ها و ویژگی های متناظر می تواند بخش های اشغال نشده ذهن مخاطبان را شناسایی و با تاکید بر ویژگی های موردنظر جایگاه موردنظر را تصاحب نماید.

ترجیحات مصرف کننده

ادراک بازار

توسعه و نوآوری

برند

رسانه های اجتماعی