虽然跟踪研究很棒，但它们也可能受到指标无法解释的变化和/或缺乏可操作见解的困扰。结果可能是信誉和管理层接受度的下降以及缺乏令人信服的行动项目，即使结果被视为可信。在更换供应商或停止资助跟踪工作之前，我们建议检查是否可以改善这种情况。正如我们将在本文中探讨的那样，如果您使用智能分析从跟踪研究中获得更可信、更可操作的见解，通常可以改善这种情况。
不稳定的结果
违反直觉或看似不稳定的结果可能 会削弱对整个跟踪结果的信心，并降低利益相关者使用研究结果的可能性。
使用我们经过验证的 whatsapp 号码数据 据扩大您的影响力！通过联系真实用户、增强参与度并通过真实、更新的联系信息有效地改善您的营销活动，让您的活动栩栩如生。验证 WhatsApp 号码，确保您的消息到达目的地并产生更大比例的响应和转化。无论是促销、客户支持，还是业务更新，准确性对于增长都至关重要。
当呈现这种类型的结果时，第一步是确保已正确计算了各个波段的置信区间。这似乎显而易见，但我们已经看到许多没有正确计算置信区间的情况。使用需要在报告结果之前加权的样本进行跟踪研究需要使用特殊公式来计算置信区间。加权通常会显著增加置信区间——增加 50% 或更多并不罕见。一旦考虑到加权的影响，指标的看似不稳定的变动实际上可能完全在置信区间的范围内。
第二种补救措施是
确保尽可能减轻反应风格的影响。显而易见的偏见，如直线型偏见，很容易识别和处理。其他反应风格偏见则更难发现。受访者对典型的离散反应量表（例如五分、七分或九分评分量表）的反应可能有很大差异。有些人可能倾向于使用量表的中间值，而其他人可能更喜欢使用极端值。这种影响可能随时发生，但在跨文化、跨国研究中可能更严重。这种异质量表的使用会影响跨国家、跨地区或跨波次的任何比较。它还会导致各种指标（例如品牌评级）之间的协方差向上偏差，就像多米诺骨牌倒下一样，进而损害驱动（回归）模型。
种常见的方法是将数
据居中，但这并不是解决办法。更好的解决办法是应用《美国统计协会杂志》1中发表的一种方法。这种方法可以相对容易地用 R 编程（R 是一种流行的统计分析语言，允许市场研究人员快速编写特定的统计解决方案，而这些解决方案可能在 SPSS 或 SAS 等主流软件包中不可用）。将其作为最佳实践数据准备步骤。这需要在进行任何驱动分析或聚类/细分之前完成，因为此类分析将受到有偏协方差矩阵的影响。
光环反应者对品牌 获取出口报关单号困难的主要原因 或正在探讨的话题的情感会蔓延到他们所有的指标中，因此更难识别和纠正。然而，在样本中找到他们很重要，因为他们的回答并没有提供太多关于个别品牌属性的信息，而是更多地衡量了他们对品牌的整体感受。光环反应风格还会导致多重共线性，这使得确定关键品牌指标的驱动因素变得更加困难。最近开发了将光环者与非光环者区分开来的模型，这样可以更好地识别客户表现良好和表现较差的领域。
提高动作电位
处理光环会增加跟踪结果识别出需要改进领域的可能性。然而，要真正提高行动潜力，你需要做两件事：
-
说明因果关系（即真正推动主要兴趣变量的因素，是总体满意度还是品牌偏好），并使用高级分析技术来识别最可能的驱动因素。
-
找出最有可能转向您品牌的竞争用户。
假设您是营销副总裁，刚刚收到跟踪结果，结果显示季度客户满意度得分再次下降，而您曾承诺将提高 5%。您的市场研究团 电话号码 sa 队向您展示了一个标准回归分析，其中显示了 10 个重要属性。但是，您对这个分析感到模棱两可，因为效果大小似乎很小，而且 10 个属性驱动因素之间的相关性相当强，这引发了一个问题：某些品牌指标是否影响了其他品牌指标。
您应该担心。首先，标准回归无法有效解读最有可能带来满意度的驱动因素，因此无法为决策者提供改进优先事项的信息。众所周知，多重共线性（即，诸如满意度属性等潜在驱动因素之间高度相关）会导致大量边际显著但较小（无趣）的影响。更重要的是，人们无法解释这些单独的回归系数，从而导致投资不理想并错失良机。
这可能是高管们不
愿意根据驱动模型采取行动的原因之一（请参阅Quirk’s 2013 年 3 月刊的“信息恐惧症的治疗方法” ）。从消费者或受访者行为的角度来看，我们需要考虑两种动态因素。
第一，提供光环效应的受访者不应被纳入驱动（回归）模型，因为他们违背了我们在分析中试图实现的目标：确定最有可能带来满意度的驱动因素。对于这些光环效应者，我们知道他们的总体满意度导致他们对个别品牌属性的反应，而不是相反。
第二，一些品牌指标可能会影响其他指标，而不仅仅是最终的整体指标（例如整体满意度）。例如，如果你提高产品质量，那么“技术支持质量”的评级也可能上升，这仅仅是因为客户问题变得不那么严重了。因此，提高产品质量可能会对整体满意度产生直接影响，但也可能产生间接影响，因为它提高了技术支持感知的质量。
处理光环反应风格并估计间接影响将产生更有趣（更大）的影响和更具差异化的结果，从而更容易确定优先级，并且所确定的驱动因素更有可能真正带来满意度。这样做是可能的，但并不简单。两篇最近发表的论文2,3包含了这种建模策略的要素：一篇讨论了如何处理光环受访者，另一篇讨论了如何估计间接影响。我们将这种组合建模方法应用于多个数据集，我们发现了统计理论所说的我们应该发现的东西：统计上显着的驱动因素更少，但平均效应大小更高，差异性更强，因果关系更强。
假设您是家全球信
用卡品牌的营销总监，您在年度承诺中承诺要获得 5% 的净新客户。您有一份调查，其中的潜在客户样本已根据一系列品牌属性（包括总体品牌好感度评分）对您的品牌以及一些竞争信用卡品牌进行了评级。您需要做出的决定是，应该向谁邮寄信用卡优惠，以及应该使用哪种营销信息才能实现最高转化率？您可以只向那些已经给出最高两框总体好感度评分的受访者发送邮件。问题是，这样的人并不多，即使他们全部回复（即购买信用卡），也无法帮助您实现目标。因此，您需要一种更明智的方法：可切换的消费者方法。
在这种方法中
我们首先运行一个逻辑回归模型，该模型可帮助我们预测哪些品牌认知最能预测一个人是否是总体好感度排名前两位的人。一旦我们有了这个在样本层面上估计的模型，我们就可以用它来计算个人在前两位、中间两位和最底两位的概率。在总体好感度等级中，将品牌评级定在中间位置的受访者之间通常会存在相当大的差异（例如，他们在 10 分制评分等级中给出了 8、7、6 或 5 分）。有些人进入前两位的可能性高于 50%；而其他人进入前两位的可能性（远低于）50%。进入前两位的可能性超过 50% 但实际评级在中间的受访者被称为可转换消费者。是的，目前该品牌的评级处于中间位置，但在其他分数上，特别是在整体喜好度的驱动因素上，该受访者的分数与将该品牌评为前两名的受访者非常相似。
这意味着这些潜在客户确实举棋不定：让您的品牌稍微更具吸引力（例如，通过向他们展示正确的信息），他们就有可能成为排名前两位的评价者，因此现在很有可能对您的营销工作做出回应。这种方法已经过测试和验证。ABB Electric 使用可切换消费者洞察4,5赚了 1 亿多美元，我们已成功将该方法应用于我们的商业工作。
挤压价值
因此，如果您的跟踪研究似乎变得陈旧，请转向高级分析来挖掘数据的价值，并在此过程中省去启动或转换研究或完全放弃研究的麻烦。
