SPSSPRO,让数据分析更简单,问卷调查类数据分析不再愁 产品介绍 帮助中心 客户端
微信登录
  • 产品简介

  • 我的数据

  • 数据处理

  • 数据分析

    • 描述性分析

    • 问卷分析

      • 信度分析
      • 多选分析
      • 选择题【多选&多选】
      • 选择题【多选&单选】
      • 选择题【单选&多选】
      • NPS净推荐值分析
      • 对应分析
      • 区分度分析
      • 效度分析
      • 联合分析
      • 路径分析
      • 结构方程模型(SEM)
      • 调节作用
      • 验证性因子分析
      • 权重分析(熵权法)
      • MaxDiff模型
      • 价格断裂点模型
      • Kano模型
      • 平行中介效应
      • 链式中介效应
      • TURF分析
      • 惩罚分析
        • 1、作用
        • 2、输入输出描述
        • 3、案例示例
        • 4、案例数据
        • 5、案例操作
        • 6、输出结果分析
        • 7、注意事项
        • 8、模型理论
        • 9、参考文献
      • 交叉表(调研专项)
      • 多维尺度分析
      • 品牌价格抵补模型BPTO
      • 联合分析CBC
      • MaxDiff Pro
    • 综合评价

    • 差异性分析

    • 相关性分析

    • 预测模型

    • 统计建模

    • 计量经济模型

    • 医学统计模型

    • 机器学习分类

    • 机器学习回归

    • 规划求解

    • 研究模型

    • 信号分析

    • 自定义算法

惩罚分析

操作视频
SPSSPRO教程-惩罚分析

# 惩罚分析

# 1、作用

惩罚分析常用于口味测试,帮助研发人员了解消费者对感官属性的喜好度(比如说酒劲,有的人不满意是因为酒劲太小,有的人不满意是因为酒劲太大),从而对产品进行精准的优化。

# 2、输入输出描述

输入: 属性得分为两项及以上的定量变量,总体得分为一项定量变量。
输出: 各感官属性的改进优先度和改进方向。

# 3、案例示例

案例:某食品公司要出一款麻辣牛肉,首先是提前基于用户对该产品关于麻味、辣味、香味、甜味、咸味的打分,基于惩罚分析来各感官属性的改进优先度和改进方向。

# 4、案例数据

惩罚分析案例数据

# 5、案例操作


Step1:新建分析;
Step2:上传数据;
Step3:选择对应数据打开后进行预览,确认无误后点击开始分析;

Step4:选择【惩罚分析】;
Step5:查看对应的数据数据格式,【惩罚分析】要求属性得分和总体得分都为定量变量,其中属性得分要求为五点标度(五级量表);
Step6:点击【开始分析】,完成全部操作。

# 6、输出结果分析

输出结果 1​:惩罚分析结果

图表说明: ● 人数比例代表了因该属性导致的某类偏向人数比例。
● 惩罚系数(Penalty 系数)代表了某类偏向的消费者群体对该产品整体喜好度与没有偏向(认为刚好)人群的偏离程度,绝对值越大,代表该属性对产品的整体喜好影响越大。Penalty 系数代表了某类偏向的消费者群体对该产品整体喜好度与没有偏向(认为刚好)人群的偏离程度,绝对值越大,代表该属性对产品的整体喜好影响越大。
● 总平均偏差(Total mean drops)=人数比例 × 惩罚系数。
除了 Penalty 系数,也可以通过 Total mean drops 来对感官属性重要性进行评价。因为存在一种情况是(某感官属性)Total mean drops 小而 Penalty 系数大,也就是即使要求调整该属性强度的消费者不多,但这些消费者却不太喜欢该产品,这说明这些消费者不是该产品的目标群体。从这个角度来看,可以用 Total mean drops 值来作为主要的评价标准。



输出结果 2:惩罚分析图

图表说明:上图展示了惩罚分析图,可以直观的看出需要优先改进的感官属性及其改进方向。图中的“-”代表属性强度表现“偏弱”,“+”代表属性强度表现“偏强”。 图中作出|Total mean drops|=0.5 的曲线(也就是总平均偏差=0.5 的辅助线),属性越靠近图的右上角,越偏离辅助线,改进的优先级就越高。其中辣味+是在辅助线的右上方,并且比较靠近图的右上角,偏离原点的位置,这说明它具有最高的优先改进性。

输出结果 3:改进优先级

图表说明:上图是根据总平均偏差(纵坐标)进行降序排列,更为直观展示了各个感官属性的改进优先级。那么我们可以得到结论,最需要改进的“辣味+”,也就是太辣了,为了符合大众口味,应将辣味降低。此处也是按照|总平均偏差|≥ 0.5 将该感官特征分为“优先调整”(蓝色柱状图),0.5 >|总平均偏差|≥ 0.25 为次要调整(绿色柱状图),|总平均偏差|< 0.25 为无需调整(黄色柱状图)。


# 7、注意事项

  • 系统只支持感官属性为 5 点标度的惩罚分析,即 1-2 分认为产品在属性上偏少;3 分认为属性表现为正好;4-5 分认为属性表现为偏多。

# 8、模型理论

Penalty 分析的基本思想是: 通过分析具体属性和对产品总评价之间的关联, 确定每个具体属性对总体属性的影响程度, 从而达到确定具体数据重要性的目的。以下是惩罚分析的计算步骤,以感官特征为 5 点标度为例。
步骤 1:计算三类人群占比
于是根据每个属性, 我们可以将消费者分为 3 类:
● 第一类( 打 1~2 分者) : 认为产品在属性上偏少的人,记为 TL;
● 第二类( 打 3 分者) : 认为属性表现为正好的人,记为 JA;
● 第三类 ( 打 4~5 分者) : 认为属性表现为偏多的 人,记为 TM。

步骤 2:计算惩罚系数(Penalty 指数) 对于总体评价指标( 总体喜欢程度) , 记消费者对该 产品的总体喜欢程度为 L。针对每个属性的三类人群, 记 每类人群对产品的总体喜欢程度( 平均值) 为:
● L(TL): 表示 TL 人群对产品的总体喜欢程度 ;
● L(TM): 表示 TM 人群对产品的总体喜欢程度 ;
● L(JA): 表示 JA 人群对产品的总体喜欢程度 于是我们可以计算每个特征属性( 比如说甜度) 的 Penalty 指数;
惩罚指数的计算公式:
● P(TL)=L(TL)- L(JA), TL 人群的 Penalty 指数
● P(TM)=L(TM)- L(JA), TM 人群的 Penalty 指数

步骤 3:计算总平均偏差(Total mean drops)
Penalty 的大小反应了某个属性的偏向对总体指标的 影响力度, 通常称为 Mean drops。如果将 Penalty 指数乘以 该偏向的人群比例, 则可以计算出由于这个属性偏向某 个方向, 而导致消费者总体评价下降的总分数, 常称为总平均偏差 Total mean drops。

步骤 4:利用 Penalty 指数或 Total mean drops 来分析感官属性的重要性
利用 Penalty 指数和 Total mean drops 可以反映了属性对总体评价的影响程度,它可以用来对感官属性的重要程度进行评价。

# 9、参考文献

[1] Scientific Platform Serving for Statistics Professional 2021. SPSSPRO. (Version 1.0.11)[Online Application Software]. Retrieved from https://www.spsspro.com.
[2] 向采发. 产品测试中 JAR 问题的分析方法[J]. 市场研究, 2005.

建议反馈