《表2 两种聚类结果与人口统计、购买决策变量的类别回归结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《新产品开发的市场细分变量研究——基于需求程度与需求差距的比较实验》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

细分效果的好坏还可以体现在聚类结果对于购买意愿以外的其他相关变量的解释力度上，一种好的细分方法分割出的细分市场类别可以对诸如人口统计、地域、意识行为等多种变量进行预测与解释（刘英姿、吴昊，2006；黄光、卢达茵，2013；陈信康、董晓舟，2014）。Kahle（1986）在从事利用生活方式与价值观进行市场细分效果研究的时候，同时用LOV（List of Values）量表以及VALS（Values and Life Style）量表对调查对象进行细分，然后将两种形式的细分类别结果作为解释变量，而将态度、娱乐习惯、媒体习惯、体育爱好等多种变量作为被解释变量进行回归分析，最后通过解释变量的显著程度以及个数（LOV显著35个，VALS显著12个）得出使用LOV量表的细分效果优于VALS量表。在细分效果的比较研究中，Kahle采用的上述方法是一种非常有效的研究方法。因此在本次研究中也采用与Kahle相类似的研究方法进行细分效果的比较。首先，将实验方案A、实验方案B的分类结果作为解释变量，而后分别将人口统计变量、购买决策变量作为被解释变量进行类别回归分析。人口统计变量是最基础的一种变量，其在各个细分市场中是否存在足够的差异性是衡量细分效果的有效指标之一。而购买决策变量则对于营销决策者有着极其重要的意义，其是进行4P策略设计的基础，同时也是评价细分市场的可到达性、可执行性的重要指标（何志毅，2005；张新安，2010；涂红伟等，2016）。比较实验方案A与实验方案B的聚类结果与人口统计、购买决策变量进行的类别回归，可以得出利用产品功能属性需求差距变量进行的聚类类别比利用需求程度变量进行的聚类类别，能够更好地对人口统计变量以及购买决策变量进行预测。需求差距聚类类别使得23个变量显著，而需求程度聚类类别只能使得13个变量显著。两者存在差异的变量内容如表2所示。因此，验证了H2，即相比使用产品功能属性的需求程度，需求差距得出的细分市场更能预测消费者的购买行为。