所谓就是对某一目标，收集、整理、分析有关信息，通过对数据或信息的分析，得到相应结论，从而为企业决策提供参考，实现企业利益最大化。
数据分析是市场调研中重要组成部分，在分析过程中我们会遇到许多统计分析方法。
今天SPSSAU就来介绍8种市场调研中常用的数据统计分析方法，以及如何在SPSSAU使用这些方法。
无论是哪种领域的统计分析，频数分析都是最常用的方法。在市场调研中，频数分析也是最基础、使用最广泛的方法。一般可用来统计分析样本基本信息，统计比例，如消费者的基本信息，对产品的基本态度，是否愿意购买产品等。
SPSSAU频数分析
频数分析结果
用图表展示能够更加清晰对比各项比例，SPSSAU频数分析默认提供饼图、圆环图、柱状图、条形图可选择。
注：多选题统计频数或比例用【问卷研究->多选题】。
描述分析适用于分析对比定量数据。例如对比各维度均值，了解在哪些方面得分较高，哪些方面得分较低，找出优势项或短板项，从而制定出有针对性的改善方案。可用于分析产品满意度、用户需求等。
SPSSAU描述分析
描述分析结果
如果有多个题要对比平均值，可通过折线图、柱形图、雷达图来展示。
IPA分析，又叫重要性表现程度分析法。是通过绘制散点图，对比不同项目或维度的重要度和服务表现，从而直观的识别出优势项、劣势项。适用于服务质量、满意度分析、产品竞争力分析等。
SPSSAU象限图
指标在不同的象限中分别对应不同的解释，针对不同象限可以建立针对性的优化措施。
在第一象限的指标顾客重视度高并且实际满意度也很高，说明是优势项可以重点突出或保持。
第二象限指标顾客较重视，但实现感知满意度不高，说明需要重点加强改善。
第三象限重要性及满意度都不高，可以作为次重点改进。
第四象限满意度大于重要性，可以适当减少对这些指标的关注。
上面几个方法一般只是初步描述研究结果，想要更深入的探究分析项之间的差异性则要进行差异分析。例如探究不同背景的消费者在“认知”，“态度”，“行为”，“原因”上的差异；是大学生还是工薪族更加喜欢我的产品？不同学历的消费者对于产品的需求有没有差异等等。
差异分析常见包括几类分析方法：方差分析、t 检验和卡方检验。
其实核心的区别在于：数据类型不一样。如果是定类和定类，此时应该使用卡方分析；如果是定类和定量，此时应该使用方差或者t 检验。
方差和T检验的区别在于，对于T检验的X来讲，其只能为2个类别比如男和女。如果X为3个类别比如本科以下，本科，本科以上；此时只能使用方差分析。
三种方法都可在SPSSAU【通用方法】中使用。
帕累托图，是“二八原则”的图形化体现。在数据分析中二八原则可以理解为：80%的结果是由20%的因素产生的。
实际应用场景中，帕累托图可以用来评估产品、划分客户、员工管理等，找出找出导致前累积80%的项，并且重点关注和分析。
SPSSAU有两处提供了帕累托图分析，一般可用【可视化->帕累托图】；如果是多选题则使用【问卷研究->多选题】默认会生成帕累托图。
重点分析累积加和占比在80%内的相关项目，频数越靠前说明越是重要因素。
通过聚类分析，我们可以找到一类人群的综合特征，并按照其特征细分成不同人群。相比用单一分类标准，聚类分析可以综合多个指标结果，得到更加合理的类别。
SPSSAU聚类
不同行为的客户有不同价值，比如可选择消费次数、购买量、顾客满意度、忠诚度等指标，对不同价值的客户进行分类。
当变量较多时，可先做主成分或因子分析，得到每个维度（因子）的数据，再进行聚类。
SPSSAU因子分析
对应分析，是把一个交叉表结果通过图形的方式展现出来，用以表达不同的变量之间以及不同类别之间的关系。
对应分析可应用在市场细分、产品定位等领域相关中。
SPSSAU对应分析
对应分析图
通过图形可以解读出同一变量各类别的区分程度，以及不同变量各类别间的关联程度。
第一，考察同一变量：查看同一变量的不同类别是否被清晰区分开。
第二，考察变量间的关系：离原点越远，意味着该点对于‘关系幅度’的表达越强，即说明该点越能体现出‘关系’；
第三，在相同区域点与点之间靠得越近，意味着它们之间关联关系越强；点与点之间靠得越远，意味着它们之间关联关系越弱。
回归分析是确定两种或两种以上变量间影响关系的方法。在市场调研中，回归分析可以用来探究销售量、顾客满意度的影响因素、预测销售量等。
回归分析中，最简单也最常用的就是线性回归，可在SPSSAU【通用方法->线性回归】中使用。
SPSSAU线性回归
当因变量为定类数据，比如研究消费者对于酒精饮料和非酒精饮料的选择偏好及影响因素时，可以使用SPSSAU进阶方法里的二元logit回归。
SPSSAU二元logit
如果是时间序列数据，可以使用【计量经济->ARIMA预测】来预测未来预期销售量，SPSSAU默认自动找出最佳模型输出预测结果。
ARIMA预测
ARIMA模型拟合图
