多变量分析探讨一个结果变量（也称作因变量）与一个或多个预测变量（也称作自变量）之间的关系 。
适用于产品开发的多变量分析方法有很多。大多数方法都要求使用者有较好的统计学知识，此外使用期间还可能需要专业人员的帮助。这些方法为洞察客户的深层级需求提供了可能。这些多变量方法有：
- 因子分析
- 聚类分析
- 多维尺度分析
- 联合分析
- 多元回归分析
在本节中，我们简要介绍其中3种方法：因子分析、多维尺度分析以及联合分析。
1、因子分析
因子分析方法的主要应用有两种：其一，减少变量的数量；其二，找出变量之间的结构关系。在产品开发中，因子分析能够用于关键变量的优先级排序和分组，比如：
- 产品属性之间的关系和产品属性对产品偏好的影响；
- 市场上产品之间的关系 一一 消费者们共同感知到的那些产品；
2、多维尺度分析
- 以可视化手段表现一个数据集中各个用案之间的相似度；
- 该方法能够以可视化手段呈现出客户眼中十分相似的产品，这一点极为有用；
- 借助多个区域的产品分销推断出消费者眼中各个维度的重要性；
- 该方法也能为发掘现有产品的缺陷提供参考；
多维尺度分析的过程大致如下：
- 选择要研究的对象，如在某个特定产品类别中开发和上市一款新产品的可行性。
- 列出现有产品的所有配对组合（如果清单太长，可以减少配对的数量）。
- 从目标市场中抽取一个样本人群（通常为30、50 人），让他们对于每组配对中产品的相似度和可替换度打分。
- 采用多维尺度软件分析每组配对的得分，获得一张代表了产品相互关系的可视化图。
- 可视化图中的维度代表了消费者在做出相似度或可替代度的决策时所看重的关键要素，为方便起见，通常选择2、3个维度。
3、联合分析
联合分析是一种统计分析方法，用于确定人们对构成一个产品或服务的不同属性（性能、功能、利益）的看重程度。联合分析的目的是，确定最能影响客户选择或决策的属性组合，组合中的属性数量是既定的。
联合分析的过程大致如下：
- 定义新产品的潜在属性，这些属性的水平或性能不同（例如，电池待机时间为1天、5天或10天）；
- 将不同水平的属性进行随机组合；
- 要求一个消费者样本（通常为30-50人）对这些属性组合打分 ；
- 分析结果，确定对消费者的决策起到最大影响作用的属性。
联合分析示例：
下表以手机月租计划为例，由表可知，应如何向客户展示属性组合以及客户如何评分。在本例中，即便只有5个不同属性，每种属性对应3种不同的属性水平，由此构成的属性组合的数量也是巨大的。一些工具可以减少组合的数量，方便消费者进行评分。
在产品开发决策中联合分析的价值
虽然多变量分析方法应用起来较为复杂，但这种方法为理解市场提供了一条独特的、有效的路径。
- 发掘机会。有助于了解现有产品之间的关系，找出市场差距。
- 了解客户未确定、未言明的需求。通过间接获取信息（例如，产品的相似度或可替代性的比较），而非直接调查，多变量分析方法为探明客户的潜意识提供了机会。
原创文章，作者：研究院精选，如若转载，请注明出处：https://www.pmtemple.com/pm/npdp/4532/
微信扫一扫 
支付宝扫一扫 
评论列表（6条）
数据分析就像制定健身计划，精准才能见效。多变量方法帮产品经理看清客户需求，就像教练了解学员身体数据。因子分析、多维尺度这些工具，简直是产品开发的”训练助手”！
多变量分析是产品决策的科学依据。从投资角度看，精准的客户需求分析能显著降低产品失败率，减少约40%的开发浪费。这些方法看似复杂，却是产品经理提升ROI的关键工具。
这多维尺度分析不就是产品经理版的”数据可视化”吗？就像我们debug时一样，把复杂的关系图一画，bug在哪里一目了然。不过这30人样本量够不够真实反映用户画像？产品开发里这点数据怕是hold不住真实战场啊。
@代码像素：多维尺度分析确实是产品决策的利器，但样本量确实是个现实问题。实战中，我们通常结合定量与定性研究，30人样本适合初步探索，但关键决策需更大样本和交叉验证。产品分析不能只看工具，更要看业务场景和决策质量。
多变量分析就像制定训练计划！因子分析找出关键变量，就像筛选核心训练动作；多维尺度分析可视化产品关系，就像评估训练效果；联合分析确定属性权重，就像安排训练优先级。精准分析，科学训练！
哇！多变量分析用在游戏设计上太有用了！多维尺度分析可以帮我们了解玩家眼中的游戏相似度，联合分析能确定玩家对不同游戏属性的看重程度～这些工具对游戏策划来说简直是宝藏！(≧▽≦)/