Mengenal Brand Map / Perceptual Map dalam Market Research

Di dunia market research, ada satu metode analisa yang disebut dengan brand map atau perceptual map. Analisa tersebut di ilmu matematika disebut dengan principal component analysis (PCA).

Secara mudah, analisa tersebut bisa membantu market researcher untuk memetakan brand dan persepsi dalam satu grafik yang sama. Peta brand dan perception tersebut dibuat berdasarkan prinsip dimension reduction dengan titik lokasi yang relatif satu sama lain.

Sebagai contoh, misalkan saya memiliki data tabulasi hasil survey sebagai berikut:

	mpg	disp	hp	wt	qsec
AMC	15.20000	304.0000	150.0000	3.435000	17.30000
Cadillac	10.40000	472.0000	205.0000	5.250000	17.98000
Camaro	13.30000	350.0000	245.0000	3.840000	15.41000
Chrysler	14.70000	440.0000	230.0000	5.345000	17.42000
Datsun	22.80000	108.0000	93.0000	2.320000	18.61000
Dodge	15.50000	318.0000	150.0000	3.520000	16.87000
Duster	14.30000	360.0000	245.0000	3.570000	15.84000
Ferrari	19.70000	145.0000	175.0000	2.770000	15.50000
Fiat	29.85000	78.8500	66.0000	2.067500	19.18500
Ford	15.80000	351.0000	264.0000	3.170000	14.50000
Honda	30.40000	75.7000	52.0000	1.615000	18.52000
Hornet	20.05000	309.0000	142.5000	3.327500	18.23000
Lincoln	10.40000	460.0000	215.0000	5.424000	17.82000
Lotus	30.40000	95.1000	113.0000	1.513000	16.90000
Maserati	15.00000	301.0000	335.0000	3.570000	14.60000
Mazda	21.00000	160.0000	110.0000	2.747500	16.74000
Merc	19.01429	207.1571	134.7143	3.542857	19.01429
Pontiac	19.20000	400.0000	175.0000	3.845000	17.05000
Porsche	26.00000	120.3000	91.0000	2.140000	16.70000
Toyota	27.70000	95.6000	81.0000	2.150000	19.95500
Valiant	18.10000	225.0000	105.0000	3.460000	20.22000
Volvo	21.40000	121.0000	109.0000	2.780000	18.60000

Tabulasi di atas menunjukkan berapa “nilai” masing-masing merek mobil terhadap masing-masing persepsi. Analisa brand map bisa membantu untuk memetakan brand mana saja yang dekat dengan brand lain atau suatu persepsi secara relatif.

Cara kerjanya adalah dengan memanfaatkan prinsip dimension reduction, yakni mengecilkan banyaknya dimensi atau variabel yang terlibat dengan mencari vektor eigen (pembangun) secara aljabar.

Sebagai contoh di atas, kita ketahui ada lima variabel (dimensi) yang terlibat. Sayangnya kita hanya mampu membuat grafik 2D - 3D saja. Selebihnya, kita tidak bisa menggambarkannya. Namun secara aljabar, “barang” n-dimensi itu ada wujudnya.

Berikut adalah grafik 2D pasangan antar variabel:

Apa perbedaan PCA dengan cluster analysis?

Sekilas keduanya memiliki kemiripan, namun sejatinya ada perbedaan besar dari tujuan utama analisa, yakni:

1. Cluster analysis mengelompokkan responden berdasarkan respon yang diberikan. Maka data yang digunakan adalah raw data hasil respon.
2. PCA memetakan brand dan persepsi. Maka data yang digunakan adalah tabulasi akhir brand dan persepsi.

Jadi terlihat jelas perbedaannya ya.

---

Berdasarkan data tabulasi di atas, saya akan membuat brand map-nya dengan R. Library yang saya gunakan adalah ‘factoextra’, library yang sama dengan cluster analysis.

Langkah yang dilakukan juga cukup sederhana, pertama-tama:

# panggil library
# jangan lupa untuk menginstallnya terlebih dahulu
library(factoextra)

# membuat pca dengan melakukan scaling terlebih dahulu
res.pca = prcomp(df, scale = TRUE)

# membuat grafik explained variances
fviz_eig(res.pca)

Jika diperhatikan, ada skrip perintah untuk melakukan scaling. Hal ini diperlukan karena masing-masing variabel atau dimensi memiliki rentang nilai atau satuan yang berbeda-beda. Maka dari itu, scaling berguna untuk mengeliminir bias yang terjadi.

Grafik yang dikeluarkan dari skrip di atas menunjukan bahwa dari 5 variabel yang ada, bisa diekstrak 2 dimensi utama yang bisa ‘menjelaskan’ variansi pada data. Konsep ini berasal dari aljabar, yakni mereduksi dimensi untuk mencari vektor eigen (pembentuk) yang utama.

Selanjutnya, saya membuat brand map sebagai berikut:

Individual Map

Graph of individuals: individuals with a similar profile are grouped together.

# per brand only - brand map
fviz_pca_ind(res.pca,
             col.ind = "cos2", # Color by the quality of representation
             gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
             repel = TRUE     # Avoid text overlapping
             )

Kita bisa lihat bahwa beberapa merek mobil yang memiliki nilai “persepsi” yang mirip saling berdekatan.

Graph of Variables

Positive correlated variables point to the same side of the plot. Negative correlated variables point to opposite sides of the graph.

# per variable only - brand map
fviz_pca_var(res.pca,
             col.var = "contrib", # Color by contributions to the PC
             gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
             repel = TRUE     # Avoid text overlapping
             )

Biplot

Biplot: maps of individuals and variables.

fviz_pca_biplot(res.pca, repel = TRUE,
                col.var = "#2E9FDF", # Variables color
                col.ind = "#696969"  # Individuals color
                )

Grafik di atas menggabungkan dua grafik sebelumnya. Kita bisa lihat posisi relatif antara merek dan persepsi yang ada di survey.