クインテス・Mind-Repo

クロス集計表などの数表をマップ化。

多くの変数データを少ない変数（因子）に集約。潜在意識の分析などに利用。

多くの変数を、少ない合成変数に集約。

データの類似性をマップに表現。

ブランド競合マップの作成などに便利。多次元尺度法の変数分析。

データサンプルを類似性から分類。消費者セグメンテーションなどに利用。

商品カテゴライズなど変数の分類に便利。

価格意識の分析法。新製品の受容価格帯や戦略的価格の見極めに便利。

顧客満足度調査の結果分析法。

自由回答に含まれる単語の出現頻度を分析する方法。話題や純粋想起の基本的な分析方法。

テキストマイニングの手法を発展させた自由回答分析法。

QuintessRepo、マインドリーダーの主な分析機能をＷｅｂサービスとしてご提供。

初めてご利用の方

（登録無料）

登録ユーザーの方

サービス期間
月曜日～土曜日
8:00～23:00 （祝日は利用可能）

Mind-Repoの６つの特徴

商品開発、ブランドや広告マネジメントなどのリサーチで定石的な手法や実用性が高い手法を説明します。多変量解析など、説明を読むだけでなく、必要なツールを利用して、すぐ分析に取り組めます。（「分析課題から」「主な分析手法」タブをクリック）

お手元のデータを使い、事前のデータ加工から関連分析までを数回のクリックで行えます。
分析時のパラメータは、一般的な方法をデフォルトとすることで、簡単な操作となりました。
操作手順の説明は、分析画面中で随時行っています。

分析のトライアルは無料で、何度でも行えます。
トライアル分析では、結果の概要グラフを出力できます。より詳しい分析結果や関連分析などをしたい場合は、有料サービスをご利用下さい。
使いたい分析技法ごとに選んで有料サービスを利用できます。（分析技法１種類、月1000円相当）

Mind-Repoの様々なデータ分析機能を自由に使用できる「基本定額コース」を用意しました。
さらに、より本格的なデータ分析活用が可能なQuintessRepoのプロフェッショナルライセンスも合わせて自由に使える「Ｒｅｐｏプロフェッショナル１Ｕ」もあります。
データ分析を頻繁に行う方や、様々な分析手法を利用する方にお勧めです。

より高度な分析や複雑なデータ加工を行う場合はQuintessRepoを、自由回答などテキストデータを本格分析の場合は、マインドリーダーを利用できます。

データは、サーバー内に保管することで、社外や在宅勤務でも安全に重要データを扱うことができます。
また、登録メールアドレスへのコールバックとパスワードの併用によるユーザー認証により、パスワード流出によるリスクを抑えられ、情報管理を徹底できます。
※メールアドレス認証の徹底のため、フリーメールアドレスは使用できません。

分析サービスを初めてご利用する場合は、ユーザー登録を御願いします。
ユーザー登録の上、実際に利用する際は、右上のログインボタンか、各分析説明中の「分析する」ボタンをクリックして下さい。
お手元の分析対象データファイル（ＣＳＶテキスト）を使い、分析できます。

[データ貼り込み→因子分析]

[データセット→因子分析]

知覚マップ

ブランド・イメージなどの知覚マップを作るには、複数のイメージ評価や機能評価質問を行い、因子分析や主成分分析で分析、その結果からポジショニング・マップを作成します。

主成分分析は、複数の項目（変数）から合成変数を作ることで、少ない変数で全体を表現することを目指すものです。因子分析は、データの背後にある潜在変数取り出すというものです。主成分分析の場合は、実際のデータから変数を合成するためその間に誤差は含まれません。因子分析の場合は、実際のデータは各潜在変数の合成＋誤差として表現されます。

【質問設計】

「斬新な」「信頼できる」などのイメージ項目について５段階評価や７段階評価（「とてもそう思う」～「まったくそう思わない」）などの質問をします。イメージ項目は、10～30問程度用意します。この質問を評価したい数～10数程度のブランドや企業について行うのが標準的です。20ほどの対象について質問することもありますが、質問数が膨大となるため、いいかげんな回答が増える危険性があります。(回答の信頼性チェック参照)
このため、質問を複数回答（ＭＡ）形式にしたり、評価対象ブランドを好きなブランドのいくつかだけにしたりなど、質問の簡素化をすることで、多くのブランド・企業を一度にマップしようとする場合もあります。
また、質問設計により異なる結果になるため、特定のイメージに偏らないよう、かつできるだけ少ない質問となるよう質問設計することが必要です。

【分析の基本手順】
(1)回答結果をフェイズ展開し重ね合わせる
全ブランドを通じた評価軸を分析するため、データサンプルの再構成を行う。
各ブランドの質問群ごとに分解し、フェイズ部分を重ね合わせる。
Repoでは、この質問群を「データ・フェイズ」と、質問群を個々のデータサンプルとして分解し重ね合わせることを「フェイズ展開」と呼ぶ。
具体的には、回答サンプル別データを回答サンプル×ブランド別のデータサンプルに加工する。（例えば、１００ｓデータであれば、１００×１０ブランド＝１０００ｓデータとする）

(2)分析し、因子軸（または主成分）を確定させる
分析結果から得られる、各因子（主成分）の負荷量から、因子（主成分）の意味を確認し、同時に、固有値や累積寄与率から、分析全体の妥当性を判断して、因子（主成分）を確定する。、有意味な解釈ができない場合や十分な精度が得られない場合は、使用する変数の見直しや、異常値データの除去の上、分析し直す。

(3)各データの因子（または主成分）ごとの得点を計算する
全ブランドを通じた評価軸を分析するため、データサンプルの再構成を行う。回答サンプル別データを回答サンプル×ブランド別のデータサンプルに加工する。（例えば、１００ｓデータであれば、１００×１０ブランド＝１０００ｓデータとする）

(4)得点のブランド別の平均値を計算し、その平均値でポジショニングする
全ブランドを通じた評価軸を分析するため、データサンプルの再構成を行う。回答サンプル別データを回答サンプル×ブランド別のデータサンプルに加工する。（例えば、１００ｓデータであれば、１００×１０ブランド＝１０００ｓデータとする）

[ＭＤＳ(距離データ入力から)]
[データ貼り込み→ＭＤＳ(サンプル分析)]
[ＭＤＳ(サンプル分析)]

データセットから
[データ貼り込み→ＭＤＳ(アイテム分析)]

クラスター分析

[クラスター分析(回答データ入力からサンブル分析)]
[クラスター分析(サンプル分析)]

[クラスター分析(距離データ入力から)]
[クラスター分析(回答データ入力からサンブル分析)]
[クラスター分析(サンプル分析)]

アイテムクラスター分析

[クラスター分析(アイテム分析)]
[クラスター分析(回答データ入力からアイテム分析)]

[データセットからＰＳＭ分析]
[データ貼り込みからＰＳＭ分析]

その他