MBA视野：当营销遇到数学时“回归4ps”
如果你开始学习营销，很可能你首先会遇到的事情之一就是4ps 概念，也称为“营销组合”。
1960 年代初期，由美国营销学教授和作家 Edmund Jerome McCarthy 博士“发明”；
这个概念帮助营销人员做出与所谓的营销组合相关的战略决策。根据麦卡锡博士的说法，有四个可控变量 一方面满足公司的目标，另一方面满足目标市场的需求。

这些 变量 是产品、价格、地点和促销。
通过仔细调整这些变量的特征集，基于研究、经验知识或仅仅通过头脑风暴，公司可以“创造”出成功的产品。
在几乎每一本通用营销教科书中，4ps 都被介绍为一种分析工具，使您能够追求自己的营销目标。
作为一个数字人，我记得当我自己的教授向我们介绍营销组合时我是多么兴奋——我 想，终于可以使用数字和数学了。

我错了！就像在几乎任何其他教科书、讲座或手稿中一样，她向它们提供冗长而冗长的描述，并辅以漂亮的彩色表格和无休止的案例研究，而没有一个数字符号……
不要误会我的意思。4ps（或今天的 7ps，即Product、Price、Place、Promotion、Physical evidence和Process）不需要数字来帮助您制定策略。
而且，您无需进行一次计算即可利用该概念的强大功能。
但那时，我只是想，等等——就这样吗？4个变量，没有方程？
所以，读完整章后，我给我的教授发了电子邮件，告诉她我是多么的困惑（我通过远程学习学习）。
然后奇妙的事情发生了。除了她的回复，还有一些关于营销组合建模的研究论文的链接。
事实证明，一些营销人员、营销研究人员和营销分析师使用线性回归——一种统计方法，用于对响应（比如说销售数量）和一个或多个解释变量（在我们的例子中是 4ps！）之间的关系进行建模——而不是只是为了找到 4 个变量的最佳组合，而且如果你调整变量，还可以预测销售和其他结果的变化，他们称之为“营销组合建模”。显然，你需要做的就是
1. 集思广益，讨论 4ps 中的适用调整，然后
2. 向您的目标受众展示这些调整（例如，通过调查），以了解它们将如何影响响应变量（例如，销售数量、客户忠诚度等）
3. 获取您从调查中获得的数据，并将其提供给您最喜欢的数据分析工具（例如 Excel），以最终
4. 提出一个线性回归模型
对于实际的建模部分，你需要一些不错的统计和数学知识，所以为了不失去每一位读者，我坚持非常基础，希望你不会被吓跑：
假设您是一家国际运营公司（我们称之为 “Intersell”）的营销经理，该公司针对英国、北美和西班牙的 b2b 客户，向中小型公司销售空气净化办公设备。
让我们进一步假设您的调查包括以下陈述，然后参与者将以下数字之一分配给每个陈述（这称为李克特量表）：
1 = 我完全不同意
2 = 我不同意
3 = 我有点同意
4 = 我同意
5 = 我完全同意
 
P1 – 产品
我们公司更喜欢小型工厂而不是大型工厂
我们的办公室没有足够的空间为每个雇主提供自己的工厂
重要的是植物不需要太多的照顾。例如，我们不能每天给它们浇水
 
P2 – 价格
我们需要分期付款
我们愿意为周末的浇水服务支付月费
我们愿意为非常健壮的植物支付更高的价格
 
P3 – 地点
具有漂亮图像和良好描述的在线商店对于购买决定很重要
我们不从单一的在线商店购买。我们宁愿选择亚马逊业务。
如果我们决定订购大量植物，应该有一个出口，这样人们就可以真正看到和触摸植物
 
P4 – 促销
谷歌的自然排名很重要。没有排在前5-6位的公司不够值得信赖
客户评论至关重要
植物的免费样品很重要
然后进行一些统计检验，例如多重共线性检验、异方差检验、F 检验、t 检验等，最终得出（借助 Excel、SPSS 或 Python 等您最喜欢的统计工具）回归方程看起来像这样：
在这个回归模型（或方程）中，p1 是产品，p2 是价格，p3 是地点，p4 是促销。
一旦你有了你的模型，你就可以做一些非常有用的事情。
举个简单的例子：因子（0.199、0.255、0.143 和 0.145）说明了单个 P 在营销组合中的影响。
在我们的（理论）示例中，p2 的因子是所有因子中最高的，对吧？从中可以看出，与价格相关的功能对植物的重要性，intersell 希望出售他们的 b2b 客户。
显然，它们的重要性是位置和促销的两倍。
再说一次，我不希望你相信你遇到 4ps 概念的方式比从数字的角度来看更不值得。
相反，我希望您意识到，如果您将数学与营销相结合，您确实可以获得一些有用且有趣的见解，这些见解可能会被证明是有益的，特别是如果您像我一样从事数字营销事业。
顺便说一句，我仍然与我的前任教授保持联系，他为我提供了研究论文的链接。
目前，我们正在讨论借助模糊逻辑进行营销决策。但这是一个不同的故事。