新产品采纳个体差异 | 学习笔记

简介: 快速学习新产品采纳个体差异。

开发者学堂课程【高校精品课-湖南大学 -市场营销新产品采纳个体差异】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/4/detail/16003


新产品采纳个体差异


内容介绍

一、概括

二、五个阶段

三、新产品接受度模型


一、概括

前面已经介绍过消费者购买的决策过程,实际上在市场上,消费者的购买过程不一定会按照五个步骤严格走一遍,但大多数时候对于新产品的购买会按照五个步骤进行。当新产品推向市场时会发现消费者个体之间存在明确的差异。一般来说,消费者接受新产品需要经历的五个阶段。


二、五个阶段

顾客知道某种新产品的存在,但没有获得相关的产品信息,例如和同事或是朋友在交流的时候,分享的信息如三星出了一款折叠屏手机,这时候就知道这款手机的屏幕较大携带方便,但具体手机的样式和相关参数也未知。

一部分的消费者会感兴趣主动搜索产品信息,搜集完后会对产品进行评估,是否实用,购买风险在哪。试用能最大程度地满足消费者消除顾虑产生购买行为的有帮助的过程。因此在购买化妆品时通常会附赠试用装,这就满足了顾客的试用需求。可以降低购买风险也能提高顾客购买的满意度。

试用这一环节,是商家销售新产品的过程中需要关注的如何设计满足顾客的体验。当试用之后,顾客可能就决定购买和使用新产品。这五个阶段和购买决策的五个步骤很接近,但也会有一定的特点。在新产品接受的过程当中,消费者个人的心理差异是新产品的销售过程中造成结果不同的最关键的因素。


三、新产品接受度模型

根据新产品接受度差异将消费者分成五大类

image.png

1.创新者

在整个消费者中有2.5%,他们愿意冒风险,愿意尝试新产品。当出现新产品时,只要感兴趣,这类人群会是首批购买者,不会关注价格也不会关注风险,他们很愿意做时代的冲浪儿。这些人不一定非常有钱,甚至会借贷消费。只要是新款的苹果出来,马上就会换手机。这种人就在某种程度上叫做创新者。

2.早期使用者

他们比较能够接受新鲜事物,相比于创新者更谨慎小心。往往是社区的意见领袖,这类群体大概占13.5%。

3.早期大多数

这类人比较慎重,他们虽然算不上接受新事物的领先者,但采用的时间比普通人早。大概可以看到创新者、早期使用者和早期大多数和早期大多数占了消费者的50%左右,所以早期大多数虽然不是领先者,但还是能够领先将近一半的消费者来采纳新产品。

4.晚期大多数

和早期大多数的消费者占比相当,也是占了34%左右,他们对事物往往持有怀疑态度,只有在大多数人尝试新产品之后他们才会接受。

5.落后者

占16%左右,他们怀疑各种变化,只有当新事物变成传统时,他们才会接受它。当产品已经被大家接受,或是到产品快退市的时候,才会接受它。例如当 iPhone10已经上市时,有些人还在使用 iPhone7, iPhone7的手机虽然还在市场销售但已经是最后一批购买者,所以他们属于落后者。

6.注意

在整个图形中需要注意的是早期使用者和早期大多数的过度。很多新产品在投放到市场上时有些成功了有些失败了。并不是所有的新产品都能够被消费者所接受,有些创新者阶段可能就到不了早期使用者的人群的阶段。早期使用者的阶段可能没有跨越到早期大多数的阶段,所以一个创业企业如果提供的是一个新奇特的产品最主要的是初期要满足创新者和早期使用者的选择偏好。要专注研究16%的消费倾向。

大多数企业是在早期使用者往早期大多数使用者的阶段。如果扛过了这个阶段,迎来了早期大多数,往往这时候新产品能够带来盈利,所以在创业的研究当中,把产品的接受度模型的早期使用者和早期大多数使用者之间的过程叫做跨越横沟。跨过去就成功,没有跨过去可能就消失了。

马云曾经说:“今天很残酷,明天更残酷,但后天很美好,大多数人死在明天的晚上,看不见后天的太阳。”阿里巴巴作为一个平台企业,会发现它的初期如何让消费者接受平台,让卖家也接受平台。这样的双向平台只有当平台有足够的使用者才能够形成一个互相促进的作用做大做强。

马云在最艰难的阶段,才发表的这样的感慨,对于大多数企业来说也会存在这样的困境,这是对于消费者在接受新产品时的个体差异对于大多数把新产品推向市场的企业来说尤为重要。

相关文章
|
11月前
|
人工智能 关系型数据库 分布式数据库
PolarDB-PG AI最佳实践3 :PolarDB AI多模态相似性搜索最佳实践
本文介绍了如何利用PolarDB结合多模态大模型(如CLIP)实现数据库内的多模态数据分析和查询。通过POLAR_AI插件,可以直接在数据库中调用AI模型服务,无需移动数据或额外的工具,简化了多模态数据的处理流程。具体应用场景包括图像识别与分类、图像到文本检索和基于文本的图像检索。文章详细说明了技术实现、配置建议、实战步骤及多模态检索示例,展示了如何在PolarDB中创建模型、生成embedding并进行相似性检索
|
11月前
|
机器学习/深度学习 数据可视化 网络架构
YOLOv11改进策略【SPPF】| NeuralPS-2022 Focal Modulation : 使用焦点调制模块优化空间金字塔池化SPPF
YOLOv11改进策略【SPPF】| NeuralPS-2022 Focal Modulation : 使用焦点调制模块优化空间金字塔池化SPPF
231 13
YOLOv11改进策略【SPPF】| NeuralPS-2022 Focal Modulation : 使用焦点调制模块优化空间金字塔池化SPPF
|
编解码 算法 数据可视化
lintsampler:高效从任意概率分布生成随机样本的新方法
在实际应用中,从复杂概率密度函数(PDF)中抽取随机样本的需求非常普遍,涉及统计估计、蒙特卡洛模拟和物理仿真等领域。`lintsampler` 是一个纯 Python 库,旨在高效地从任意概率分布中生成随机样本。它通过线性插值采样算法,简化了复杂分布的采样过程,提供了比传统方法如 MCMC 和拒绝采样更简便和高效的解决方案。`lintsampler` 的设计目标是让用户能够轻松生成高质量的样本,而无需复杂的参数调整。
268 1
lintsampler:高效从任意概率分布生成随机样本的新方法
|
内存技术
除了智能照明系统,PWM 还可以应用在哪些领域
脉冲宽度调制(PWM)技术不仅适用于智能照明系统,还广泛应用于电机控制、电源管理、音频处理和通信系统等领域,以实现高效能的信号和功率控制。
1015 11
|
缓存 JSON 安全
深入了解 Elasticsearch:10个常见面试问题及详细答案
Elasticsearch 是一个强大的搜索和分析引擎,广泛应用于处理大型数据集和构建实时搜索应用程序。在准备 Elasticsearch 面试时,掌握一些常见问题的答案至关重要。本文将为你提供10个常见的 Elasticsearch 面试问题,并详细解答每个问题。
|
缓存 Java API
API接口性能优化管理
在数字化时代,API性能优化对于提升软件效率和用户体验至关重要。本文介绍了多种优化方法:配置优化包括调整JVM参数等;代码层面减少重复调用并批量操作数据库;池化技术如线程池和HTTP连接池能有效利用资源;数据库优化通过索引提高查询速度;异步处理则使主流程业务不受阻塞;缓存策略如Redis缓存减少数据库访问;可观测性工具如日志平台和APM帮助监控性能。综合运用这些方法,可根据业务需求持续调整优化,显著提升API性能及用户体验。
|
存储 分布式计算 监控
基于IoTDB 平台的学习和研究
Apache IoTDB是专为物联网设计的高性能时序数据库,适用于大规模数据存储、高速数据摄入和复杂分析。其特点是轻量级架构、高性能、丰富的功能集,并与Hadoop、Spark和Flink集成,支持边缘计算和云端部署。关键功能包括最新点查询、灵活部署、数据压缩和安全机制。此外,IoTDB在工业物联网场景中有广泛应用,如设备监控和智慧城市。该数据库易于使用,支持SQL-like查询,并提供与Spring Boot的整合示例。
1171 3
|
Kubernetes 负载均衡 算法
kubernetes—Service详解
kubernetes—Service详解
207 0
|
JavaScript
vue create 报pnpm错误原因和解决方案
vue create 报pnpm错误原因和解决方案
852 0
|
Web App开发 API UED
WebRTC与VoIP的差异
WebRTC与VoIP的差异