咖啡消費者利益區隔分析

2.咖啡商品多樣化 392 1 5 3.69 20 1.098 21.咖啡園區之知名度高 392 1 5 3.68 21 0.993 10.提供咖啡相關之器材和書籍 392 1 5 3.6 22 0.957 22.有發行會員卡 392 1 5 3.15 23 1.063

二、利益區隔因素構面分析

本研究以咖啡消費者利益區隔量表，使用因素分析法(Factor analysis)萃取構 面。經因素分析所統計結果 KMO 值與 Bartlett 球形檢定值可協助判定此一樣本資 料是否適合進行因素分析，一般而言，KMO 值須大於 0.8 以上為佳，至少需大於 0.5 才適合進行因素分析(Kaiser,1970,1974)。結果顯示於表 4-15，消費者利益追 求量表之 KMO 值為 0.896，且 Bartlett 的球形檢定結果為 0.000 亦達顯著性，說明 本研究之消費者利益區隔量表適合進行因素分析。

表 4- 15 KMO 與 Bartlett 檢定結果(第一次)

Kaiser-Meyer-Olkin 取樣適切性量數 0.896 Bartlett 的球形檢定

近似卡方檢定 4461.653

自由度 230

顯著性 0.000 (一) 因素萃取

第一部分 23 題消費者利益區隔題項可萃取出 5 個因素構面，累加解說總變異 量為 62.292%，全體信度 Cronbach 的 Alpha 為 0.792，其中第 5 個因素構面只有第 1 題和第 3 題 2 個題項，且此因素構面信度 Cronbach 的 Alpha 為 0.515，根據 Nunnally(1978)指出，構面的 Cronbach 的 Alpha 內部一致性值均大於 0.6 才保留，

故本研究將第五構面予以刪除，接著進行第二次因素分析。第二次因素分析將消 費者利益區隔問項未達因素構面信度標準的刪除，保留 4 個因素構面，如表 4-16 所示，其 Kaiser-Meyer-Olkin 取樣適切性量數為 0.894，即代表抽樣適當，Bartlett 的球形檢定亦達顯著性。

表 4- 16 KMO 與 Bartlett 檢定結果(第二次)

Kaiser-Meyer-Olkin 取樣適切性量數 0.894 Bartlett 的球形檢定

近似卡方檢定 4123.917

自由度 210

顯著性 0.000

(二) 因素構面分析

經因素分析萃取出四個因素構面後，彙整於表 4-17。四個因素分別予以命名 作為市場區隔之基礎，以下逐一說明之。

表 4- 17 利益區隔因素構面總整理

因素構面 因素命名 特徵值 解說總變異量% 累加解說總變異量% 信度係數 因素一 五感魅力 8.257 39.32 39.32 0.882 因素二 行銷策略 1.924 9.162 48.482 0.861 因素三 加值服務 1.31 6.236 54.718 0.720 因素四 品項多樣 1.132 5.391 60.109 0.648

1. 因素一命名：「五感魅力」導向 表 4- 18 「五感魅力」導向因素結構表

題號及問項 因素負荷

6. 咖啡飲品品質優良 0.776

8. 環境整潔舒適 0.786

11. 咖啡園區的景觀視野佳 0.557

12. 咖啡園區的建築物有特色 0.553

14. 經營者的專業知識豐富 0.649

17. 經營人員的態度佳 0.789

23. 用消費支持東部農業理念 0.518

2. 因素二命名：「行銷策略」導向 表 4- 19 「行銷策略」導向因素結構表

題號及問項 因素負荷

15. 商品外包裝的設計優良 0.631

16. 實體店內商品陳設具質感 0.546

18. 有提供試飲與體驗活動 0.53

題號及問項 因素負荷

19. 有設立優惠與折扣制度 0.646

20. 咖啡園區的背景故事吸引我 0.748

21. 咖啡園區之知名度高 0.731

22. 有發行會員卡 0.594

3. 因素三命名：「加值服務」導向 表 4- 20 「加值服務」導向因素結構表

題號及問項 因素負荷

5. 咖啡商品提供網購宅配購買方式 0.567

9. 有搭配的餐點輕食 0.516

10. 提供咖啡相關之器材和書籍 0.718

13. 咖啡園區設計農園體驗課程佳 0.537

4. 因素四命名：「品項多樣」導向 表 4- 21 「品項多樣」導向因素結構表

題號及問項 因素負荷

2. 咖啡商品多樣化 0.777

4. 咖啡商品齊全不易缺貨 0.705

7. 咖啡沖煮方式多樣化 0.699

三、利益區隔之集群分析

本研究將 392 個有效樣本，經由利益區隔因素分析萃取出 4 個因素構面後，

進一步以二階段集群分析法進行集群分析，再以判別分析評估集群分析之穩定性 和一致性，最後依集群特性為其命名。

(一) 二階段集群分析

1. 第一階段：階層集群法

分群基礎以 Ward's Method 決定集群數目，將相似的樣本歸屬為一群並觀察 各群合併時的凝聚係數增量變化率，若凝聚係數增量變化率驟增，即代表組內誤 差突然增大，即應停止凝聚程序。由表 4-22 凝聚係數增量表知，凝聚係數增量變 化率增幅最大為 57.2%，由二群變成一群的階段，故判定集群數應分為二群。

表 4- 22 Ward's Method 凝聚係數增量表

集群數 凝聚係數 凝聚係數增量變化率

8 4548.18

7 5114.122 12.4%

6 5718.945 11.8%

5 6728.792 17.6%

4 7891.504 17.2%

3 9119.158 15.6%

2 12479.33 36.8%

1 19618.163 57.2%

2. 第二階段：非階層集群法

由第一階段將集群數目訂為二群後，再用非階層 K 平均數法將樣本進行第二 段分群，經過多次疊代後將 392 個樣本數依其利益之差異性，區分為較為穩定的 二個集群，區隔後的樣本數如表 4-23 所示。

表 4- 23 利益區隔之各集群分配數目

區隔 樣本數 百分比 有效的百分比

集群一 248 63.3 63.3

集群二 144 36.7 36.7

總數 392 100 100

四、判別分析分群結果

為驗證之有效與穩定性，透過判別分析評估。Wilks' Lambda 值介於 0~1 間，

可判別分組的平均數是否有差異，值越大表示組平均數差異小，值越小表示組平 均差異大。表 4-24 集群判別分析檢定達標準。表 4-25 結果顯示本研究分群正確 率達 100%，亦代表採用二階段集群分析達有效分群。

表 4- 24 集群判別分析檢定表 Wilks' Lambda (λ)

函數的檢定 Wilks' Lambda (λ) 卡方 df 顯著性

1 0.813 80.538 1 0

表 4- 25 集群分類檢定結果

Ward Method 預測的群組成員資格 總計

1 2

原始

計數 1 130 118 248

2 18 126 144

% 1 52.4 47.6 100.0

2 12.5 87.5 100.0 接著針對二個集群與利益區隔因素分析進行單因子變異數分析，結果如表 4-26所示，在α=0.05的顯著水準下，P值均小於0.050，表示4個不同利益區隔因素

構面對於各集群具一定之區隔力。

表 4- 26 各區隔在利益區隔因素構面上之分析表

項目 平均數

F值 顯著性

區隔一 區隔二 因素一：

五感魅力 31.37 33.53 88.93 0 因素二：

行銷策略 25.07 31.31 391.129 0 因素三：

加值服務 14.56 17.81 302.263 0 因素四：

品項多樣 11.21 12.85 76.029 0 五、區隔之命名

(一) 區隔一：

利用表 4-26 之平均數差距平均，得此區隔之消費者較為重視利益因素構面為 因素一：「五感魅力」導向和因素四「品項多樣」導向，參照這二個因素構面結構 將此區隔命名為「美好感知群」。

(二) 區隔二：

此區隔之消費者較為重視利益因素構面為因素二：「行銷策略」導向和因素 三：「加值服務」導向，參照這二個因素構面結構將此區隔命名為「行銷受惠群」。