Probabilistic Seeking Prediction in P2P VoD Systems
Probabilistic Seeking Prediction in P2P VoD Systems
Weiwei Wang,Tianyin Xu,Yang Gao,and Sanglu Lu
State Key Laboratory for Novel Software Technology,
Nanjing University,Nanjing210093,PRC
ww.wang.cs@https://www.wendangku.net/doc/6514504058.html,
Abstract.In P2P V oD streaming systems,user behavior modeling is critical to
help optimise user experience as well as system throughput.However,it still re-
mains a challenging task due to the dynamic characteristics of user viewing be-
havior.In this paper,we consider the problem of user seeking prediction which is
to predict the user’s next seeking position so that the system can proactively make
response.We present a novel method for solving this problem.In our method,fre-
quent sequential patterns mining is?rst performed to extract abstract states which
are not overlapped and cover the whole video?le altogether.After mapping the
raw training dataset to state transitions according to the abstract states,we use a
simpel probabilistic contingency table to build the prediction model.We design
an experiment on the synthetic P2P V oD dataset.The results demonstrate the ef-
fectiveness of our method.
Keywords:User seeking prediction,State abstraction,Contingency table,P2P
V oD systems,User behavior modeling,Pre?xSpan.
1Introduction
With the proliferation of emerging applications,including Internet TV,online video,and distance education,media streaming service over the Internet has become immensely popular and generated a large percentage of today’s Internet traf?c.Peer-to-peer(P2P) technology has been proved as a successful solution which can effectively alleviate server workload,save server bandwidth consumed and thus bring high system resilience and scalability[1,2,3,4,5].In P2P media streaming systems,the users do not need to download the complete video?les before playback which introduces long startup delay. Instead,“play-as-download”streaming service is provided to let the users watch videos while downloading.P2P live streaming,a typical media streaming service designed for all peers receiving streamed video at the same playback position,has been widely deployed to provide“play-as-download”service for a large number of users[4,5,6]. However,P2P video-on-demand(V oD)streaming is more dif?cult to design and deploy than P2P live streaming.Unlike live streaming,V oD systems allow users’interactive behaviors,i.e.,users can seek forward or backward freely when watching video streams. If not handled properly,such seeking requests may lead to long response latency,which severely deteriorates users’viewing quality,e.g.,playback freezing or even blackout.
To improve user viewing experience,user behavior understanding is critical.If a V oD system could detect or predict user seeking patterns,it could proactively make response to them in order to optimise media content delivery[7].On the server side,the media A.Nicholson and X.Li(Eds.):AI2009,LNAI5866,pp.676–685,2009.
c Springer-Verlag Berlin Heidelberg2009
Probabilistic Seeking Prediction in P2P V oD Systems677 server could use spare bandwidth to push out the appropriate media contents to a user before being requested.On the client side,a peer could prefetch media contents that are likely to be requested by upcoming seeking events.This can effectively reduce the response latency and maximize system throughput[8].
User behavior modeling has been already studied for a few years.Some researchers have studied single genres like sports videos[7]and education videos[9]while others have studied a range of video types[10,11].Brampton et al.[7]analyzed the user inter-activity characteristics for sports V oD systems and derived some statistical distributions for user behavior which we employ to generate synthetic P2P V oD dataset for experi-ments as currently the original viewer logs are not available to us.Both He et al.[12] and Huang et al.[13]performed association rule mining to learn user seeking patterns used to do prediction.Zheng et al.[14]analyzed the statistical pattern hidden in the V oD dataset and applied the optimal quantization theory to learn user seeking behavior. Vilas et al.[11]proposed a user behavior model on the observed dataset but no evalua-tion or utilization of that model was presented.A survey paper on probabilistic human behavior prediction models by Albrecht and Zukerman can be found in[15],which is a great material to get a thorough understanding of probabilistic approaches on human behavior modeling.However,user behavior modeling still remains a challenging task due to the dynamic characteristics of the viewing behavior which is always changing over time.
In this paper,we employ a simple probabilistic contingency table to solve the prob-lem of user seeking prediction which is to predict the user’s next seeking position so that the P2P V oD system can proactively make response.In the design of our method,fre-quent sequential patterns mining[16]is?rst performed to extract abstract states which are not overlapped and cover the whole video?le altogether.After mapping the raw training dataset to state transitions according to the abstract states,we simple count the number of each seeking operation to build a transition model.We evaluate the pre-diction model on a synthetic P2P V oD dataset containing4000user viewing logs.The results demonstrate the effectiveness of our proposed method.
The rest of this paper is organized as follows.In Section2,we state the user seeking prediction problem in P2P V oD systems.Then our method is presented in Section3. Next in Section4,our method is validated by the experiments on synthetic P2P V oD dataset.Section5concludes and discusses some future work.
2Problem Statement
In this section,we present some related terminology and de?ne the problem of user seeking prediction.
Terminology.Since the most basic user activity is the continuous viewing of a section of a video,a peer maintains such basic activity in a user viewing record(UVR)in playback time.The important parts of an UVR format is shown as follows.
(UID,MID,Start Position,Inter-Seek Duration,Jump Position)
where UID refers to the user’s identi?er while MID refers to the movie’s identi?er.The inter-seek duration is described as the number of segments contained in the section of
678W.Wang et al.
the video the user watched before seeking to a new position.The start position points
to the?rst watched segment in the current inter-seek duration while the jump position
points to the?rst segment in the next inter-seek duration.
In most cases,as soon as a user?nishes recording one UVR,a new UVR is initial-
ized to record the next inter-seek duration.A sequence of UVRs forms a user view-
ing log which represents a complete user viewing history called a session.For ex-
ample,{(U1,V1,1,6,73),(U1,V1,73,3,4),(U1,V1,4,3,End)}depicts a session as
follows:a user U1?rst views the video V1from the1-st segment to the6-th segment, then seeks forward to the73-rd segment and views until the75-th segment,and?nally
seeks backward to the4-th segment,re-views for3segments and?nishes playback.
User viewing logs can also be represented in sequence format as{s0,s1,···,s i,···, s n?1},where s i denotes that the user has viewed the s i-th segment of the video.In this example,the corresponding sequence format is{1,2,3,4,5,6,73,74,75,4,5,6}.No-
tice that the UVR format can be easily transferred into the sequential format which is used for mining frequent patterns in the state abstraction stage.
Problem Statement.Given a database of user viewing logs,the problem of user seek-
ing prediction is to predict the next seeking position according to the user’s viewing history in the current session.
Still use the example mentioned above.Given large volumes of user viewing logs of movie V1and suppose the viewing history of user U1’s current session to movie V1is{1,2,3,4,5},we hope to predict U1’s next seeking position73and pre-fetch it in advance.As a result,when U1?nishes viewing segment6and requests to seek to segment73,the client-side software can directly satisfy U1with little response latency.
3Learning User Seeking Behavior
To learn the seeking behavior,we?rst do frequent sequential pattern mining on the collected P2P V oD dataset and split the patterns into abstract states.Then we map the raw data to state transitions according to the abstract states.Finally,a prediction model is built using a simple contingency table.
3.1State Abstraction
In typical P2P streaming systems,a video stream is divided into segments of uniform length and each segment contains1second video content[6,17].Typical video stream on the Internet such as movies and sports videos take more than1.5hours(5400sec-onds/segments)long.If we simply use“segment”as the unit to do learning,it would generate too many?ne grained intermediates that bring dif?culties for learning the pre-diction model.As a result,state abstraction is essential.In this problem,we extract the strongly associated segments into abstract states by distilling large volumes of user logs and then maps the raw user viewing logs into state transitions.
Mine Frequent Sequential Patterns.According to the measurements of real deployed media streaming systems[7,18,14],there are always some popular segments called
Probabilistic Seeking Prediction in P2P V oD Systems679 highlights which attracts far more viewing
users are much willing to watch some
is the segment popularity statistics in[7],
second sports video,a football match between
World Cup2006.We can see that the match
a kick-off or a goal.Fig.2is the segment
generated according to the statistic
generation process in section4.1.
Fig.1.Segment popularity of the dataset in[7]
N
o
r
m
a
l
i
z
e
d
P
l
a
y
i
n
g
F
r
e
q
u
e
n
c
y
(
%
)
Segment ID of the Sports Video
Fig.2.Segment popularity of synthetic dataset
Directly cutting the8200seconds into equally length time series would not work well as it does not take the viewers’watching patterns into consideration.For exam-ple,if most viewers watched from1000to1300as a goal happened in that period, we should try to aggregate these seconds as a state or some contiguous states.From this point of view,we employ the frequent sequential pattern mining method Pre?x-projected S equential pa tter n mining(Pre?xSpan)[16]to mining frequent patterns from the dataset.The general ideal of Pre?xSpan is to examine the pre?x subsequences and project their corresponding post?x subsequences into projected databases.In each pro-jected database,sequential patterns are grown by exploring only local frequent patterns. This method is considerably fast than the Apriori-based algorithms and Fre qu e nt pat-tern projected S equential pa tter n mining(FreeSpan)[19].We do some modi?cation to the Pre?xSpan method as we aim at?nding the contiguous sequential patterns.For ex-ample,the original Pre?xSpan will?nd patterns like 1,2,4,5,6,7,10 which are not allowed in our result.We need patterns like 4,5,6,7 which are not only sequential but also contiguous.For this reason,we modi?ed the Pre?xSpan to generate only fre-quent sequential and contiguous patterns.A procedural form of Pre?xSpan is given in Algorithm1.We follow the code by Yasuo Tabei[20]in our implementation.
Split Sequential Patterns into States.As the patterns found are largely overlapped, e.g., 1,2,3,4,5,6,7 and 5,6,7,8,9,10,11,12 may both exist in the mining result,
680W.Wang et al.
Input:A sequence database S,and the minimum support threshold min sup
Output:The complete set of sequential patterns
Method:Call Pre?xSpan(?,0,S)
Subroutine:Pre?xSpan(α,l,S|α)
Parameters:α:asequential pattern;l:the length ofα;S|α:theα?projected database,if α=?;otherwise,the sequence database S
call S|αonce,?nd the set of frequent items b such that:b can be assembled to the last
1
element ofαto form a sequential pattern;or b can be appended toαto form a
sequential pattern;
foreach frequent item b and if b is contiguous afterαdo
2
Append it toαto form a sequential patternα ,and outputα ;
3
end
4
foreachα do
5
constructα ?projected database S|α ;
6
call Pre?xSpan(α ,l+1,S|α );
7
end
8
Algorithm1.Modi?ed Pre?xSpan for mining frequent and contiguous time series in P2P V oD systems
among which 5,6,7 is the overlapping part.We need to split the patterns into inter-vals of different length which are not overlapped and remain contiguous.We design a simple splitting algorithm which scans over the sequential patterns and cuts them into intervals without overlapping,e.g., 1,2,3,4,5,6,7 and 5,6,7,8,9,10,11,12 will be cut into intervals[1,7]and[8,12].For the intervals which do not exist in the mined sequential patterns,we take each of them as a separate interval.After that,we split the contiguous intervals into appropriate granularity intervals,called states,in order to?t the pre-fetching buffer.A too large interval makes no sense for pre-fetching because the buffer is size-limited.Here,we set two tunable parameters min-state-len and max-state-len which are the minimum and maximum state length allowed according to the condition of the client-side peer.The min-state-len avoids splitting an isolated segment as a state while the max-state-len is set as the pre-fetching buffer size in our experiment. Thus,the whole video stream can be represented by these abstract states.
Map Raw Dataset into State Transitions.With the abstract states generated from the above step,we can easily map user viewing logs into state transitions.The mapped results are in the following form:
s,s
where s is the state the current playback position is in while s means the next state the viewer will seek into.For a single inter-seek duration,several contiguous state transi-tions may be generated as the duration may be very large for a single state.
3.2Probabilistic Seeking Model Building
We assume the user seek operation satis?es the Markov property,that is,the next seek position is dependent on the current position and independent on the previous positions
Probabilistic Seeking Prediction in P2P V oD Systems 681
before the current position.With this assumption,we employ a simple contingency table to build a prediction model for predicting user behavior,that is the seeking operation.Model Building using State Transitions.For the prediction task in this paper,we use a simple contingency table to represent the transition probability.The table is shown in Fig.3,in which s represents the current state in the mapped trainning data and s represents the next state.By simply counting the number of seeking operation of each transition pair s,s ,we can build this simple model in an ef?cient and incremental way.
s’
P(s’|s)s s 0
s 1s 0
s 0
s 1
s 0P 00P 10P 01 s 1
s 1P 11
Fig.3.A simple probabilistic contingency table for predicting user seeking behavior
After the training process,a model is built and can be used to do predictions.Given current state s ,we can infer P (s |s )from the learnt transition table.According to this distribution,we can predict the next seeking,e.g.we can employ roulette wheel section or softmax selection.In our approach,we simply apply roulette wheel section strategy.4Performance Evaluation
In this section,we evaluate our method on the user seeking prediction problem.The data used here is the state transitions generated in the above steps.
4.1Data Generation
In the experiment,we generated a synthetic P2P V oD dataset of user viewing logs ac-cording to the statistical distribution in [7].The chosen video is the 8200-second foot-ball match described in Section 3.1.In [7],the segment popularity,the session length as well as the inter-seek duration follows some probability distribution,see Table 1.For the generation,we modi?ed the GISMO streaming generator [10]to produce 4000user viewing logs in UVR format.We set most parameters of GISMO generator to the values in Table 1.Moreover,we modi?ed the jump sub-routine in GISMO using a log-normal distribution to let users trend to jump around highlights.The segment popu-larity of the synthetic dataset is shown in Fig.2which is similar with the real popularity statistics in [7].So we believe our dataset can re?ects the user behavior well.
682W.Wang et al.
Table1.Metrics with their corresponding distribution used in data generation
Metric Distribution R-Square
Segment popularity Log-normal,μ=0.016,σ=1.350.0941
Session length Log-normal,μ=4.835,σ=1.7040.127
Inter-seek duration Log-normal,μ=1.4796,σ=2.28930.0358
4.2Problem Analysis
The average number of seeking behavior is about7times in a whole session[14][7]. Most of the state transitions, s,s ,are contiguous,that is,s =s+1as shown in Table2.These state transitions are useless for our prediction as the playback buffer has already done this job.For this reason,we skip all the contiguous state transitions in the training data,i.e.,state transitions like s,s+1 will be just skipped.
Table2.Statistical data of the user behavior prediction problem
Description Statistics
Forward seek ratio99.28%
One step forward seek ratio80.54%
Backward seek ratio0.72%
One step backward seek ratio31.9%
In our experiment,the streaming rate S of the video is set as256Kbps(most video stream over the Internet today is encoded in the200-400Kpbs range[2]).The total available downloading bandwidth of each peer is randomly distributed in[1.5S,5S]. The length of the client-side buffer is30Mbytes which can be easily accommodated in state-of-art personal computers,i.e.,each peer can cache120segments.The client-side buffer is split into two parts:the playback buffer with25Mbytes and the pre-fetching buffer with5Mbytes.In each time slot,Peers download urgent segments in playback buffer in high priority of using bandwidth to guarantee continuous normal playback.If there is still residual bandwidth,peers pre-fetch the segments in the predictive states into the pre-fetching buffer for supporting user seeking behavior.Both of the two parts use LRU(Least Recently Used)as a default buffer replacement policy.
4.3Experimental Results
We use our data generation method to produce4000user viewing logs.The threshold value used in Pre?xSpan is1/10of the population,that is400,and min-state-len is set to 5while max-state-len is20.After preprocessing,we split the whole data into a training dataset and a validation dataset with a split ratio of0.7.We run all the experiments 10times and average the results.Fig.4shows the learnt user behavior model,in which each color represent a transition probability P(s |s)for a speci?c state s.We can see that our learnt transition model seems very similar to the segment popularity in Fig.2,
Probabilistic Seeking Prediction in P2P V oD Systems
683
Fig.4.Learnt user behavior model Fig.5.Prediction curve
which should not be surprising as we can expect users are more willing to seeking to the highlights and this also validates our method.The prediction error curve of the validation set is shown in Fig.5,in which,the x -coordinate is the transition pair and the y -coordinate represents the prediction error between the predictive next state and the actual next state in the validation data.
https://www.wendangku.net/doc/6514504058.html,parison of VOVO and our approach
We apply our learnt model to do prediction-based per-fetching and evaluate the pre-fetching performance in terms of hit ratio which is calculated using (1).When a user imposes a seeking request on a peer,the peer checks its local buffer (both the playback buffer and the pre-fetch buffer).If its local buffer contains segments in the requested state,the seeking is considered as a hit event and the peer can continue playback without jitter.Otherwise,it is a miss event and the peer must try to search and download the requested segment from other peers,which leads to long latency.
Average hit ratio =T otal number of hit events T otal number of seeking requests .(1)
684W.Wang et al.
The system settings are described in Sect.4.2.When entering the system,each peer is assigned a unique user viewing log and thus its playback procedure is determined.We further assume all the segments are available for all the peers.Each peer just predicts the next seeking state and sequentially pre-fetches segments in the predictive state into its pre-fetch buffer according to its download bandwidth.The results shows that the average hit ratio is about45%as shown in Fig.6,more accurate than VOVO approach proposed in[12].In our approach,the minimum support threshold is1/10of each different population.Moreover,for fair comparison,the prediction range of VOVO is set to20segments,which equals to the max-state-len in our approach,i.e.,as long as the VOVO’s predictive result is within the interval[R?10,R+10](R is the real seeking segment),we consider it as a hit event.Notice that we do not consider any collaboration between peers in this paper.Thus,we can prospect a much higher hit ratio with the help of peer collaboration from which peers can exchange their buffer contents with neighbors and are more likely to?nd appropriate contents.Consequently, the results demonstrate the effectiveness of our approach.
5Conclusion and Future Work
In this paper,we propose a new method on the user seeking prediction problem and get good results.In data preprocessing,we extract abstract states from the raw user viewing logs through frequent sequential pattern mining.Then we employ a simple contingency table to build a state transition model.State abstraction as a step of preprocessing plays an important role in our solution.Furthermore,the learnt user seeking model can be used to do pre-fetching suggestions,that is we can mark the highlights beside the video and offer suggestions for pre-fetching before the occurrence of seeking operations.
However,the accuracy is still not very satisfactory and much improvement could be done in the future research.We intend to introduce time series analysis approach into this problem to release our Markov property assumption of the state transitions. Besides,model transfer or transfer learning is also a very important research for our future work so as to use the current available learnt model to build new model for new videos instead of starting from scratch.Finally,our code and synthetic dataset are publicly available at my homepage https://www.wendangku.net/doc/6514504058.html,/rl/people/ weiweiwang to all researchers who are interested in this novel problem. Acknowledgments
This work is partially supported by the National Natural Science Foundation of China under Grant No.60775046,90718031,60721002and60903025;the National Basic Research Program of China(973)under Grant No.2009CB320705;the Natural Science Foundation of Jiangsu Province under Grant No.SBK200921645.
Moreover,we would like to thank Yinghuan Shi,Yongyan Cui and Liangdong Shi for their helpful comments.
Probabilistic Seeking Prediction in P2P V oD Systems685 References
1.Sripanidkulchai,K.,Maggs,B.,Zhang,H.:The feasible of supporting large-scale live
streaming applications with dynamic application end-points.In:Proc.of the ACM SIG-COMM2004(August2004)
2.Huang,C.,Li,J.,Ross,K.W.:Can internet video-on-demand pro?table?In:Proc.of ACM
SIGCOMM2007(August2007)
3.Huang,Y.,Fu,T.Z.J.,Chiu,D.M.,Liu,J.C.S.,Huang,C.:Challenges,design and analysis of
a large-scale p2p-vod system.In:Proc.of ACM SIGCOMM2008(August2008)
4.PPLive:A free p2p internet tv software,https://www.wendangku.net/doc/6514504058.html,/(September2007)
5.Joost:A website to watch videos,music,tv,movies and more over the internet,
https://www.wendangku.net/doc/6514504058.html,/(June2006)
6.Zhang,X.,Liu,J.,Li,B.,Yum,T.S.P.:CoolStreaming/DoNet:A data-driven overlay network
for ef?cient live media streaming.In:Proc.of IEEE INFOCOM2005(March2005)
7.Brampton,A.,MacQuire,A.,Rai,I.A.,Race,N.J.P.,Mathy,L.,Fry,M.:Characterising user
interactivity for sports video-on-demand.In:Proc.of ACM NOSSDA V2007(April2007) 8.Annapureddy,S.,Guha,S.,Gkantisdis,C.,Gunawardena,D.,Rodriguez,P.:Is high-quality
vod feasible using p2p swarming?In:Proc.of ACM WWW2007(May2007)
9.Costa,C.,Cunha,I.,Borges,A.,Ramos,C.,Rocha,M.,Almeida,J.,Riberio-Neto,B.:Ana-
lyzing client interactivity in streaming media.In:Proc.of ACM WWW2004(May2004) 10.Jin,S.,Bestavros,A.:GISMO:A generator of internet streaming media objects and work-
loads.In:Proc.of ACM SIGMETRICS2001(June2001)
11.Vilas,M.,Paneda,X.G.,Garcia,R.,Melendi,D.,Garcia,V.G.:User behaviour analysis of
a video-on-demand service with a wide variety of subjects and lengths.In:Proc.of IEEE
EUROMICRO-SEAA2005(August2005)
12.He,Y.,Liu,Y.:VOVO:VCR-oriented video-on-demand in large-scale peer-to-peer networks.
IEEE Transactions on Parallel and Distributed Systems20(4),528–539(2009)
13.Huang,C.M.,Hsu,T.H.:A user-aware prefetching mechanism for video streaming.World
Wide Web:Internet and Web Information Systems6(4),353–374(2003)
14.Zheng,C.,Shen,G.,Li,S.:Distributed prefetching scheme for random seek support in peer-
to-peer streaming applications.In:Proc.of the ACM P2PMMS2005(November2005) 15.Zukerman,I.,Albrecht,D.W.:Predictive statistical models for user modeling.In:User
Modeling and User-adapted Interaction,pp.5–18.Kluwer Academic Publishers,Dordrecht (2001)
16.Pei,J.,Han,J.,Mortazavi-Asl,B.,Wang,J.,Pinto,H.,Chen,Q.,Dayal,U.,Hsu,M.C.:
Mining sequential patterns by pattern-growth:The Pre?xSpan approach.IEEE Transactions on Knowledge and Data Engineering16(10),1–17(2004)
17.Xu,T.,Chen,J.,Li,W.,Lu,S.,Guo,Y.,Hamdi,M.:Supporting VCR-like operations in
derivative tree-based P2P streaming systems.In:Proc.of IEEE ICC2009(June2009) 18.Yu,H.,Zheng,D.,Zhao,B.Y.,Zheng,W.:Understanding user behavior in large-scale video-
on-demand systems.SIGOPS Oper.Syst.Rev.40(4),333–344(2006)
19.Han,J.,Pei,J.,Mortazavi-Asl,B.,Chen,Q.,Dayal,U.,Hsu,M.C.:Freespan:frequent
pattern-projected sequential pattern mining.In:Proc.of the ACM SIGKDD2000(August 1999)
20.Tabei,Y.:Pre?xSpan:An implementation of pre?xspan(pre?x-projected sequential pattern
mining)(December2008),
http://www.cb.k.u-tokyo.ac.jp/asailab/tabei/prefixspan/
prefixspan.html
市场调查与预测期末复习资料
市场调查与预测期末复习资料
市场调查与预测期末复习资料 一、选择题 ⒈下面哪项不是市场调查应遵循的原则﹝D﹞ A保密性 B经济性 C时效性 D合理性 ⒉一些企业得广告支出预算是根据销售额得某一固定比例确定的。究竟两者的真正关系何在，应通过﹝C﹞调查来解答。 A探测性 B描述性 C因果关系 D预测性 ⒊下面哪项不是市场调查得内容﹝D﹞ A产品销售 B市场竞争 C消费者需求 D社会保险 ⒋市场调查的最后一个步骤﹝A﹞ A形成调查报告 B辨别所需信息的类型 C数据处理 D设计市场调查方案 ⒌﹝C﹞是访问员的管理者，负责访问员的招聘、访问员的培训以及对访问员的工作进行指导、监督和检查。 A管理人员 B研究人员 C督导 D资料员 ⒍﹝B﹞公司主要是收集一般的资料，他们一般不专门为某个客户还有服务的，任何人都可以购买他们的资料。 A定制服务公司 B辛迪加信息服务公司 C市场调查公司 D广告研究公司 ⒎如对调查问题了解甚少的情况下，最好的做法是从﹝C﹞调查开始。A描述性 B因果性 C探索性 D一般性
⒏某商店了解到该店68﹪的顾客主要是年龄在18～45岁之间的妇女，并经常带着家人、朋友一起来购物。这种﹝C﹞调查提供了重要的决策信息，使商店决定重视直接向妇女开展促销活动。 A探索性 B因果性 C描述性 D一般性 ⒐如果市场调查方案存在不足，就可以组织用﹝C﹞方法对方案进行讨论和修改。 A项目小组座谈会法 B经验判断法 C试点调查法 D头脑风暴法⒑抽样调查所必须遵循的原则是﹝C﹞ A灵活性原则 B可靠性原则 C随机性原则 D准确性原则 ⒒抽样调查的目的在于﹝B﹞ A对调查单位做深入研究 B用样本指标推断总体指标 C计算和控制抽样误差 D了解样本全面情况 ⒓抽样误差是指（B ） A计算过程中所产生的误差B随机性的代表性误差 C调查中产生的登记性误差D调查中产生的系统性误差 ⒔抽样误差的大小（D ） A既可以避免，也可以控制 B既无法避免，也无法控制 C可以避免，但无法控制 D无法避免，但可以控制 ⒕分群随机抽样抽取的对象是（D ） A总体B个性C样本D群 ⒖在下列部分中，（ D）不是问卷开头的组成部分。 A问候语B填表说明C问卷编号D引言
《市场调查与预测》练习题及答案B
《市场调查与预测》练习题及答案 第一部分选择题 一、单项选择题 1.市场调查首先要解决的问题是() a.确定调查方法 b.选定调查对象 c.明确调查目的 d.解决调查费用 2.实行消费者固定样本持续调查，要求在连续调查过程中() a.样本固定不变，持续下去 b.样本隔段时间变换一次，全部更换样本 c.样本隔段时间变换一次，更换比较较小 d.样本隔段时间变换一次，更换比较较大 3.()的市场信息具有较强的可传递性。 a.可识别 b.有序化程度高 c.目的性明确 d.描述性 4.在访问法中，哪种方法获得信息量最大() a.面谈调查 b.邮寄调查 c.电话调查 d.留置调查 5.市场预测程序是() a.明确目的、收集资料、分析、预测 b.收集资料、明确目的、分析、预测 c.分析、明确目的、收集资料、预测 d.明确目的、收集资料、预测、分析 6.判断分析法是从事物的() a.量的方面进行预测 b.质的方面进行预测 c.量的方面分析判断，进行预测 d.质的方面分析判断，进行预测 7.时间序列数据会呈出现一种长期趋势，它的表现() a.只能是上升趋势 b.只能是下降趋势 c.只能是水平趋势 d.可以是上升、下降或水平趋势 8.在一元性线回归方程=a+bx中，()表示当自变量每增减一个单位时，因变量
的平均增减量。 a. b.a c.b d.x 9.决策树分析法的决策准则是() a.最大收益期望值标准 b.最小损失期望值标准 c.最优损益期望值标准 d.最小风险标准 10.从理论上讲，决策最终选择的理想方案，应该是追求方案() a.最优化 b.最满意化 c.最科学化 d.最合理化 11.有目的的收集、整理和加工分析市场信息，使之集中化、有序化，成为可利用的信息，这一过程是（） a.市场调查 b.市场分析 c.市场预测 d.整理资料 12.对于企业来讲，要消耗大量人力、物力和财力，不符合经济效益的要求的调查形式是（） a.几率抽样 b.非几率抽样 c.典型调查 d.市场普查 13.下列有关信息，可通过实验调查法获得的是（） A.国民收入的变动对消费的影响 B.物价指数的变动对消费行为的影响 C.股价对房价的影响 D.改变包装对消费行为的影响 14.在访问调查法中，获得的信息量最小的方法是（） A.面谈调查 B.邮寄调查 C.电话调查 D.留置调查 15.“你穿什么牌号的旅游鞋为什么它的优点是什么”这种个人面谈方式称为（） A.倾向偏差询问 B.强制选择 C.非强制选择 D.自由回答
市场调研与预测复习题
一、单项选择题。（每题2分共30分） 1、市场调查的两个关键环节是（ C ）。 A 确定总体和抽样样本 B 实地调查和数据处理 C 问卷设计和抽样设计 D 问卷设计和实地调查 2、将一组受访者视作一个抽样单位而不是个体的抽样方法称为（C ）。 A 简单随机抽样 B 分层抽样 C 整群抽样 D 系统抽样 3、在样本框中每隔一定距离抽选一个受访者，这种抽样方式称为（D ）。 A 简单随机抽样 B 分层抽样 C 整群抽样 D 系统抽样 4、饼状图主要适合于显示（ C ）。 A 变量值在不同空间点上的差异 B 变量值在不同时间点上的差异 C 单元不太多的结构分布 D 不同样本间分布差异的比较 5、衡量回收后的问卷是否有效，其标准是（A）。 A 访谈是否按规定的方式进行，访员有无作假 B 问卷上的问题是否回答完整 C 访员是否询问了问卷上的所有问题 D 问卷上的问题回答是否 6．（A）是对市场运行过程与状况的客观描述，是各种经济事物运动变化状态及其相互联系的现实表征。 A．市场信息B．企业信息C．市场情报D．市场趋势 7．（C）是利用企业内部和外部现有的各种信息、情报资料，对调查内容进行分析研究的一种调查方法。 A．市场调研B．直接调查C．文案调查D．抽样调查 8．观察法在选择观察对象时，要考虑与之配合的调查方式，所以（ C ）必须选择对总体具有代表性的单位。 A．抽样调查B．全面调查C．典型调查D．重点调查 9．由于市场调查的目的是认识市场现象的本质及其发展规律，所以要对市场现象进行深入持久的观察，即坚持（ D ）。 A．客观性原则B．全面性原则C．时效性原则D．深入持久性原则10．（D）是问卷的主体，是问卷最核心的组成部分。 A．封面信B．答案C．问候语D．问题和答案 11．封闭式问题的设计中，（B ）是将同类的若干个问题及答案排列成矩阵，以一个问题的形式表达出来。 A．框图式B．矩阵式C．两项选择式D．填空式 12．为评价甲饮料厂采用的新包装对其销量的影响，特采用实验组与对照组前后对比实验进行调查。采用新包装前后的销量分别为5 000箱和6 000箱，以符合可比条件的乙饮料厂作为对照组，相应量分别为3950箱和4650箱，则实际效果为（C ）箱。 A．1000 B．700 C．300 D．－3000 13．为了分析观察某些市场变量之间是否存在着因果关系以及自变量的变动对因变量的影响程度，应当选择的市场调查方法是（B）。 A．观察法B．实验法C．询问法D．态度测量表法 14．对于无法确定其主要影响因素的市场现象进行预测的最合适的方法是（D）。A．定性市场预测法B．相关回归分析市场预测法
市场调查与预测复习资料
市场调查与预测复习资料 一:名词解释: 1市场调查：就是运用科学的方法，系统的搜集，记录，整理，和分析有关市场的信息资料，从而了解市场发展变化的现状和趋势，为市场预测和经营决策提供科学依据的过程。 2市场预测：就是在市场调查和市场分析的基础上，运用逻辑和数学的方法，预先对市场未来的发展变化趋势作出描述和量的估计。 3市场信息：有关市场经济活动的各种信息，情报，数据，和资料的总称。 4观察发：指通过观察被调查者的活动取得第一手资料的调查方法。 5德尔菲法（又叫专家小组发）：它是以匿名的方式，通过轮番征询专家意见，最后得出统计预测值的方法。 6随机对比实验: .指按照随机抽样法选定实验单位所进行的实验调查。 7动态决策:凡决策的问题涉及到两个或两个以上的决策，称为动态决策。 8相关分析: .通过相关系数来描述自变量x与因变量y之间的线性相关关系密切程度强弱的一种检验方法。 9访问法:.通过以询问的方式向被调查者了解市场情况的一种市场调查方法。 10.系统抽样法：依据一定的抽样距离，从母体中抽取样本的调查方法，又称等距抽样。 11分层随机抽样：是先按某种划分标准将调查划分为若干层，在从各层相同子体中随机抽出样本的抽样方法。 12事前事后对比实验：在同一市场内，实验期前在正常情况下，进行测量然后进行现场实验，经过一段时间后，在测量收集3实验过程中的数据，从而进行事前事后对比，观察实验变量的效果的一种实验方法。 13风险型决策：指决策过程事先能预知各备选方案在几种可能的约束条件下产生的几种不同结果及其出现概率情况下作出的决策。 14判断抽样法：是由市场调查人员根据经验而选定样本的一种非几率抽样法。 15抽样调查：是指从市场母体中抽取出一部分子体作为样本，对样本进行调查，然后根据样本信息，推算市场总体信息的方法。 16留置问卷法：指将调查问卷当面交给被调查者，说明填写的要求，并留下问卷，让被调查者自行填写，由抽查人员定期收回的一种市场调查方法。 17时间序列预测法：将历史资料和数据，按照时间顺序排列成一系列，根据时间序列所反映的经济现象的发展过程、方向和趋势，将时间序列外推或延伸，以预测经济现象未来可能达到的水平。 18态度测量：是对被调查者就特定的对象所持有的态度取向或态度程度进行了解测量的一种技术和方法 19定性预测法：依靠预测者的专门知识和经验，来分析判断事物未来发展的趋势 20定量预测法：在数据资料充分的基础上运用数学方法，对事物未来的发展趋势进行数量方面的估计与推测。 二简单题： 1配额抽样法的优缺点是什么?优点：简便易行，节省费用，选择过程短，能较快取得调查结果，且样本不至于偏某一层。缺点：容易出现判断上的主观性或依据资料不足，选择偏差的问题，而且难以控制，估计抽样误差。 2简要说明文案调查法的特点？（1）费用低，节省时间。（2）不受时空限制（3）以文字，图表等书面形式表现4）时效性差（5）目的性差
市场调研与预测学习指南
市场调研与预测-学习指南 一、单项选择题 1、（）是指应用各种科学的调查方法，搜集、整理、分析市场资料，对市场的状况进行反映或描述，以认识市场发展变化规律的过程。 A. 市场调研 B. 市场预测 C. 市场分析 D. 市场考察 2、营销战略策划与营销战术策划之间的关系可以概括为：STP+4P+G，其中S是指（） A. 细分 B. 确定目标市场 C. 定位 D. 关系 3、 ( )是由于前一次测量使被试对试验中自变量的变化更加敏感而导致的误差。 A.反应误差 B.相互作用误差 C. 选择误差 D.流失误差 4、（）是调查者在提出问题的同时，还将问题的一切可能答案或几种主要可能答案全部列出，由被调查者从中选出一个或多个答案作为自己的回答，而不做答案以外的回答。 A. 指导性问题 B. 封闭式问题 C. 开放式问题 D. 实质性问题 5、普查和抽样调查是按照（）来分类的。 A. 获得数据的准确性 B. 是否覆盖所有的调查对象 C. 是否存在误差 D. 样本容量的大小 6、( )是对数据进行校对和筛选的过程 A.分类 B.校编 C.编号 D.录入 7、下列（）表示数据的离散程度。 A. 中位数 B. 平均数 C．标准差 D．众数 8、因子分析的目的是（），用少量的概括性指标来反映包含在许多测量项目中的信息。 A．收集数据 B．简化数据 C．概括数据 D．归类数据 9、短期市场预测一般是指（）的预测。 A. 一周以内 B. 一旬以内 C. 一年以内 D. 一年以上，五年以下 10、拟订消费者需求调查与预测这类报告的标题要( ) A.对产品某个方面有所重点 B.通常采用直接叙述的方式 C.要突出重点 D.突出环境因素 11、决策程序中的第一步程序为（） A. 决策选择 B. 决策执行 C. 决策分析 D. 决策判断 12、（）是指对所研究的市场现象的客观实际情况，搜集、整理、分析其资料，反映现象的表现。 A. 探索性调查 B. 描述性调查 C. 经常性调查 D. 一次性调查 13、( )可以用来测量二个以上自变量的影响。 A.完全随机设计 B.随机区组设计 C.拉丁方格设计 D.因子设计 14、所谓问题答案设计中的（）是指同一问题的若干个答案之间关系是相互排斥的，不能有重叠、交叉、包含等情况。 A. 顺序性原则 B. 连贯性原则
市场预测学整理..
1.德尔菲法的优缺点，利用德尔菲法研究权重，上下四分位点、全距、中位数 德尔菲法的优缺点 优点： （1）反馈性； （2）集思广益； （3）匿名性； （4）统计性。 缺点： （1）对于分地区的顾客群或产品的预测则可能不可靠； （2）责任比较分散； （3）专家的意见有时可能不完整或不切合实际。 德尔菲法的统计处理方法 （一）专家作答情况的统计处理 （二）对数量和时间答案的统计处理 1.中位数的方法 将几位专家所提供的答数从小到大，从左至右进行排序，即 中位数的计算公式为： （奇数） （偶数） 2.求上、下四分位点的方法 先求上四分位点，其计算公式为： 下四分位点的计算公式为： % 100?=发出问卷的份数收回问卷的份数问卷回收率%100?=收回问卷的份数数对该问题有效回答的份问卷有效率n n x x x x x ≤≤≤≤≤-1321...? ????+=++2 ~1 1k k k x x x x k n k n 212=+=???????? ???? ?=+=+=++==+++++为偶数为奇数为偶数为奇数上四k k n x x k k n x k k n x x k k n x x k k k k k k ,2,2,2,,12,2,12,123 232 132 23123 2 33?????? ?? ?????=+=+=++==++++为偶数为奇数为偶数为奇数 下四k k n x x k k n x k k n x x k k n x x k k k k k k ,2,2,2,,12,2,12,12 22 11 2 22 1
各专家答数中的最大值与最小值之差称为全距，表示调查结果的最大变动幅度，是各专家之间看法的分散程度的一种度量。 如果用四分位点法描述专家们的调查结果，则中位数表示其期望值，下四分位点表示调查期望值区间的下限，上四分位点表示其上限。 （三）对等级比较答案的统计处理的计算步骤为： 第一步，列出各评价项目，规定其重要程度的评分标准； 第二步，计算各评价项目的总得分： (j=1，2，…m) 式中： Tj ——第j 个项目的总得分； Pi ——排在第i 位的得分； Ni ——赞同某项目排在第i 位的人数； m ——参加比较的项目个数 n ——等级数 第三步，计算各项目所得的总分比重： （j=1,2,…m) 式中： Kj ——第j 个项目的总分比重； h ——对该问题作出回答的人数 第四步，按总分比重从大到小排列各项目的重要程度等级。 2.消费水平预测 基数迭加法 转导法 类推法 消费水平预测法：主要是利用对消费水平和消费人数或户数这两个基本量的直观分析判断并辅以简单推算来预测消费品需求量。 一、非耐用消费品的消费水平预测法 1.定义 非耐用消费品主要是指那些被消费使用后，商品实体随之消失，或虽然实体尚在，但其价值较低，使用期较短的商品。 二、估计公式为： 其中： S ——预测期非耐用消费品的需求量 j ——预测期某个市场范围的平均人数（或户数） g ——消费水平，即一定时期内每人（每户）平均需求量或消费量，即人均（户均）需求量 采用消费水平预测的关键在于能否正确估算预测期的消费水平。消费水平的估算主要有以下几种途径： （1）利用历史数据，在分析历年的消费水平基础上，估计预测期的消费水平。 （2）利用相关因素分析法，估计预测期的消费水平，即在预测前期的消费水平基础上，分析各种影响消费水平变化的因素，并进一步分析哪些因素促使消费水平提高或下降，最后对消费水平发展变化趋势作出推断。 （3）利用调查资料得到 案例：某市本年度水果社会销售量为1220万公斤，全市年初人口数为60万人，年末达61.2 ∑== n i i i j N P T 1∑ ==n i i j j P h T K 1 g j S ?=
市场预测简答题
三、简答题 1简述主观概率法的特点及预测步骤 1.答:主观概率是预测者根据自己的实践经验和判断分析能力，对某种事件在未来发生的可能性的估计数值。其特点是:试验空间全部事件的每一个事件的概率之和等于1;每一个事件的概率在0至1之间，即是一个大于或等于0，小于或等于1的数值。 应用主观概率市场预测法，一般要按下面几个步骤进行: (1)说明预测目的和要求，提供必要的资料。 (2)制定调查表，发给每个被调查者填写。 （3)整理汇总主观概率调查表。 (4)根据汇总情况进行判断预测。 2．随机抽样调查的含义及其特点是什么？ 2.答:随机抽样调查是从研究对象的总体中，按照随机原则抽取一部分单位作为样本进行 调查，并用调查结果推断总体。 它具有以下特点: (1)抽取样本的客观性。 (2)可以比较准确地推断总体。 (3)是一种比较节省的调查方法。 (4)应用范围广泛，特别适用于研究市场现象的数量表现。 3.什么是函数关系和相关关系？两者有什么联系和区别？ 3.答:函数关系反映现象之间存在着明确的、严格的数量依存关系，对于自变量的每一个 数值，因变量都有一个确定的值和它相对应。这种关系可用一个数字表达式或数量对等的经济公式反映出来。 相关关系，又称统计关系。它反映现象之间存在的，但并不严格固定的数量依存关系。它的特点是:（1）现象之间确实存在数量上的客观内在联系，表现为一个现象发生数量上的变化，另一现象也相应地发生数量变化。（2）现象之间数量依存关系不是确定的，具有一定的随机性。表现在给定自变量一个数值，因变量会有若干个数值和它对应，在这若干数值间有一定波动，因变量总是围绕这些数值的平均数并遵循一定的规律而变动。 二者的区别是:函数关系所反映的现象间具体关系是固定的，而相关关系所反映的现象间的具体关系值不固定。 二者的联系是:(1)函数关系中的自变量与因变量由于观察或实验出现误差，其关系值也不可能绝对固定，有时也通过相关关系来反映。(2)相关关系的定量分析必须用函数表达式来近似地反映自变量与因变量之间的一般关系值。 4.市场调查应遵循哪些原则和科学程序？ 4.答:一项成功的市场调查，必须坚持以下原则: (1)真实性和准确性原则。 (2)全面性和系统性原则。 (3)经济性原则。 (4)时效性原则。 市场调查的步骤大致可分为四个阶段:
现代-市场调查与预测试题及答案(1)
第六章市场调查方法 一、填空题 1、市场资料按其来源不同，可分为直接资料和间接资料两类。 2、通过查阅、阅读收集各种资料的方法称为文案调查法，该方法主要是针对二手资料的收集。 3、文案调查主要的方法是文献资料筛选法、报刊剪辑分析法、情报联络网法。 4、实地调查是取得直接市场资料的基本方法。 5、除周末外，入户访问的最佳时间是每天的17:00 到19:00(或20:00) 。 6、拦截调查法具有费用低、效率高等优点，但也具有不适合复杂内容的调查、拒访率高等缺点，在所有的缺点中，样本代表性差是最大的缺点。 7、留置问卷调查的关键之一是保证调查的匿名性。 8、根据观察者是否参加到被观察的市场活动中，观察法可分为参与观察和 非参与观察。 9、通过对现场遗留下来的实物或痕迹进行观察以了解或推断过去的市场行为的调查方法是痕迹观察法。 10、以普通顾客身份对调查对象的所有环境因素进行观察以获得调查资料的方法是神秘购物法。 11、固定样本调查可以很好地收集消费者在较长时期内的动态资料。 12、固定样本调查的主要方法有日记法和仪器法。 13、解决固定样本调查中样本不容易坚持的方法是实行样本轮换。 二、判断改错题 1、文案调查方法以收集一手资料为主。（×） 2、间接资料不受调查人员和调查对象主观因素的干扰，反映的信息内容较为真实客观。（×） 3、文案调查不可以作为一种独立的方法加以采用。（×） 4、间接资料调查法最主要的缺点是既费时又费力。（×） 5、直接资料是指从文献档案中收集的资料，也称二手资料。（×） 6、内容项目较多，比较复杂，需要深入探求的调查内容，则以面谈访问或留置问卷的调查 方式进行调查为好。（√） 7、调查内容较少，项目简单可采用面谈访问或留置问卷方式进行调查。( ×)（将“可 采用面谈访问或留置问卷方式”改为“可采用电话调查或邮寄调查”。） 8、街头拦截调查适合于需要快速完成的小样本的探索性调查。（√）
市场预测的原则及定性分析方法
第四节市场预测的原则及定性分析方法 一、市场调查资料分析和原则 （一）市场调查资料分析的内涵 分析是把事物、现象、概念分成较为简单的组成部分，找出这些部分的本质属性和彼此之间的关系。市场调查的资料分析就是以某种有意义的形式或次序把收集的资料重新展现出来。分析实际上是告诉人们，每组资料里到底隐藏了哪些有用的信息，并以恰当的形式表现出来。 市场调查资料是一项综合性很强、内涵丰富的工作。主要包含以下内容： 第一，要对本次调查的核心目的进行分析，确定此次调查分析的方向和最终目的，以及资料分析的重点等情况。 第二，要确定市场调查资料收集的具体方法是否适合调查的总体目标，是否具有针对性。 第三，要对收集资料的可靠性和代表性进行分析。 第四，选用适当的分析方法，对市场调查资料的数据进行分析，总结资料所反映的问题。 第五，得出综合的分析结论。 （二）市场调查资料分析的原则 1 ．针对性原则 针对性是指要采用与调查目的、调查资料性质、现有资源相适应
的分析方法，对调查资料进行分析。任何一种分析方法，都有各自的优点和不足，各有不同的使用范围和分析问题的角度。某一种情况可能就需要某一种或几种特定的统计分析方法，所以分析人员就需要对各种分析方法的特点和作用有准确的把握，将多种与调查目的相匹配的方法组合应用，形成最准确、恰当的方法系统，取长补短，相互配合，从而得出全面和准确的结论。 2 ．完整性原则 完整性是指对调查资料进行多角度的全面的分析，以反映和把握调查资料的总体特征。它不是对资料进行局部的分析，而是全面考察各种相关因素的现状和趋势，分析现象之间的关系。 3 ．客观性原则 客观性是指必须以客观事实和调查的资料为依据进行分析。不能受到外来因素或内部主观倾向的影响，否则，就会使前面各阶段的努力化为乌有，更重要的是会误导企业决策者做出背离实际的决策，而使企业陷入困境。 4 ．动态性原则 动态性是指对调查资料的分析，不但要分析把握其现状，更要分析把握其变化趋势。要注意分析各相关因素的变化特点，用发展的观点、动态的方法来把握问题，从而正确地引导企业的发展。在具体的操作中，要主动掌握并合理运用科学的预测方法，得出符合市场变动趋势的分析结论。
市场预测简答题
市场预测简答题
三、简答题 1简述主观概率法的特点及预测步骤 1.答:主观概率是预测者根据自己的实践经验和判断分析能力，对某种事件在未来发生的 可能性的估计数值。其特点是:试验空间全部事件的每一个事件的概率之和等于1;每一个事 件的概率在0至1之间，即是一个大于或等于0，小于或等于1的数值。 应用主观概率市场预测法，一般要按下面几个步骤进行: (1)说明预测目的和要求，提供必要的资料。 (2)制定调查表，发给每个被调查者填写。（3)整理汇总主观概率调查表。 (4)根据汇总情况进行判断预测。 2．随机抽样调查的含义及其特点是什么？ 2.答:随机抽样调查是从研究对象的总体中，按照随机原则抽取一部分单位作为样本进行调查，并用调查结果推断总体。 它具有以下特点: (1)抽取样本的客观性。 (2)可以比较准确地推断总体。 (3)是一种比较节省的调查方法。
(4)应用范围广泛，特别适用于研究市场现象的数量表现。 3.什么是函数关系和相关关系？两者有什么联系和区别？ 3.答:函数关系反映现象之间存在着明确的、严格的数量依存关系，对于自变量的每一个 数值，因变量都有一个确定的值和它相对应。这种关系可用一个数字表达式或数量对等的经济公式反映出来。 相关关系，又称统计关系。它反映现象之间存在的，但并不严格固定的数量依存关系。它的特点是:（1）现象之间确实存在数量上的客观内在联系，表现为一个现象发生数量上的变化，另一现象也相应地发生数量变化。（2）现象之间数量依存关系不是确定的，具有一定的随机性。表现在给定自变量一个数值，因变量会有若干个数值和它对应，在这若干数值间有一定波动，因变量总是围绕这些数值的平均数并遵循一定的规律而变动。 二者的区别是:函数关系所反映的现象间 具体关系是固定的，而相关关系所反映的现象间的具体关系值不固定。 二者的联系是:(1)函数关系中的自变量与
市场调查与预测
市场调查与预测 简答题 1、简述市场调查与预测策划的作用与原则 答：作用：1）市场调查与预测策划工作是使整个调查与预测工作统筹兼顾、统一协调的有力保证。 2）市场调查与预测策划是实现定性认识和定量认识有机结合的重要手段。 3）市场调查与预测策划能够适应现代市场调查与预测发展的需要。 原则：1）真实性和准确性原则。 2）全面性和系统性原则。3）费用—效益最优化原则 /经济性。 4）时效性原则。 2、简述网上调查的特点 P64 答： 1）成本低廉 2）方式快捷 3）结果客观真实 4）回馈信息翔实 3、简述市场调查资料整理的一般程序 P96 答：1）资料整理方案的设计。2）资料的审核。 3）资料的分组。4）资料的汇总 5）资料的显示 4、简述市场调查与预测报告的基本结构 P193 答：1）扉页 2）信函 3）各级目录 4）经理揽要 5）报告主体 6）附件 5、问卷调查法的特点是什么？问卷中应如何对问题进行选择？问题的表述应遵循什么原则？ 答：其特点包括：（1）问卷法一般是间接调查。（2）问卷法是标准化的调查。（3）问卷法是书面化调查。 问题的选择必须考虑以下几点：（1）必须选择与某种市场调查目的最必要的问题。（2）问题的选择必须符合市场现象在一定时间、地点、条件下的客观实际表现。（3）问题的选择还必须符合被调查者问题的能力和愿望。 问题的表述必须遵循：（1）每个问题的内容要单一，避免多重含义。（2）问题的表达要具体。（3）问题的表述语言要简短、通俗、准确。（4）表述问题要客观，不要带有倾向性或诱导性。（5）对于敏感性问题，不要直接提问。 6、简述指数平滑法的特点。移动平均法的含义和特点是什么？ 答：指数平滑法，实际上是一种特殊的加权移动平均法。其特点在于： （1）对离预测期近的观察值，给予较大的权数，对离预测期渐远的观察值给予递减的权数。（2）对于同一市场现象连续计算其指数平滑值，由近及远按等比级数减小。（3）指数平滑法中的α值，是一个可调节的权数值，0≤α≤1移动平均市场预测法，是对时间序列观察值，由远向近按一定跨越期计算平均值的一种预测方法。随观察值向后推移，平均值也向后移动，形成一个由平均值组成的新的时间序列，对新时间序列中平均值加以调整，可作为观察期内的估计值，最后一个平均值是预测值计算的依据。 移动平均法有两个明显的特点：（1）对于较长观察期内，时间序列的观察值变动方向和程度不尽一致，呈现波动状态，或受随机影响比较明显时，移动平均法能够在消除不规则变动的同时，又对其波动有所反映。即反映现象变动比较敏感。（2）移动平均预测法所需贮存的观察值比较少。 移动平均法包括一次移动平均法、二次移动平均法及加权移动平均法等。 7、什么是德尔菲法？其实施步骤？ 答：德尔菲法是采用征询意见表，利用通信方式，向一个专家小组进行调查，将专家小组的判断预测加以集中，利用集体的智慧对市场现象未来作出预测。它是20世纪40年代末由兰德公司创立的。 实施步骤：（1）会议前，组织者须向有关专家提供资料。（2）应围绕预测所研究的问题全面邀请专家。（3）专家在会议前准备好发言提纲，不同意见可以讨论。（4）会议人数以适宜解决预测问题为准。（5）会议主持者要虚心，以听取意见为主。 8、应用间接资料应注意哪几个问题？ 答：间接市场资料,是指从别人所组织的各种调查搜集和积累起来的材料中,摘取出的市场或与市场有紧密联系的社会经济现象的有关资料。其特点是节省费用,但适用性没有直接资料强需要进行再整理,可信度也要进行考查。 应用间接资料时必须注意：（1）要对资料做认真的分析。（2）提高对资料综合利用的能力。（3）要重视各种资源的积累。 9、市场调查应遵循哪些科学程序？ 答：市场调查的步骤大致可分为四个阶段：（1）市场调查的准备阶段，即决策、设计、筹划阶段。具体工作包括确定调查任务，设计调查方案，组建调查队伍等。（2）市场调查搜集资料阶段。该阶段调查者与被调查者进行接触，是整个市场调查工作中唯一的现场实施阶段。（3）市场调查研究阶段。这是出成果的阶段。（4）市场调查总结阶段。主要任务是撰写调查报告，总结调查工作，评估调查结果。 10、抽样调查的特点是什么？ 答：随机抽样调查是从研究对象的总体中，按照随机原则抽取一部分单位作为样本进行调查，并用调查结果推断总
市场预测与案例分析
市场预测与案例分析课程教学大纲 课程编码：1641311 学时：48 学分：3 适用专业：07统计学专业 一、课程的性质和任务 性质：本门课程为统计学专业选修课。 任务：市场预测与案例分析是一门实践性很强的学科，通过本课程学习，要求学生了解并掌握市场调查与预测的基本理论；能够根据市场调查与预测理论提供的操作方法，解决相应的实际问题；通过有代表性的市场案例分析，使学生能够掌握典型案例基本特征，以便在实践中更好地完成市场调查与预测任务，为社会和企业服务。 二、课程教学内容的基本要求、重点、难点和学时分配 1．市场调查概述（8学时） 1.1 市场与市场调查的基本知识 了解市场的基本知识 必须掌握市场调查的基本知识 1.2 市场调查的内容 掌握市场基本环境调查 必须掌握市场微观环境调查 1.3 市场调查机构与人员 掌握市场调查机构的类型、网络 了解市场调查人员及人员素质的培训 2. 市场调查设计（8学时） 2.1 市场调查总体方案设计 理解市场调查方案设计的含义与意义 必须掌握市场调查总体方案设计的内容 掌握调查方案的评价 2.2 市场调查问卷的设计 了解问卷设计的概念与格式 了解问卷设计的原则和程序 掌握问卷调查的询问技术 3.调查方法选择（10学时） 3.1 文案调查法 理解文案调查法的功能和特点 掌握文案调查法的渠道与方法 了解文案体系的建立 3.2 实地调查法 必须掌握访问询问法 理解观察调查法，
掌握实验调查法 3.3 网络调查法 理解网络调查的基本知识 掌握网络调查的常用方法 3.4抽样调查法 掌握抽样调查的基本知识 必须掌握随机抽样的方法 了解非随机抽样的方法 4. 调查资料整理与分析（8学时） 4.1 市场调查资料的整理 了解市场调查资料整理的步骤与内容 掌握资料整理的方法 4.2 调查资料的分析 掌握调查资料静态分析 必须掌握调查资料的动态分析 掌握总量指标的因素分析 4.3 调查报告的撰写 了解调查报告撰写的原则与要求 必须掌握调查报告的格式与内容 理解市场调查报告的撰写形式与技巧 5. 市场预测概述（6学时） 5.1市场预测的基本原理 了解市场预测的基本原理与要求 掌握市场预测的程序 掌握市场预测的方法 5.2市场预测的基本内容 必须掌握市场需求的预测 掌握市场资源预测 了解市场营销组合预测 6.市场预测方法（6学时） 6.1传统预测方法 掌握定性预测方法 掌握定量预测方法 6.2现代预测方法 了解时间序列软件包TSP 了解统计相关软件 6.3 市场销售量预测方法 三、参考教材和主要参考文献 1、参考教材： 上海财经大学《市场调研与预测》 陈殿阁：《市场调查与预测》清华大学出版社 2、主要参考文献： 胡健颖、冯泰：《实用统计学》，北京大学出版社