好的調(diào)查分析始于好的調(diào)查設(shè)計(jì)。問(wèn)正確的問(wèn)題設(shè)置你與你的分析成功。對(duì)于客戶的反饋，每個(gè)人都知道菜單上的經(jīng)典內(nèi)容：客戶滿意度，凈發(fā)起人得分和客戶努力得分。但是，幾十年來(lái)，市場(chǎng)研究人員一直面臨困境。杭州教育vi品牌設(shè)計(jì)希望最大程度地提高響應(yīng)速度，同時(shí)也要盡可能多地學(xué)習(xí)。而且大多數(shù)面臨調(diào)查問(wèn)題清單的客戶和用戶（具體為80％）將獲得保釋。

如果您必須將洗衣清單簡(jiǎn)化為一個(gè)項(xiàng)目或一個(gè)問(wèn)題，杭州教育vi品牌設(shè)計(jì)會(huì)問(wèn)什么？為了更好的和更因此，我們陷入了選擇正確問(wèn)題的癥結(jié)所在–如多個(gè)！您應(yīng)該提出一些問(wèn)題，以查找更多信息。一個(gè)問(wèn)題的調(diào)查很誘人。他們無(wú)需進(jìn)行冗長(zhǎng)的分析即可快速交付數(shù)字。但是它們還不夠。階梯式問(wèn)題使答卷人詳細(xì)說(shuō)明他們給出的答案。這可以像封閉式問(wèn)題后的開(kāi)放式問(wèn)題一樣簡(jiǎn)單有效。目的是確定“為什么”，這將使您能夠在步驟3中執(zhí)行驅(qū)動(dòng)程序分析。您可以通過(guò)設(shè)置預(yù)期的時(shí)間長(zhǎng)度來(lái)完成整個(gè)調(diào)查或一部分調(diào)查，從而確定速度提升者。然后，刪除在該時(shí)間以外明顯落在后面的所有受訪者。

您必須在最大化完成率與干凈數(shù)據(jù)之間取得平衡。這是一個(gè)判斷電話。他們提出的一系列問(wèn)題有多重要？是否確定他們還問(wèn)了其他什么問(wèn)題？如果他們對(duì)三個(gè)或四個(gè)連續(xù)的響應(yīng)趨于平直，那么其他響應(yīng)仍然有效嗎？您可以使用實(shí)際考慮因素來(lái)幫助確定余額。例如，如果您想調(diào)查1,000人，最終超出配額50人，那么對(duì)潛在的狡猾的受訪者采取更激進(jìn)的方法可能會(huì)更容易。處理開(kāi)放式反饋的傳統(tǒng)方法是手動(dòng)對(duì)其進(jìn)行編碼。這涉及通讀一些響應(yīng)（例如200個(gè)隨機(jī)選擇的響應(yīng)）并使用您的判斷來(lái)識(shí)別類(lèi)別。此類(lèi)別列表和分配給它們的數(shù)字代碼稱為代碼框架。有了代碼幀后，杭州教育vi品牌設(shè)計(jì)將讀取所有數(shù)據(jù)條目，并將每個(gè)響應(yīng)手動(dòng)匹配到分配的值。文本分析還有另一種方法，稱為情感分析，有時(shí)也稱為觀點(diǎn)挖掘。文本分析使用一種算法將文本轉(zhuǎn)換為數(shù)字以執(zhí)行定量分析。在情感分析的情況下，算法會(huì)自動(dòng)計(jì)算響應(yīng)中出現(xiàn)的肯定或否定詞的數(shù)量，然后從肯定值中減去否定字以生成情感得分：

盡管情緒分析看起來(lái)很簡(jiǎn)單并且有一些優(yōu)勢(shì)，但它也有局限性。始終會(huì)有一定程度的噪音和誤差。情感分析算法一直在諷刺諷刺，通常對(duì)意義的解釋不善（至少目前如此）。例如，很難訓(xùn)練計(jì)算機(jī)正確地解釋“我愛(ài)喬治·克魯尼”這樣的回答。不！” 為負(fù)面。但是，如果替代方案拖延了成千上萬(wàn)的應(yīng)對(duì)措施，那么這種權(quán)衡是顯而易見(jiàn)的。回歸模型有幾種類(lèi)型。軟件可以而且應(yīng)該做繁重的工作。杭州教育vi品牌設(shè)計(jì)的關(guān)鍵決定是使用哪種模型。最常見(jiàn)的模型是線性回歸和邏輯回歸。大多數(shù)研究使用線性回歸模型，但是決定取決于您的數(shù)據(jù)。由于答案是特定于您的數(shù)據(jù)的，因此本文不介紹使用哪種模型。簡(jiǎn)而言之，當(dāng)您的結(jié)果變量是連續(xù)的或數(shù)字的（例如NPS）時(shí)，線性回歸是合適的。