好的調(diào)查分析始于好的調(diào)查設(shè)計。問正確的問題設(shè)置你與你的分析成功。對于客戶的反饋，每個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，市場研究人員一直面臨困境。佛山教育vi品牌設(shè)計希望最大程度地提高響應(yīng)速度，同時也要盡可能多地學習。而且大多數(shù)面臨調(diào)查問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化為一個項目或一個問題，佛山教育vi品牌設(shè)計會問什么？為了更好的和更因此，我們陷入了選擇正確問題的癥結(jié)所在–如多個！您應(yīng)該提出一些問題，以查找更多信息。一個問題的調(diào)查很誘人。他們無需進行冗長的分析即可快速交付數(shù)字。但是它們還不夠。階梯式問題使答卷人詳細說明他們給出的答案。這可以像封閉式問題后的開放式問題一樣簡單有效。目的是確定“為什么”，這將使您能夠在步驟3中執(zhí)行驅(qū)動程序分析。您可以通過設(shè)置預(yù)期的時間長度來完成整個調(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。這是一個判斷電話。他們提出的一系列問題有多重要？是否確定他們還問了其他什么問題？如果他們對三個或四個連續(xù)的響應(yīng)趨于平直，那么其他響應(yīng)仍然有效嗎？您可以使用實際考慮因素來幫助確定余額。例如，如果您想調(diào)查1,000人，最終超出配額50人，那么對潛在的狡猾的受訪者采取更激進的方法可能會更容易。處理開放式反饋的傳統(tǒng)方法是手動對其進行編碼。這涉及通讀一些響應(yīng)（例如200個隨機選擇的響應(yīng)）并使用您的判斷來識別類別。此類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，佛山教育vi品牌設(shè)計將讀取所有數(shù)據(jù)條目，并將每個響應(yīng)手動匹配到分配的值。文本分析還有另一種方法，稱為情感分析，有時也稱為觀點挖掘。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，算法會自動計算響應(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很簡單并且有一些優(yōu)勢，但它也有局限性。始終會有一定程度的噪音和誤差。情感分析算法一直在諷刺諷刺，通常對意義的解釋不善（至少目前如此）。例如，很難訓(xùn)練計算機正確地解釋“我愛喬治·克魯尼”這樣的回答。不！” 為負面。但是，如果替代方案拖延了成千上萬的應(yīng)對措施，那么這種權(quán)衡是顯而易見的?；貧w模型有幾種類型。軟件可以而且應(yīng)該做繁重的工作。佛山教育vi品牌設(shè)計的關(guān)鍵決定是使用哪種模型。最常見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。簡而言之，當您的結(jié)果變量是連續(xù)的或數(shù)字的（例如NPS）時，線性回歸是合適的。