相信大家都对自己的用户群体有一定的预设，或者说假设，并能通过各类数据分析工具或者社交媒体、广告平台获取更多用户信息，以获得更具体的用户画像。但这样的画像颗粒度不够支撑设计营销策略，这也是为什么很多DTC品牌在做用户调研。

用户调研和洞察，也不是一件可以一次性完成的事情。因为事物在变化，人们在变化，趋势也在变化。即使用户画像变化不大，也可能会发现其他的机会。例如，在一些特定的季节、节日推出适合某个地区的社群活动或者配送费优惠政策。

对于每一次的用户调研所得数据，也要进行合理的分析，才能得到正确的结论，小到保证短期销售额，大到对产品和品牌迭代指引方向。你可能提出了所有正确的问题，但如果你不知道如何倾听答案，那就毫无意义。在往期的公众号文章中，我们给出了一些如何设计用户调研的tips。我们在本期文章中会偏重调研分析部分，并给出一些建议，希望对你有所帮助。

1. 回顾调研目的和设计思路

回顾调研目的和设计思路，其实是审题并划定大纲和范围，让分析结果在恰当的场景发挥作用。

调研的目的是获得用户洞察并制定相应的产品/运营/广告策略；设计的核心是Who和What，即想从哪个用户群体了解到什么信息。两者是相辅相成的。例如：

• 目的 1：提升自然来源用户量Who & What：对自然搜索来源的用户，询问他们是从哪里知道的品牌。
• 目的 2：提高/加快用户转化Who & What：对频繁访问独立站某几个产品的用户，询问是什么原因让他们迟迟没有做购买决策。
• 目的 3：找到视频投放素材场景Who & What：想要了解多次复购的用户的Aha moment是什么。
• 目的 4：进入新市场，对用户做基本了解Who & What：想要了解独立站访客的基本情况。

对于不同的调研目的，可能需要多个/多次调研才能完整了解事情的全貌。比如对于目的2，上述的Who & What只是对一类用户的调研，这显然是不够的。对于目的4，基本情况的颗粒度也需要多次调整。

2. 整体查看调研数据

在深入研究某些问题前，先整体检视数据，这相当于给分析结论加一个大前提，可以提升分析效率，避免结论“跑偏”。

2.1 谁回答了调研

注意人口统计数据。可以通过广告人群设置、数据分析工具等方式知晓用户的信息，以帮助你更好地了解谁在回答调研。教育水平、年龄，甚至是地点的回答可能与平均水平有显著不同，这是绝对需要了解的。

2.2 数据量大小

在用户调研中，回收问卷数量到达一定数量，才具有统计学意义，也就是基于这个数量的数据做分析，才是可信的。具有统计学意义的样本量取决于几个因素，包括：

• 总体规模：这是指你希望从中抽样的总体的大小。例如，如果你在做一个针对全体消费者的调查，那么总体规模可能非常大。如果你是针对特定用户群体（如特定地区的某一年龄段），总体规模就会相对小一些。
• 置信水平：通常选择95%或99%的置信水平。95%的置信水平表示如果你重复相同的调查100次，结果有95次会反映实际情况。
• 置信区间：也称为误差范围。它表示你愿意接受的误差范围，通常设定为±5%。较小的置信区间需要更大的样本量。
• 变化程度：也就是总体的多样性。若你预期调查结果的答案会高度多样化（即不同的回答较多），你将需要一个更大的样本量。

对于出海电商网站来说，一般是以国家为单位经营业务，那么总体规模就很大了。在95%的置信水平下，置信区间为±5%，至少需要约385份样本；如果99%置信水平下，置信区间为±5%，则需要664份问卷。简单记忆的话，500份问卷样本即可。不过，值得注意的是：

• 题目分支和跳转：如果你的调研中有分支问题（即根据回答不同，问题跳转到不同的路径），可能某些题目会有较少的回答人数。如果这些问题的回答人数远低于385份，就需要考虑其统计学意义，尤其是在细分分析时。
• 题目重要性：如果某些问题对于你的研究结论非常关键，那么确保这些问题有足够的回答人数（接近总样本量）是很重要的。少量回答可能会导致统计不可靠，难以得出稳健的结论。

3. 进行交叉分析

通过交叉分析可以找到变量之间的有趣关系，可以在一个图表中比较两组数据，看看是否有联系。

下图是一个非常简单的例子，不是每个城市都有自己的球队，仅仅在有自己主队的城市做“你最喜欢的球队”调研，是得不到客观结果的。

所以如果有品牌销售球队周边，想要知道什么样的周边最受欢迎，以及通过喜爱程度做销售预测的话，一定会把城市和周边品种结合来看。比如南方城市球迷更需要T恤，而北方城市的球迷可能更想要围巾。

从不同维度交叉查看你的调查数据，会得到更多洞察。如下是交叉分析可能会涉及到的一些维度：

• 人口统计学维度：调研人口统计学信息，如年龄、性别、教育水平、收入等，以了解不同用户群体的需求和特点。
• 行为模式维度：调研用户的行为模式，如购买频率、购买渠道、使用时间、使用场景等，以获取对产品或服务的反馈和建议。
• 情感维度：调研用户的情感需求和偏好，如情感联想、情感体验、情感满意度等，以了解用户对产品或服务的情感认知。
• 意见和建议维度：通过收集用户的意见和建议，了解用户对产品或服务的改进和优化建议，以满足用户的需求。
• 竞争对手维度：调研竞争对手的产品或服务，了解其优势和劣势，以便自身产品或服务的优化和升级。

当然，在了解原理的基础上，可以借助AI节省时间。

4. 定性和定量数据互补

• 定量数据：如果可以计数，那就是定量数据。考虑年龄、消费金额、某人购买某物的频率或他们对产品质量的打分。
• 定性数据：即非数字的数据，包括文字、意义、描述和感受，通常是主观表达。

为了数据更加规整、易于处理和分析，同样便于用户回答，调研中大部分题目为选择题，且尽量把主观感受量化，比如从0到10打分的NPS调研。

因此定性数据通常存在于“其他，请补充”或者“其他想对我们说的话”这些开放式问题中。有人可能在产品质量上给你打了高分，但在调查的更下面的开放式问题中给出了不同的意见。耐心回答开放式问题的用户较少，但对于参考性较高的用户群体，比如已购用户、从人口统计学维度看更贴合用户画像的用户的回答，是值得关注的。这些用户的回答甚至可以成为下一次调研的一道选择题。

5. 始终保持批判性：是否有信心使用本次分析结论支持一个决策？

数据分析需要保持怀疑态度，要意识到数据到底有多“真实”。不要因为分析结果与预期非常符合或者非常不符合而过度乐观或者悲观。

• 注意对比历史调研数据：如果你有任何可用的过往数据，请拿出来与本次调研结果对比，看看情况是如何变化的，并试图找到合理解释。用户满意度下降，是因为销售量增长太快、客服跟不上？还是品控问题？
• 不要对“喜欢”过于乐观：很多用户表示喜爱新的设计，这个喜欢程度有多深？足以让他们付费吗？是否有尝试过反过来提问，即哪些设计用户最不喜欢？
• 努力找到最优，而不是不分先后的前三：如果你发现在用户偏好的题目中，有80%的用户选择了其中3个选项，而这三个选项各占这80%用户的1/3，那么请进行交叉分析，或者在下一轮调研中进一步提问。因为很难从平均情况中找到突破点。

6. 谁主导，谁应用

用户调研覆盖面太广，可能由不同的团队发起。同样的“使用场景”，对于产品、运营、广告团队可能都有用处。但是由于核心目的不同（有的是产品迭代，有的是提升广告点击率），提问方法、选取用户方式都会不同。建议谁主导本次调研、谁主要应用本次调研分析结果。如果其他团队也应用这个调研分析结果，请更加细心的分析和审视。

这也引出了另一个主要事项，即做分享数据的时候带上背景。引用一个百分比，甚至是百分比的变化是很容易的，但如果没有任何背景，其他人可能很容易产生误解。以下的几个描述差异巨大：

• “80%的用户选择了A”
• “80%的新用户选择了A”
• “从某次广告来的80%的新用户选择了A”