作者：陈铮
出版社：电子工业出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
从零开始玩转商业数据分析试读：
前言
如今我们已经进入了一个信息化的时代，在大数据发展的背景下，无论任何组织、公司和个人，都有必要掌握数据分析的本领。数据分析本身是一项历史悠久的工作，但是在互联网与物联网不断发展的时代背景中，我们拥有了更多的数据来源、数据形式及数据展现的渠道。
人们的生活与工作都离不开网络，商业行为也从线下搬上了云端，传统的产品研发、销售渠道、市场营销都受到了来自新技术与新媒体的挑战。在这样的背景下，对商业数据分析师来说，传统的数据分析工作内容已经发生了极大的变化，仅仅是掌握企业自身的数据已经远远不够了。
为了能让有志于从事数据分析工作的人员一窥互联网背景下的商业数据分析工作，作者结合自己在互联网公司中的商业数据分析从业经验与网络舆情、互联网营销项目经验写作了本书。本书全面翔实地介绍了如何在互联网公司中做好商业数据分析工作，从数据收集、行业分析、竞争对手分析及公司中各种业务分析入手，还原一个真实的商业数据分析师的工作场景。希望在阅读完本书之后，能让读者具备走上商业数据分析工作岗位的基本条件。
本书的特点
1．源于实践，回归实践
全书分为两部分，共8章，每一章的内容都从互联网公司的工作实践出发，书中所提供的分析方法、分析框架、数据指标与操作步骤都可以直接运用到工作当中。
2．鲜明的互联网特色
本书中所举出的案例和单独的案例分析都来源于互联网的前沿信息，介绍了大量基于互联网的数据分析工具及互联网公司中的数据研究方法，侧重于讲述如何在互联网企业中进行数据分析实践。
3．商业思维与竞争视角
本书不仅仅从“术”的方面介绍了数据分析方法，还从“道”的角度出发强调了如何在数据分析工作中融入商业思考，弥补了商业数据分析人员常有的脱离商业实践的不足。
4．兼顾理论，实操性强
商业数据分析工作涉及了多种分析方法与研究框架，本书从实践的角度出发，对理论点到为止，将重点放在如何在数据分析实践中运用这些方法与理论。本书提供了大量在互联网数据分析工作中涉及的工具与指标，读者可以直接上手操作，亲身感受数据分析工作。
5．案例丰富，紧跟时代
本书中的所有案例与图片都来自互联网数据分析实践，包括但不限于从微博、微信、搜索引擎、网站中挖掘可用数据的方法讲解，同时还涉及了移动互联网方面的内容。
本书的内容安排
适合阅读本书的读者
对商业数据分析工作感兴趣的在校学生
初入互联网公司的职场新人
想要改变职业方向的职场人士
在互联网企业中从事数据分析、策略研究的工作人员
利用互联网自主创业的创业者
数据分析和数据挖掘新人—编者第1章商业数据分析都在做什么
俗话说，“外行看热闹，内行看门道。”我们每天都在接触形形色色的数据信息，这些数据在一般人眼中就是让人头疼的数字而已，但是在商业数据分析师看来，它们之中蕴含着取之不尽、用之不竭的宝藏。数据信息来源不定、可信度不一，数据质量也参差不齐，就像没有被淘洗过的金沙矿一样，商业数据分析师每天的工作就是使用各种工具对这些数据进行清洗和整理，从中分析出有价值的结论与规律。1.1 What：商业数据分析的定义与内涵
商业数据分析是一个随着互联网崛起而新兴的工作岗位，由亿万网民的上网行为创造出来的大数据给了分析师们表现的舞台。然而并不是所有人都知道商业数据分析师们都在做些什么，即便是同在一个公司中，其他部门的同事也会认为商业数据分析部门听着高大上且神秘，仿佛就像传说中的“军师”、“智囊团”一般。那么到底商业数据分析都在做些什么呢？我们还得从定义入手，从最根本处理解它。
商业数据分析脱胎于数据分析（Data Analytics），拥有商业分析（Business Analytics）的内涵，同时还兼具商业智能（Business Intelligence）的某些特点。在业界对其并没有特别准确的定义，但是我们可以先通过它息息相关的三个概念内容来进行了解。
数据分析（Data Analytics）：用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
商业分析（Business Analytics）：从企业的业务决策层入手，包括对业务进行分析、建模、模拟计算和预测的过程，偏重业务与流程，需要对趋势做出判断。
商业智能（Business Intelligence）：将企业中现有的数据转化为知识，帮助经营者得出经营决策的工具。
综合上述三者的定义，我们可以得出商业数据分析的含义——以公司业务为出发点，收集大量数据并从中提取信息、形成分析结论，得出可以预测趋势、指导实践的判断。
因此，商业数据分析工作是一个综合性极高的工作，它并不偏重某种技术或工具，而是更需要掌握业务逻辑、用户行为及竞争态势，并且能对行业做出基本判断。1.2 Who：光环之下的商业数据分析师
在传统企业组织中，数据的收集与分析工作散落在各个职能部门之中。比如财务、销售、市场等各个部门都会根据自己的工作内容，收集数据并制作报表，结果就是导致公司内部报表横行。虽然大家都谈数据、用数据，但是数据与数据之间并不能相辅相成、发挥联动效果，很多数据报表就那么静静地躺在邮箱之中，不到年度总结时都无人想起。
商业数据分析部门就是来拯救这些分散于各个角落之中的数据的，让它们能够切实地在企业工作中发挥作用。商业数据分析部门在各个企业中的名称并不固定，有些偏重于策略研究，有些偏重于商业分析，然而无论名称如何，这些部门开展工作的基础都立足于数据之中。1.2.1 商业数据分析师的工作内容
相比产品、技术、财务、人力等各个职能明确的部门而言，商业数据分析工作不局限在某一个领域之中，它更像一个内部咨询机构，它所承担的数据分析工作贯穿于公司的业务之中。商业数据分析部门需要解决每一个部门，乃至高管们提出的分析需求与战略问题。
商业数据分析师在日常工作中需要和公司里的各个部门进行接洽，产品部门会向你提出用户调研、新产品可行性及竞争对手产品的分析需求，而获得相关数据又要通过与财务和技术部门进行配合。商业数据分析师们既需要为公司的产品战略、营销方向把关，还要定期为高管们制作向董事会报告的PPT；他们不仅要像一线客服一样给用户打电话进行调研，为了获得一手数据，还得走出公司直接深入商家；即使看上去和商业数据分析工作不相关的公关部门，也会上门索要政府公关及公司宣传所需要的数据。一个人就好似一支队伍，商业数据分析师手中同时承担多个项目是极其平常的事情，几乎不会有专攻一个的时候。
如果看完上面的描述你还没有被吓跑，还是对这个看似高大上实则做的都是苦力活儿的职业心怀向往，那么下面就可以正式了解一下成为一名合格的商业数据分析师需要具备哪些素质了。1.2.2 商业数据分析师的定位
商业数据分析师看上去是一个颇具吸引力的岗位，在当今这个各个领域、各个行业及各个企业都想要利用大数据做一番事业的时代，数据分析相关的工作机会陡然增多，然而这部分人才却十分缺乏。很多即将步入职场的年轻人也许都想要试一试，成为一名看上去高大上的商业数据分析师，然而心中却不免有一些疑问：“商业数据分析工作对于学历要求是不是很高？”“是不是只有统计学、数学专业的人才能做商业数据分析师？”“我是一个文科生，也能从事商业数据分析工作吗？”“我是一个没有工作经验的应届生，能做商业数据分析工作吗？”
空有疑问是没用的，现在就让我们用实例来看一看想要成为商业数据分析师需要具备哪些条件。想要了解一个职业的任职要求，最快速、直观的方式就是看一看公司招聘中对它都有哪些要求。如图1-1～图1-3所示，是三家立足不同领域之中的互联网企业对于商业数据分析师的招聘要求，好好比较一下它们的异同。图1-1 某团购网站商业数据分析师招聘要求图1-2 某综合性互联网公司商业数据分析师招聘需求图1-3 某物流公司商业数据分析师招聘要求
虽然以上三条招聘信息中所寻找的都是“商业数据分析师”，但仔细一看却发现他们的要求各不相同。图1-1中对商业数据分析师的专业背景有详细要求，限制在数学、统计学、计算机、运筹学等专业，同时还要求掌握SPSS、SAS、SQL等数据工具与数据挖掘常用算法。而图1-2中的公司就没有对专业做出要求，而是将商业敏感度提前。在图1-3的招聘要求中，对数据工具的要求降低，只要求掌握Office软件和Excel与PPT即可，但是对业务知识、业务流程及沟通能力做出了明确要求。
乍一看，这让不了解该职业的人完全摸不着头脑，不知道公司到底想要哪种人。其实这与商业数据分析师这一新兴岗位在公司中的不同定位是息息相关的，每个公司对于数据的处理和需求都各有区别（见表1-1），有些偏重于数据挖掘，有些则要求能够定期提供可视化图表，还有些则希望能利用数据对于战略和产品做出指导。表1-1 数据工作在企业中的三种方向数据挖掘商业智能（BI）商业分析（BA）在海量数据中在当前时间反映出做发掘未知的趋过去发生了什么，调查分析问题出现的原因什势与规律，并以及现在发生的事并预测将来么创建模型情统计、在线分基础查询和报告；应用数学和统计分析技如析处理、情报交互界面表现：仪巧；识别关键变量之间的何检索及机器学表盘、得分卡、图关系，揭示隐藏在数据之做习表、警报中的规律产识别最优化解仪表盘显示信息；数据分析报告；应对商业生决方案；进行标准报告与预测环境的计划与解决方案；结模型的可视化KPI；出错报警机制产品改进方案果输出
纵观各类数据分析工作，商业数据分析师更像一个集大成的多面手，既需要掌握一定的数据挖掘技巧和工具，又需要具备数据报表的处理能力，然而不要忘了该岗位开头的两个字—“商业”。这就意味着这并不是一个纯技术岗位，商业数据分析师的工作不仅仅是停留在拿到数据进行处理的层面上，他们还需要挖掘现有数据中潜藏的规律与意义，预测行业走势、竞争动态，让企业在未来的业务开展中占尽先机。
既然理解了商业数据分析师是一个综合性的岗位，那么就进一步来学习一下成为一名合格的商业数据分析师需要哪些条件吧！1.2.3 商业数据分析师的任职条件1——熟悉工作业务
从事商业数据分析工作的前提就是需要理解业务，即熟悉行业、公司业务及流程，形成自己的独特见解。若脱离行业认知和公司业务背景，分析的结果往往是假大空，没有使用价值，也不能指导实践。
对于一个刚刚接触商业数据分析的新人或是初入职场的应届生来说，想要一下子就完全熟悉公司业务也是不现实的，尤其是商业数据分析部门并非一个一线业务部门，接触到的客户和用户是有限的。在这种情况下，新人可以做到最为基本的几点：
• 了解关键的指标数据含义，留心日常数据。假如想要在互联网公司做分析工作，却连PV、UV为何物都不提前做功课，也未免太不用心。
• 阅读行业报告及部门之前所作的分析报告，从二手数据与经验中学习分析的技巧，掌握公司的基本产品。
• 多和业务部门交流沟通，遇到不理解的指标与产品要及时向相关部门提问核实，不要依靠自己的主观想象来臆测。
同样是一个数字，在业务熟练的商业数据分析师眼中与新手眼中是完全不一样的。如果公司年收入为5 000万元，在老手眼中看到的就不仅是这个数字，还包括数字背后隐藏的信息：5 000万元是由哪几个业务收入构成，哪一个业务收入占主要部分，最高业务收入所对应的消费人群和地区又是哪些等。
从另一方面来说，懂业务也会增强分析师的数据敏感，让你在拿到数据后能够有自己的基本判断，不仅明白这个数字代表什么意义，还知道数字是高了还是低了，有没有出现异常值，以及增长是来源于行业大势的好转还是公司产品的竞争优势等。1.2.4 商业数据分析师的任职条件2——掌握分析方法
商业数据分析师知道数据分析的基本原理和数据分析方法只是一种基本知识的积累，然而能将这些分析方法灵活地运用到实践工作中去，才算是真正地掌握了其中的奥妙。
• 基本分析方法：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。
• 高级分析方法：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。
方法没有好坏，只要能够切实地解决问题就是好方法。1.2.5 商业数据分析师的任职条件3——熟练使用分析工具
掌握了数据分析方法仅仅是能够明白理论，而数据分析工具就是将各种数据分析方法代入现实工作的工具。面对海量数据，你不可能只使用简单的计算器来完成工作，依靠强大的数据分析工具才能达到事半功倍的效果。
商业数据分析师最为常用的数据分析工具有Excel、Access、SPSS、SAS等，建议新人不要贪多、贪全，先用好最为基本的Excel和其中的数据透视表。Excel的功能经常被人低估，其实用好了它可以解决你工作中80%甚至100%的需求。在学有余力且有进一步工作需要的时候，再学习SPSS、SAS等统计分析工具也不迟。1.2.6 商业数据分析师的任职条件4——具备项目管理能力
商业数据分析师所面临的分析工作通常都是以项目形式展开的，项目工作制与行政、财务、人力等部门所面临的日常工作线性流程大不相同，它所要求的是在有限时间里以有限的资源达成最优结果。商业数据分析师对自己所参与的项目需要承担相应的责任，对于项目的时间、成本、质量进行控制。
对于新手来说，一开始就掌控整个项目节奏有些不切实际，但至少可以从规划自身工作做起，进行有效的时间管理，避免拖延，将工作内容分出轻重缓急，及时与项目其他成员沟通进度。1.2.7 商业数据分析师的任职条件5——拥有一定的设计技巧
良好的审美和一定的设计技巧能够帮助分析师在运用图表分析观点时如虎添翼，不仅使分析结果一目了然，也增添了数据报告的可读性。PPT版式设计是一门学问，有很多相关书籍可以参考。不过在公司里一般会提供固定的模板与配色，新手分析师可以在基本模板不变的情况下，对图表和表格进行一定的美化，突出重点。
世界著名咨询公司如麦肯锡、波士顿的PPT通常都兼具美感与专业性，很多行业研究报告里面也采用了新颖的数据可视化作图方法，这些都是日常工作中可以接触到的学习材料。
在经过一番学习与考验之后，分析师会走上如表1-2所示的进阶之路，当然在这三个层次之后还有更高的专家级，但是本书暂未涉及。表1-2 商业数据分析师进化论
在本节最后要回答一开始的那些问题，学历、专业与经验并不会成为你走上商业数据分析师之路的最大障碍，是否能够不断学习新知识、专心研究改进工作方法、具备优秀的逻辑思维与数据敏感能力、深入地了解业务模式，才决定了一个人能不能做好这一份工作。1.3 How：商业数据分析工作的基本内容与步骤
前两节我们了解了商业数据分析的定义及从事工作的基本条件，那么问题来了，商业数据分析工作的具体内容包括哪些呢？为此我们将其总结为7个方面，对应4种不同的分析报告类型，分属两个工作阶段（见表1-3）。表1-3 商业数据分析工作基本内容
在本书接下来的章节中，会重点对上述表格中的竞争分析、用户分析、产品行业预测和产品、策略优化进行详细介绍，利用工作中的实例教会大家如何利用数据有针对性地解决分析需求。1.3.1 步骤1：确定项目需求，制订项目计划
该步骤往往在实际工作中容易被忽视，尤其是对已经有一定经验的商业数据分析师来说，总觉得自己之前的项目经验能够直接代入到新的项目工作中去。其实事先和需求提出的一方进行充分的沟通，才能深入理解其意图，避免出现匆忙开始工作却发现做了大量无用功的被动局面。
古人有云，“凡事预则立，不预则废”，此道理在进行商业数据分析项目时也同样适用。商业数据分析师常常手中同时接下好几个分析项目，如果没有合理的安排与计划，在工作的过程中各个项目可能会互相干扰，降低工作效率，最后写出的分析报告也不尽如人意。1.3.2 步骤2：数据采集
数据采集的意义不仅仅是获取分析可用的原始材料，还在于真正了解数据的原始面貌，包括数据产生的时间、条件、内容、限制条件等，这些都会帮助数据分析师更有针对性地控制数据生产和采集过程，避免由于违反数据采集规则导致的数据问题。
在数据采集阶段，数据分析师需要更多地了解数据生产和采集过程中的异常情况，如此才能更好地追本溯源。另外，这也能在很大程度上避免“垃圾数据进导致垃圾数据出”的问题。至于从哪些渠道可以有效地获取数据，在本书第2章中我们会展开讲解。1.3.3 步骤3：挖掘数据价值
数据挖掘是面对海量数据时进行数据价值提炼的关键。
在数据挖掘阶段，数据分析师要掌握数据挖掘的相关能力。一是数据挖掘、统计学、数学基本原理和常识；二是熟练使用一门数据挖掘工具，Excel、SAS或R都是可选项，如果商业数据分析师本身掌握一定的技术，也可以选择编程实现；三是需要了解常用的数据挖掘算法及每种算法的应用场景和优劣差异点。1.3.4 步骤4：数据分析
数据分析是所有工作步骤里的重中之重，当通过数据挖掘得出基本的结论后，如何将其结果转换为对企业业务具有实际意义的指导，才最能体现商业数据分析师的能力所在。数据分析这一环节中有很多经典的框架与模型可以使用，虽然不能照搬套用，但是学习这些行业经典的分析方法可以对实际工作有所启发。在本书的第3章中将结合案例针对最为常用且实用的几大类分析框架和模型进行详细讲解。1.3.5 步骤5：写作报告
商业数据分析师工作中的重要一环就是写作数据分析报告，通常都是经由PPT来完成的，但是也可能会通过邮件分发到相关人员手中。直接将数据罗列到PPT或邮件之中不仅看上去不美观，而且也会影响该报告的可读性，使一份分析报告沦为简单的数据展示。数据分析报告的写作除遵循各公司统一的规范原则外，具体形式还要根据实际需求和场景而定。对于报告的写作，我们有一些基本的要求，具体如下。
讲故事：在写作之前不要觉得自己就是在分析数据、呈现结果，而要想象自己是在“讲故事”。讲好一个故事就应该利用生动的语言、精美的图表及层层推进的逻辑线条来使读报告的人深入其中思考。图文并茂是对报告的基本要求，这会让其内容更易于理解。在报告中可以通过设问方式增强互动性。
针对对象和场合：一般来说，公司高管喜欢读图、看趋势、要结论，而在业务执行部门则倾向于看数据、读文字、推敲过程。分析师在下笔之前要看准报告的阅读对象都是哪些部门，有的放矢地进行写作。使用场景也会对报告形式有所限制，大型跨部门会议中使用PPT最合适，便于投影到大屏幕中，让大家能够进行讨论；而直接呈交上级部门的数据报告也可以使用Word来写作。
至于如何写出一份图文并茂的分析报告，还有很多技巧和方法，这部分内容可以参考本书第8章。1.3.6 步骤6：推动建议的落实
一份数据分析报告写出来如果只是大家看看，然后遗忘在一边，那么这份报告其实并没有真正发挥作用。商业数据分析师最有成就感的地方并不在于制作出了多么精美的分析报告，而是报告中的结论、建议真的能够帮助业务部门改进产品、找准方向。数据分析报告最后要着眼于业务部门最重要、最紧急、最能产生效果的环节，同时要考虑到建议落地推行的客观环境，再好的数据结论也需要具备客观落地条件。
诚然，深入浅出的数据报告、言简意赅的数据结论更有利于业务部门理解和接受，但是商业数据分析师也不要忽略了自己的主观能动性，主动地询问业务部门在实施环节中遇到哪些困难并帮助其解决，通过跨部门资源配合来推动项目结论落地，都是商业数据分析师应尽的职责。1.4 What's Wrong：商业数据分析工作中的常见错误
商业数据分析师的工作看上去是运筹帷幄，决胜千里，其实在工作中也常常会犯各种错误，下面就为大家展开分析最为常见、典型的5类错误。1.4.1 忽视了数据来源的可信度
足够多的数据的确是实现技术的前提，但数据越多并不代表结果就越准确。一旦不能保证数据来源的准确度，大量不可信的数据应用到分析中反而会得出不靠谱的结果，从而使最后作出不正确的决策。因此商业数据分析师不能盲目追求数量，对于数据的质量也要严加控制。
对策：首先，不要盲目使用利益相关者提供的单方面数据，比如由公司官方给出的用户数、软件下载量等数据，由于其中存在宣传和公关的作用，很可能存在夸大的现象。不过上市公司发出的财报是可以参考的数据源，因为财报都经历过专业会计师的审计过程，在数据方面造假的情况比较少。其次，商业数据分析师应该从多方面检验和证实自己所取得数据的准确性，能从多种渠道获取数据就不要单一地依靠某一个特定来源。各类政府统计公报和行业报告中给出的数据都仅能作为参考，在使用的时候要标注其来源，以免被人挑剔。最后，分析师对于取得的数据应该有基本的合乎逻辑的判断，当数据异常偏高或偏低时一定要谨慎使用，找出数据产生波动的原因，然后才能决定是否将其运用到研究当中。1.4.2 从结论出发找数据
有时候虽然数据本身没问题，但是在接触数据之前可能分析者心中已经形成了一些预先判断，这时候再看数据往往就不会站在完全客观的立场上，而是想通过数据来验证自己的想法。如果保持着这种想法，那么对于一个长期和数字打交道的分析师来说，很容易从大量数据中只提取出符合自己判断的那一部分，并且技术越老练的分析师越容易这么做。
对策：在拿到数据分析之前不要进行过多的预判，尽量保持中立的态度，不要为了迎合自己的观点去寻找数据。1.4.3 唯数据论
数据确实能够反映出一些问题，但是也要注意到在有些时候数据并不能说明所有问题，要想了解全局还需要综合各方面的情况整体来看。商业数据分析师由于在工作中长期与数据打交道，很容易形成“以数据说话”、“数据优先”的思维，忽略了与业务一线工作人员的交流，在这种思路下得出的分析结论往往根基不牢，犹如空中楼阁，经不起推敲。
对策：商业数据分析师要时刻谨记自己应该从业务发展的角度看问题，我们的工作目标不是让数据变得多好看，数据自始至终都只是一种工具和媒介，真正有意义的是让现实中的企业产品、业务得到提升，切不可本末倒置。1.4.4 分析方式不当、数据选择不匹配
商业数据分析应该掌握一些专业性技能，也需要使用专业工具进行分析。一般分析数据的工具有Excel、报表工具、BI等，还有最新型的可视化数据分析产品魔镜。找到适合自己分析需求的数据指标是写作分析报告的第一步，不同产品的特性、用户使用习惯都是不一样的，要考虑选择适合自己产品的指标参数，而不是随大流，选择当下分析报告中热门的指标来进行盲目的解读。
对于社区型网站来说，每天的登录数据和进行有效操作的用户数最需要关注；而对于电子商务网站来说，订单数与客单价才是核心，转化率和重复购买率也是重要的指标。将视线转向移动端应用，会发现其中涉及的数据参数更是丰富多样。
对策：商业数据分析师不能在各类指标中迷失自己的方向，要明白在一个分析项目中我们不可能穷尽所有的分析方法，用上所有的参考指标，通过用户行为特征来找出界定产品健康程度的最关键标准，才能更好地对产品作出分析判断。
数据分析工作是一个积累的过程，尤其是在做竞争对手研究的时候，需要长期追踪竞争对手的产品与动向，以及市场上新出现的行业竞品。如果仅仅是在接到项目需求后才去收集数据，不仅时间上过于匆忙，得到的数据也多为阶段性数据，难以看出发展中的趋势变化。
而有些数据分析项目如用户研究与行业产品研究则是一个需要每季度或每年定期展开调查的项目，一年前的调查数据可能在经过一年的发展变化之后就已经完全过时了。针对这些需要常常更新的项目应该在分析师的年度与季度工作规划中早早做好准备，不要想着之前做过相关研究就放松要求。
对策：商业数据分析师需要建立起自己的数据仓库，对于相关产品、数据定期收集归纳，以备不时之需。互联网产品更新与迭代极快，在工作与生活中有意地收集数据、案例还可以帮助分析师提高数据的敏感性，在接到相关项目时能够迅速找出数据源来开展工作，而不是像无头苍蝇一般盲目搜寻数据。第2章为有源头活水来：分析数据从何而来
商业数据分析的工作机构虽然听着高大上，但是它实际上是一个职能部门。换句话说，它并不直接产生数据，而是需要统筹从各个渠道获得的数据来进行分析。
俗话说，“巧妇难为无米之炊”，数据是商业分析工作的基石，所有的判断与结论如果没有数据提供支撑，就如同建立在沙滩上的高楼，轻轻一推就轰然倒塌。然而在数据分析工作中常常要遇到的一个问题就是：数据从哪里来？2.1 多管齐下挖掘数据
我们的生活中似乎充满了数据，但是找到自己需要的、可用的数据并不是一件容易事。在进一步详谈方法论之前，我们可以给不同种类的数据的获得难易程度排个名次。2.1.1 内部获得：企业相关数据
公司内部数据包括了财务数据、运营数据、网站流量数据、销售数据与后台数据等，总而言之，一切通过和其他部门配合可以得到的数据都可以归为此类。数据分析师应该在平常的工作中与各个部门建立良好的关系，配合好各个部门的工作，这样在开展工作的时候才能争取到来自内部同事的数据支持。
其中有一点需要特别注意，网站后台统计数据通常要依靠技术部门的工作人员协助导出，如果是产品线众多的大型互联网企业，想要获得不同产品的相关数据，往往需要和几个部门的技术同事协作。技术部门往往承担了互联网企业中任务最重的一部分工作，因此在向技术同事额外提出导出数据的需求之前，作为分析师就应该先把所需数据的种类、涵盖时间段、导出格式等要求都整理好，方便他人也就是方便自己。2.1.2 直接获取——通过互联网获得数据
市面上有很多数据网站提供一些互联网基本面的分析数据，如CNZZ的数据中心（http://data.cnzz.com/）就能够在行业大势、网民信息及互联网关键词方面提供行业、地域、时间多个维度的数据。但是需要注意的是，这些数据虽有一定的参考性，但是却存在时滞，通常会比实时数据晚半年左右。对于风云瞬变的互联网行业形式来说，这种数据只能作为一个基本的走势参考，在实际工作中还需谨慎采用，或者是标明其时间段。CNZZ网站会定期更新网民整体的统计数据，在做行业整体性研究的时候可以参考。
在分析网站影响力、商业价值与竞争优势的时候，我们通常都会看该网站在互联网世界中的总排名与分类排名。专门做排名统计的网站在国内外都为数不少，但是通常我们都会选用Alexa（http://www.alexa.com/）的数据。2.1.3 案例1：查询新浪在Alexa的排名
首先，我们要正确打开Alexa网站并且在搜索栏中输入新浪域名（见图2-1）。图2-1 Alexa首页与搜索栏
在完成上述步骤之后就会进入分析页面，排在最上面的为基本的排名走势图（见图2-2）。从图中可以看出新浪网流量排名在世界网站中位居第14位，在中国排名第4。除具体的排名数字外，还可以从左侧走势图中看出新浪网的排名位置的波动情况。图2-2 排名走势图
仅仅知道网站排名对于分析师来说是不够的，在Alexa网站中我们还可以了解用户分布区域（见图2-3）。从图中可清晰地看出新浪网的主要用户来自中国，而在国外用户中，美国用户则是占据首位。图2-3 新浪用户分布区域
要想深入了解用户行为数据（跳出率、浏览页数、浏览时间）（见图2-4）及用户从哪些网站进入新浪网站（见图2-5），都可以从ALexa的分析页中获得。图2-4 新浪用户行为数据图2-5 用户从哪些网站进入新浪网站
从图2-5中我们可以发现，有11.50%的用户是从搜索引擎进入新浪网站的，其中百度、新浪微博作为主要关键词为新浪网引入了部分流量。
有了以上几组基础数据，我们就可以大致得出新浪网的排名与用户基本情况，对网站分析工作来说已经打好了基础。2.1.4 案例2：使用国内排名工具查询新浪排名
由于国内并不能直接使用Alexa网站，所以对于不具备该条件的使用者在搜索该网站时弹出来的往往是经过中文转化过的国内网站（见图2-6）。虽然在数据的呈现方面效果逊色一些，不过作为替代品，其排名数据从Alexa直接引用，在准确性上也是可以参考的。图2-6 在Alexa.cn上的新浪网排名
该网站的优势是在排名的基础上进一步估算了网站的日均IP与日均PV，虽然精确度不够，但是在没有更多其他方式获取网站流量数据时，这里的数据也是可以参考的。2.1.5 间接获取——通过指数工具与社交网站获取数据
如果说在上文中我们所说的网站价值与影响力要看排名，那么想要看到一个网站、产品、公司是否被用户广泛关注，通过分析他们的名字在搜索引擎里被搜索了多少次就是最直接的途径。百度指数（http://index.baidu.com/）可以提供相关的搜索指数、媒体指数、需求图谱与人群画像的数据支持，并且还能在几个不同的搜索关键词之间进行对比。下面我们就以国内的三大新闻网站—新浪、网易与搜狐为分析实例，具体讲解一下如何使用百度指数。2.1.6 案例3：对比新浪、网易、搜狐在百度指数中的搜索结果
做好对比分析，就要善用百度指数的对比功能。首先我们进入百度指数首页（见图2-7），先输入“新浪”，跳转之后出现新浪的分析页面。图2-7 百度指数搜索首页
在页面中可以看到有一个“添加关键词”的输入栏，在其中分别添加“新浪”、“网易”与“搜狐”，如图2-8所示。图2-8 在百度指数结果页面中添加对比关键词
即可得到三大网站的指数对比结果（见图2-9）。图2-9 三大网站在百度指数中的对比结果
从图中可以看出，新浪在搜索指数上明显高于网易与搜狐。百度指数的特点在于可以看到用户需求图谱，即搜索关键词的搜索频次，以新浪为例（见图2-10），可以看到用户对于新浪财经、新浪体育及新浪汽车的使用率较高，而新浪新闻和新浪爱问的搜索需求者则在减弱。图2-10 新浪的在百度指数中的需求图谱
仅仅得到搜索关键词对分析工作来说还是远远不够的，使用百度指数中的人群画像功能（见图2-11），我们可以看到新浪、网易、搜狐三个网站的主要使用人群特点。图2-11 新浪、网易与搜狐的人群画像
在上图中可以看出三家新闻网站的主要用户集中在30～39岁的男性。不过需要特别注意的是，在这里的人群年龄和性别比例是百度根据自己注册用户的搜索行为得出的推算，所以并不非常准确。比如在性别比例图中，女性的占比明显偏低，这并不是因为这三家新闻网站的女性用户如此稀少，而是因为百度注册用户中女性偏少所致。
在进行竞争对手分析时，先使用指数工具对产品、品牌进行一番比较，就能够快速获得最为基本的分析数据，具体的分析方法会在竞争对手分析的章节中详细介绍。2.1.7 案例4：通过新浪微指数对比淘宝与京东的讨论热度
有一些意想不到的地方也能获得有用的分析数据，比如你每天在使用的社交网站就是一个潜藏了大量可挖掘数据的宝库。或许你每天都在使用新浪微博，但可能却从来没有尝试过使用微指数（http://data.weibo.com/index），如图2-12所示。图2-12 微指数搜索首页
通过这种新浪微博的指数工具，我们能够得到很多用户对网站、产品的看法，在进行舆情监测与品牌形象分析时是非常有参考价值的。微指数的使用方法并不复杂，在一定程度上和百度指数的使用步骤类似。
进入结果页后先输入关键词“淘宝”与“京东”，再设定想要对比的时间段，之后就可以得出这两个网站在新浪微博中的讨论热度趋势图（见图2-13）。想要具体查看不同时长的对比图，可以单击右上角的时间范围进行调整。图2-13 淘宝与京东的讨论热度对比
微指数中同样可以对关注话题的人群进行分析，同时由于关联了新浪微博的社交属性，它能够提供更为详细的用户兴趣分布。在微指数提供的性别比例与年龄段中的数据比百度指数更加具有可用性，因为使用新浪微博需要注册账户，无形中就收集到了用户较为详细的数据（见图2-14）。图2-14 微指数中淘宝与京东的用户特征
从图中可以看出，在新浪微博用户中参与电商网站讨论的女性占多数，但是就淘宝与京东相比较而言，前者的女性讨论者占比更高。同时，淘宝关注者的年龄层相比京东偏低，虽然两者都以19～24岁和25～35岁年龄档为主力，但是12～18岁年龄档的淘宝关注者也有一定占比。这些人口统计学数据对于分析两者网站定位、用户购买力等题目都是非常有用的数据。2.1.8 需要专业操作数据
1．网站分析工具
在进行网站数据分析时，市面上已经有很多免费的工具可供使用，国内互联网公司在工作中常常运用Google Analytics进行网站分析。
Google Analytics（GA）是一款免费的网站分析服务，只要在网站的页面上加入一段代码，就可以提供丰富详尽的图表式报告（见图2-15），可以将Google Analytics理解为一种功能全面的分析软件包。图2-15 GA访问概览
使用GA需要先使用Gmail注册Google账户，并进入Google Analytics网站（http://www.google.cn/intl/zh-CN_ALL/analytics/index.html）开通GA工具，之后将GA代码插入自己的网站中。由于该步骤涉及网站技术操作，一般都由技术人员操作完成，分析师只需要掌握GA中数据的使用方法即可。
选用GA不仅因为它是免费的，还在于它的操作方法相对简单。它可以提供丰富的图表式报告，还可以对整个网站的访问者进行跟踪，并能持续跟踪营销广告系列的效果，我们可以得出哪些关键词真正能起作用及哪些广告词最有效，这对商业数据分析工作中的预算估计、投放广告效果评估都有所助益。
GA非常适用于博客网站及内容网站，而大型电子商务网站很少用GA，因为它对特质性和复杂性的支持有限。另外，平台型的网站使用GA肯定会非常麻烦，因为这些网站有很复杂的分类和转化，GA同样力不从心。简单来讲，随着网站复杂程度的提升，GA就会越来越不宜用。
GA在前期搭建需要技术部门的支持，且使用人员需要通过Gmail邮箱进行注册，所以在国内有一定的使用门槛。因为Google相关网站在国内使用因为政策影响会相对不太稳定，所以不少企业在实践操作中还同时辅以付费数据库的使用。
2．竞争对手与行业数据库
艾瑞推出的iUserTracker网络用户行为监测是比较常用的一款付费数据库（见图2-16），其最大的作用在于可以分行业看到具体到某个网站的流量变化、用户组成、用户行为，这些数据都是竞争对手研究时必不可少的组成部分。但是使用付费数据库对于企业来说是一笔不小的开支，且其限制了使用账户数目（通常不超过5个）并要求绑定特定的电脑，因此在使用前要先考虑好使用成本与工作效果的平衡。图2-16 艾瑞iUserTracker的展示页面
商业数据分析师在面对这些从付费数据库中获得的数据时要格外谨慎，因为它们取得数据的方式是通过样本监测，再以此比例推算到整体互联网的情况中，所以在具体数值上会和自己通过网站分析工具得到的数据有所出入。对于这些数据，你应该把它们当成一个相对、反映大趋势的数据，而不是针对某个网站的绝对数据。2.1.9 需要调查获得数据
以上介绍的数据不论是直接取得还是间接取得，基本上都属于拿来就能用，直接导入Excel中就可进行归类分析。但是还有一类数据隐藏在用户的脑海里，不通过特定的方法挖掘出来，我们就永远也无法得知其中详情。
可能你会问，用户相关数据不是通过网站分析工具和指数工具就可以得到了吗？话虽这么说，但是上述两种方式提供的用户数据只能描绘出一个大致的轮廓，比如分布地域、年龄层、性别，这就好比只给了我们一个人物的剪影，对于他们的喜好、偏爱、态度还是难以得出准确的结论。
如果仅从社交网站（如微博）收集用户态度数据，不仅内容繁杂不方便定量分析，而且其内容通常都是负面的抱怨与批评。这些负面信息在产品调研中可以作为参考，但是其大多停留在单纯的抱怨上，很少有具体的改进意见，因此这部分数据只适合于找出产品或服务最主要的缺点在哪里。
我们在进行用户分析时，除简单的特征分析外，还有一部分隐藏的含义，就是想要找出忠诚用户和最有购买力用户对产品的意见及产品在哪些方面满足了其需求，以便进行有针对性的营销推广，而这些用户体验信息都是外部数据所无法满足的。
没错，这时候调查工具和方法就该派上用场了，在下一小节将为大家详细介绍最为常用的几种调查方法和它们不同的适用范围。2.2 调查方法全知道—定量与定性
提到调查方法，可能出现在人们脑海中的第一个选项就是问卷调查，继而想到在路过街头时被拦下做问卷的经历。其实在调查方法的大家族中，问卷调查只是其中的一个分类，还有一些被人忽视的，如德尔菲法、焦点小组等也能针对不同的数据调研需求发挥作用。2.2.1 定量分析之问卷调查
随着时代的进步，以往我们所使用的纸质问卷更多地被搬到了网络之中，可能你也曾在邮箱中收到过电商网站发来的用户满意度调研问卷，或者是兴致勃勃地在网站与微博上针对某个话题进行过投票，通信运营商也时常会通过电话对你使用手机的情况进行调查，其实这些都使你在无形中参与到了问卷调查的实践中。
我们所说的问卷调查是一种用提出问题的方式收集资料的研究方法。调查者要事先设计好一系列具有关联顺序的问题列表，以邮件、街头问卷、当面提问或追踪访问方式让被调查者作答。问卷调查工作的关键就是设定问题，选择被试和进行结果分析（见表2-1）。表2-1 问卷调查
随着技术的发展，我们现在可以不仅仅依靠人工发放问卷来获取数据，还能使用一些在线调查问卷网站，这种方式的优点是节省问卷制作与数据输入的时间，易于传播且成本相对低廉。网络调查问卷可以设置多种跳转方式，便于得到分类答案，并且可以使得那些不符合问卷调查要求的回答者提早结束。有一些问卷调查网站还可以直接在统计后台进行数据的关联分析等操作。
不过，网络调查问卷的一大缺陷就是问卷质量无法保证，所以在设计网络问卷时，对于重点问题应该设置为必填项，对于问卷提交时所要求的最低完成率也应该有所要求。
目前国内有问卷网、问卷星、调查派等问卷调查网站可以使用，不过在选用这些调查网站时常常被忽视的一点就是数据泄露问题。调查网站中的问卷如果不进行相关隐私设置，那么就等于是一个公开的问卷，竞争对手也会从问题设置中发现你的产品问题及你的用户情况。
经过实践中的探索，解决网络问卷保密问题比较好的方式就是在问卷的隐私设置中进行搜索限制及结果查看方面的限制，让其他人无法从调查网站中搜索到你的问卷并查看调查结果。因为这种针对用户的网络调查问卷通常是在邮件中发邀请链接，或者是将问卷链接直接挂在自己网站的首页上，所以不用担心进行了隐私设置后用户无法找到问卷作答的问题。
对商业数据分析师来说，使用问卷调查是其自主收集数据、发掘数据的一门基本功，在下一小节中我们会用实际案例展开讨论如何设计一份好的问卷，以及一些在问卷设计与回收中的注意事项。2.2.2 定性分析之焦点小组
焦点小组（Focus Group）是由一个经过训练的主持人以一种无结构的自然的形式与一个小组的被调查者交谈。主持人负责组织讨论。小组座谈法的主要目的是通过倾听一组从调研者所要研究的目标市场中选择来的被调查者，从而获取对一些有关问题的深入了解。这种方法的价值在于常常可以从自由进行的小组讨论中得到一些意想不到的发现。
焦点小组可以在问卷调查的基础上使用，因为通常我们都会从问卷调查的积极参与者中发掘焦点小组的参与人员。如果考虑到在之后的调查过程会使用焦点小组的方式，那么在问卷调查的阶段中就应该让参与者根据自己的进一步参与意愿留下联系方式，以便进一步联系。
焦点小组在选人上要尽可能寻找相同背景但是持有不同立场的调查对象，如果得出的观点都类似，那么得到的可用信息就很有限。
焦点小组准备的问题在开始讨论之前是已经设计好了的，也就是说问哪些问题、提问顺序如何，都已经基本确定。主持人讨论中的任务是尽量让每个人在每个问题都能发言，避免冷场，鼓励大家畅所欲言。切记在讨论中主持人自己不能引导话题方向，不能发表观点，不能说诱导性的话，否则会导致讨论结果的不真实。
做好焦点小组的主持人对于数据分析师是一个不小的考验，因为小组座谈不是扯闲篇，讨论的目的是在一两个小时里尽可能多地收集想要的信息，一旦话题偏离主题太远致使主持人无法控制的时候，结果就是白白浪费时间与金钱。因此一旦话题有偏离正轨的苗头，主持人就应该及时把话题引回到主题上。
比如，在针对网上租房功能的焦点小组中，讨论者很容易就会从租房服务的产品功能探讨偏题到网上租房总是被冒充房东的中介欺骗，继而到讨论黑中介的话题中。在这种时候主持人就要适时出面进行矫正，如要求大家想想租房产品是否规范中介行为，或者是网站可以为用户避免黑中介提供哪些措施等。2.2.3 定性分析之德尔菲法
德尔菲法（Delphi method）乍一听让人摸不着头脑，其实它本质上是一种反馈匿名函询法。其大致流程是：在对所要预测的问题征得专家的意见后，进行整理、归纳、统计，再匿名反馈给各专家，再次征求意见，再集中，再反馈，直至得到一致的意见。在一个大型的调研项目中，德尔菲法往往出现在调查问卷与焦点小组之后。
德尔菲法的最大特点就是采用完全匿名发表意见的方式，即团队成员之间不得互相讨论，不发生横向联系，只能由调查人员单线联系，这样就可以消除权威的影响。该方法耗时较长，需要经过3～4轮的信息反馈，最终结果基本能够反映专家的基本想法和对信息的认识，所以结果较为客观、可信。
我们之所以并不常用德尔菲法，是因为它的工作机制是依靠专家的意见，这些专家必须要对相关领域和产品有所了解。我们这里所说的“专家”，既可以是第一线的管理人员，也可以是企业高层管理人员和外请专家。例如，在对产品可行性中的某个问题进行分析时，分析师可以挑选产品、技术、市场、销售部门的主管作为专家。由于使用德尔菲法在专家选择方面并没有明确的标准，所以预测结果并不十分严谨，如果最后趋于一致的意见仍带有随大流的倾向，分析人员在拿到结果后还要结合定量分析加以判断。2.2.4 案例5：使用德尔菲法估算招聘产品定价
XX公司准备推出一款针对中小企业网上招聘的一揽子服务，其中包括了简历包的下载、发布职位的定时刷新及向潜在求职者定时推送公司招聘岗位。XX公司准备将该服务按季度收费，现使用德尔菲法征求专家意见，进行较为准确的估价。XX公司一共选取了5位专家，进行了3轮信息反馈，得到了下列意见表（见表2-2）。表2-2 专家反馈统计表
因为德尔菲法的预测一般以最后一轮的反馈数据为主，所以我们可以对第三次反馈进行三种计算得出估价：
平均值法：（460+690+900）/3=683.33
加权平均预测法：给第三次专家反馈最低售价赋权0.3，最可能售价赋权0.5，最高售价赋权0.2，计算得出：460×0.3+690×0.5+900×0.2=663
中位数预测法：第三次专家反馈中最低售价中位数为500，最可能售价中位数为750，最高售价中位数为900，进一步对这三个中位数使用加权平均法，赋权比重不变，计算得出：500×0.3+750×0.5+900×0.2=705
以上三种定性与定量的调查方法不一定在每一次的数据调研中都原封不动地照搬，分析师要根据调研问题的范围、性质和时间限制加以取舍。一般来说，在针对用户满意度与品牌知名度等方面的数据调查中，结合问卷调查和焦点小组已经能够得到充足的数据。在时间紧迫的情况下也可以单独使用问卷调查，在此时对调查问卷的设计要精益求精，争取能够一次性获得可用数据。关于如何设计一份好的问卷，在下面几个小节中会特别强调。2.3 如何做好问卷调查
虽然我们在平常的生活中已经接触过不少调查问卷，看上去也就是做做选择题，没有什么太大难度；但是在数据分析工作中，想要设计出一份能够有效完成数据收集任务的好问卷，却不是一件简单的事情。寻找什么样的调查对象？用何种方式派发问卷最能保证回收率？采取何种形式的问题设计？这一切都需要在开始调查问卷的设计之前就想清楚。2.3.1 设计问卷之前要明确调查目的
问卷调查工作的第一步就是要明确调查目的，对于商业数据分析师来说，每一次问卷调查工作都应该是有的放矢的。为了不浪费时间与精力，分析师在着手设计问卷之前就应该与提出调查需求的部门进行充分沟通，了解他们的调查目的与方向，这样才能在设计问题的环节中更有针对性地提出问题。
在明确了调查目的之后，不要急匆匆地就开始设计问题，而是要对相关资料进行学习。在实践当中，数据分析师经常会处理来自不同产品部门的问卷需求，如果不对这些产品有所了解，那么即使做出问卷也不能问出有效的答案。没有人能够保证自己对公司的每一款产品都了如指掌，尤其是在针对新产品进行市场接受度调研时，更需要对新产品的目标用户、功能有所掌握。2.3.2 设计问卷之前要明确问卷类型
在进入设计问卷的具体步骤之前，还应提前考虑采取何种类型的问卷及不同结构的问题如何搭配。
问卷类型一般分为自填型与访谈型，后者也可看作是通常意义上的用户访谈。自填型问卷可以通过各种渠道传播，方便快捷，且回收的答案比较客观。访谈型问卷虽然设计者对结果的控制力较强，但是面对面的形式让访谈者往往难以表述出真实的负面意见。根据国外研究者的研究显示，采用面对面的用户访谈相比使用网上问卷将会丢失20%的负面意见，因为用户在实际面对访谈者的时候往往出于礼貌不会多加抱怨。
而根据调查问题的不同目的，问题结构可以有封闭式、开放式和量表式等几种不同的形式。
1．封闭式问题
封闭式问题可分为单选、多选、排序等不同的种类，它为答题者提供了一组可供选择的答案和固定的回答格式，如图2-17所示，是单选题与多选题的基本形式。图2-17 单选题与多选题的基本形式
封闭式问题答案具有标准化格式，对答案进行编码和导入分析软件进行处理都比较方便。同时，封闭式问题含义清楚、形式简单，对被调查者提供了一定的解释，有助于被调查者理解题意，间接提高问卷回收率。
2．排序式问题
排序式问题（见图2-18）主要是更加直观地获取用户的使用偏好数据，简单地使用多选题无法看出用户几个选项之间的权重。图2-18 排序式问题的基本形式
封闭式问题也存在其固有缺点，即被调查者选择的答案可能与该答案的排列位置有关。据研究证实，在面对陈述性答案时，被调查者都倾向于选择第一个或最后一个答案；而当面对数字型答案时，被调查者则多倾向于选择中间数值。因此，在设计问卷的时候可以多准备几种不同答案排序的问卷，以减少这种调查者心理作用带来的统计偏差。
3．开放式问题
开放式问题，顾名思义，它给了答题者更多自由发挥的空间（见图2-19），一般用于收集用户的个人观点，尤其是在调查用户的批评意见时特别适用。因为用户在实际使用产品和服务的过程中所遭遇的问题并不是统一的，在不同时间地点和使用条件下这些问题可能会有各种呈现形式。从开放式问题中常常能够收集到具有启发意义的答案，更直接地了解用户的心声，还能从中为产品部门找到改进设计的灵感。图2-19 开放式问题的基本形式
需要注意的是，开放式问题的答案不能导入Excel及SPSS等数据处理工具中进行统一的处理，因此分析和数据处理的工作比较费时、费力。在实际工作中，如果是进行大规模抽样的调查，使用开放式问题的意义并不大；如果是针对产品进行的探索性调查，就可以多使用开放式问题让被调查者畅所欲言。
4．量表式问题
量表式问题（见图2-20），顾名思义，它的答案常常排列成一个视觉化量表，被调查者需要指出他们对该题目所陈述的认同程度。图2-20 量表式问题的基本形式
通常量表式问题的答案选项会为5个回应等级，但也有一些研究者认为应该使用7或9个等级，不过根据实证研究发现，采用5等级、7等级和9等级选项收集到的数据在经过简单统计处理之后，其平均数、变异数、偏态和峰度都很相似。因此在实践中为了减少数据处理的工作量，我们多采用5等级的量表。
量表式问题在使用中也会出现被调查者倾向于选择中庸答案的情况，针对这种情况可以在设计问题时直接去掉中间值答案，或在题目中加以说明，让被调查者尽量选择能够反映出倾向性的答案。
对于那些特别重要的调查问卷，在正式投放出去之前应该在内部先进行试答，一是为了发现问卷设计中的缺陷与难以理解的部分，二是观察是否会出现作答时的位置偏差与顺序偏差，及时进行修改。2.3.3 调查问卷的基本结构
大部分的调查问卷都是由标题、说明、主体三大部分组成。
一般来说，如果通过网络设计问卷，那么问卷网站会提供固定的格式，标题部分不会被遗漏，但是在一些现场发放的纸质问卷中就容易忽略问卷题目。作为整个问卷开宗明义的标题，应该言简意赅地表达出问卷的主要调查内容，让被调查者一开始就理解调查的目的，而不是让他们在答题中摸不着头脑。
问卷的说明部分无须太长，街头访问式问卷的开头一般非常简短，网上调查问卷的说明可以略长一些，但一般不超过200字。在调查问卷的说明中，需要把以下核心信息说清楚：（1）问卷的调查目的。（2）作答时间。通常控制在3～5分钟，题目最长不要超过25道，占用太长时间的问卷的完成率和回收率都难以保证，一开始就要解释清楚，以免被调查者有畏难情绪。（3）匿名性和保密性。调查问卷中一般不需要提供答题者的个人信息，除非是要进行抽奖活动便于联系，则可以在问卷后面让答题者自愿留下联系方式；由于不少问卷中涉及了一些个人收入、年龄等较为敏感的私人信息，所以要事先向被调查者解释调查数据只用于内部研究，不会外泄（见图2-21）。图2-21 标准的调查问卷说明范例（4）奖励信息。为了提高被调查者的作答积极性，可以为通过质量检核的完整答卷者提供抽奖机会。在问卷调查的实践中，提供抽奖是一个很好的吸引用户作答的方式。对于街头发放的问卷，也要为答题者提供小礼品，以表示感谢。
试读结束[说明：试读内容隐藏了图片]