时间: 2021-07-30 10:55:40 人气: 22 评论: 0
工作中用到的调研问卷，探索的内容相对具体，涉及的变量也比较少，一般不**用到太复杂的分析方法，Excel+SPSS即可搞定，本文整理了几类常见的问卷分析思路。
拿到一份问卷数据，该如何着手分析呢？且慢，要做分析得先检查数据是不是完整、可信，所以先从数据清洗开聊。
（1）一份数据可能经历过编码、合并、拆分等，先检查数据是否完整，是否有异常值？
选择题、排序题这类封闭题型的答案是有限制范围的，针对这类题型，在spss内使用频率统计功能，查看每个题目的总量，缺失值，是否有异常值。比如：性别只有1、2两个选项，出现其他选项则说明有问题。有个小技巧，在Excel中可以使用筛选功能，快速查看每个题目的结果是否有异常值。
（2）有些用户可能**不认真填答，因此需要检查逻辑合理性，是否有前后矛盾的情况？
有些问卷，前后题目有逻辑关系，可以用这类题目做测谎题，筛选出前后矛盾的答案，比如前边用户选择了主要的出行方式是“自己开车”，后边却选择自己的年龄“小于18岁”，那么这类问卷可以视为不认真填答的，删除。
如果没有合适的题目做测谎题，也可以在编制问卷的时候设置测谎题，两种设计思路：
如果技术支持，也可以通过后台数据和用户问卷中的数据做匹配，常用的是性别、年龄、常居地之类的数据，也可以问一些明确的行为数据，比如是否用地图买过火车票。
需要注意的是：选择稳定的明确的数据来做校验题目，不要使用需要回忆的数据来校验，用户的记忆是模糊的有误差的，使用频率、使用年限，这些都不适合做校验，因为用户的记忆很可能与实际行为不完全相符。
问卷调研绝大部分是抽样调研，如果想通过样本的情况去推测整体的情况，除了要考虑最小样本量之外，还需要考虑样本的代表性。群体有很多属性，并不是要求样本的每个属性都和整体一致，而是关注那些对研究问题最有影响的属性，在该属性上样本和整体尽量保持一致。
假设：年龄对用户忠诚度的影响非常大，对出行方式没有影响，那么在研究忠诚度时就需要考虑到年龄因素，而在研究出行方式时，就无需考虑年龄因素了。
一种是事前控制，区分出不同年龄段的用户，分桶按比例发放，该方法成本高很少用。
另一种是事后控制——加权 。比如问卷收集到的用户，与整体用户群分布不一致，但是我们想知道整体用户的忠诚度，此时可以通过加权的方式去调整。
具体方法如下：
先根据整体和样本的年龄分布，计算出权重值，然后再使用spss的权重功能，给数据加权。加权后再统计忠诚度。
值得注意的是，不要为了省事儿，直接计算出样本各年龄段的值，然后给个年龄段的值赋个权重，求均值。这样的结果是不对的，必须要使用spss的加权功能。
如果有多个因素，挑选最重要的一个因素加权。如果非要考虑多个因素，那么需要了解多个因素交叉后的整体分布。比如既要考虑性别、又要考虑年龄，那么需要将性别和年龄交叉，知道整体男性的年龄分布、女性的年龄分布，再计算权重，成本太高了。
我们先假设一份调研问卷，带着这份问卷来看分析思路。
假设要针对大学生群体使用地图APP的情况做个调研，设计了以下问卷，通过这个问卷我们能做哪些分析呢？
统计各选项的数量、频率是最常用到的分析，然后通过图表展现出来，可以非常直观的看出整体分布情况。
通过这个问卷，我们可以得到：
除了看整体分布情况，我们还可以通过差异分析，探索更多的信息。
做差异分析，第一步先找到两个可能有关系的因素；第二步将两个因素交叉统计结果，根据结果在这两个因素间做假设；第三步根据这两个因素的数据类型，选择合适的统计方法，验证假设。
通过这个问卷，我们可以分析：
（1）男性和女性对手机地图的选择有差异么
先分别计算不同品牌的用户性别占比，结果发现不同品牌的男性占比不同，性别和手机品牌都是分类变量，因此使用卡方检验。
（2）男性和女性，对手机地图的忠诚度有差异么？
先统计不同性别用户的NPS值，NPS值是等距数据（NPS这个题目，本质上是李克特量表，对该数据是否是等距数据尚有争议，但大部分情况按照等距数据处理），我们想要看男性、女性两组之间的差异，采用T检验。
（3）不同品牌的手机地图，用户的忠诚度有差异么？
与性别变量不同的是，手机品牌有4个维度，T检验只能做两组之间的差异检验，多于两组的时候采用方差分析。
（4）是否由于男性用户多导致**地图的忠诚度低呢？
比如男性的忠诚度更低，而不同品牌之间男性的占比又不同，**的男性用户较多，就**假设：是否由于男性用户多导致**地图的忠诚度低呢。
当有两个因素的时候，可以采取协方差分析，在做方差分析的时候，将性别作为协变量纳入，分别看男性组，不同地图品牌间有差异否，女性组不同地图品牌间有差异否。
总结一下，做差异检验的统计方法常用的有三种：卡方检验、T检验、方差分析。但是，统计只是辅助判断的一种工具，也有些情况，直接看交叉后的结果就能发现差异巨大，无需统计检验肉眼都可以判断，也有些情况下，统计结果显著，但是差异实在是很微小，也不能做出明确的结论。
所以统计方法并不是重点，找到可能有关系的因素才是重点，学术研究一般**根据过往的研究提出假设，而实际工作中，绝大部分靠经验，多熟悉产品多了解用户，才**有思路。
之前有人提出要做女性地图，认为女性更看不懂地图，需要在图面上有不同的处理。实际调研下来，发现性别既不影响用户使用地图的习惯、也不影响用户对地图的感知。相反年龄明显的影响地图的使用习惯，接下来就需要进一步挖掘年龄的差异了。
（1）通过差异分析，我们了解到性别**影响用户的忠诚度，我们还想接着探索用户常用的功能个数是否**影响忠诚度，是不是用的功能越多，忠诚度越高呢？
此时需要用到相关分析，使用功能个数是等距数据，使用spss计算Pearson积差相关系数。相关系数介于-1~1之间，绝对值越大关系越密切，符号代表相关的方向。通常情况下，绝对值大于0.4就可以认为这两个数据之间有比较强烈的关系了。所以绝对值越大，说明这个因素的影响程度越大。
如果想探索使用频率和忠诚度之间的关系呢，使用频率是顺序数据，此时需要计算Speaman相关系数。相关是在工作中使用比较多的方法，需要注意的是，相关分析只能解释两个变量之间有无关系，不能得到因果结论。因果结论是我们基于逻辑赋予的，工作中，相关关系已经足够我们做判断了。
（2）如果我们不只是想探索单个因素与忠诚度之间的关系，还想要探索多个影响因素合并在一起对忠诚度的影响，此时可以使用多元回归的方法。
在本调研中，我们可以探索用户遇到使用问题的次数与忠诚度的关系，用户遇到的问题有4种，分别是定位问题、地点问题、路线问题、性能问题。以NPS值为因变量，将这四个问题一起作为因变量，求一个多元回归方程。但是多元回归方程的建立，对数据的要求比较高，实际调研中使用的非常少，相关系数基本够用了。
不论是相关分析还是回归分析，都只能反映出变量之间的线性相关关系，如果变量间是非线性的关系，是无法体现在相关系数上的，因此在做相关分析之前，可以先做一个散点图，直接观察一下，两个变量间是否有其他的关系可能。
如果是自己做调研，不是拿到数据了才去想怎么分析，而是在编制问卷的时候就要想清楚：我要了解什么问题，需要什么数据支撑，该用什么方法分析？
文中提到的所有统计方法，在统计书中都可以找到细致的操作步骤。本文只是列了最粗浅的统计方法，但是往往粗浅的才够直接，对实际的决策最有支持力。
参考书目：《量化研究与统计分析》邱皓政
本文由 @ 乔溪 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议
