京公网安备 11010802034615号
经营许可证编号:京B2-20210330
1.市场调研的基本步骤
市场调研是一种非常常用的信息获取渠道。调研的结果可以整理成分析项目的输入,甚至可以作为决策的依据。因此想 要做好市场调研,科学的流程是非常必要的。一般我们会通过提出问题、调查收集资料和分析预测问题三个步骤来进行。
第一步:提出问题
通常我们在面对一些重大决策,或者探索类的项目,特别是营销项目时,我们会启动市场调研。这个时候,我们可能提出的一些问题包括:
(1) 目前企业的现状是什么样子?
(2)市场现状是什么样子?
(3)消费者的需求是如何分布的?
(4)当前的客服环节存在什么问题?
(5)…………
当然,提出这些问题之后,大家需要注意一点。并不是所有的问题都是适合进行市场调研的。所以我们在提出了问题之后,需要结合问题 来思考以下两点:
第一,收集资料的范围是什么。进一步地说,我们的成本和时间是否允许。
第二,项目的研究要求。我们希望达到什么样的最终产出。 只有回答了这两个问题,我们才能够更好地确定问题,也才能从开始的阶段就保证市场调研的有效性。
第二步:调查收集资料
在确认了问题和调研目标之后,我们就要根据收集资料的范围来进行资料的搜集。一般传统的市场调研,主要通过线下问卷和访谈的形式 来进行收集。在收集资料的过程中,我们要:
(1)确定参与调研的人员和各自的参与形式;
(2)选择调研群体;
(3)分配时间和经费;
(4)制订具体的调研计划;
(5)展开调研。
对于调研收集的数据,为了保证准确和有效性,也需要进行一定的逻辑验证和清洗。在互联网时代,市场调研的方式变得更加多样化。问 卷可以采用线上触达的方式,这种方式不光可以降低成本,还可以做到更精准地投放到调研群体。另外,对于一些访谈的录音和文本,也 可以采用机器学习的方式进行自动化处理。
第三步:分析预测问题
在收集到足够的资料后,我们就要对这些信息进行分析,并用来帮助预测和决策。常见的市场调研分析方法,与统计学的方法也比较 类似。我们可以先对收集后的资料进行分类,区分数据和非数据信息。
对于数据信息,我们可以通过描述性统计、主成分分析、因子分析、回归分析、时间序列、逻辑回归、对应分析、多维尺度分析等方 法进行。
而对于非数据的信息,我们可以采用人工整理的方式,也可以通过自然语言处理NLP(Nature Language Processing)的技术进行 高效解读。
1.单选题
是市场调研问卷中最简单、易回答的问题,也是我们最容易进行录入和分析的问题。在设计单选题的时候,我们需要注意选项间的关系, 尽量做到不重不漏,避免答题者产生混淆和困扰。对于单选题的答案,我们可以用数字来进行表示。但是需要特别注意的是,这些数字 本身并不具备大小含义,只应该作为名义测量进行处理。 2.多项选择题
相比单选题而言,会复杂一些。可以是限定个数的多选题,也可以是由答题者自己决定数量的多选题。由于现在的研究趋势,通常是把 选项用数字化代替进行录入,因此在设计多项选择题的时候,应当更加谨慎。尽可能地用单选题替代。
在必须使用多项选择题的时候,选项的罗列要有一定的逻辑关系,避免无意义地增加选项,给后续的录入和分析造成麻烦。
对于收集回来的数据,我们需要进行编码和录入。编码录入,一般指的是,根据字段含义确定合适的数据类型,进行简化替代和录入的 过程。
通常,数据的编码类型有数值变量、字符变量、二分变量和分类变量。
开放式问题,我们在录入过程中都会根据答案内容来判断是作为字符变量还是数值变量进行录入。
比如年龄,可以直接作为数值变量, 而城市,则需要作为字符变量进行录入。 选择题,虽然选项可能对应的是一个具体的词语,但是我们仍然可以表示成数字的形式,方便录入和分析。而每个数字和选项词语的对 应关系,可以作为数据词典,单独保存,以备查证和分析过程中的解读。
录入的变量,如果只有两种取值的可能,我们可以叫做二分变量。而如果有多重取值的可能,我们可以叫做分类变量。字符变量,可以 根据具体情况转换为二分变量或者分类变量。比如取值为是或者否的字符变量,可以转换为二分变量。而取值为城市名称的字符变量, 也可以酌情转换为分类变量。但是如果字符变量的取值范围是不确定、开放式的,那么就不能进行转化和简化。所以编码通常应用于封 闭性问题,也就是答案范围确定的问题。
对于单选题,我们可以直接作为分类变量处理。而多选题,我们可以根据情况记录为分类变量,也可以把每个选项作为一个字段,存储为二分变量。
1.以问题 “平均每次通话时间(分)”,从方便数据处理的角度,下列方法最适宜的是?
A.需要编码为数值变量
B.需要编码为字符变量
C.需要编码为二分变量
D.需要编码为分类变量
答案:A 解析:平均每次通话时间是个连续变量,为方便后续处理,编码为数值型是最适宜的。
2.市场调查报告要发挥其应有的作用,除了必须说明一切必要的细节、能发挥参考作用外,还必须( )。
A. 能够证明调查研究结果的可信性
B. 详细说明调查的具体过程
C. 详细论证调查方法的科学性
D. 能够证明调查结论的可行性
答案:A 解析:信息的有效性是保证后期统计分析的重要前提。
更多考试介绍及备考福利请点击:CDA 认证考试中心官网
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16