让 AI 真正用得上你的资料:一套结构设计方法
把方法论资料原样丢给 AI,它连一份问卷都出不好——问题多半在资料的形态。以用户调研方法论为例,讲透面向 AI 的资料结构设计五件事:资料生成(拆原子加稳定 ID)、内容设计(索引层闭集加执行层固定节序)、检查(六道程序化门禁与切片对齐)、迭代(草稿状态与派生索引)、关联(链接图谱)。结构对了,AI 才真的会用。
把方法论资料原样丢给 AI,它连一份问卷都出不好——问题多半在资料的形态。以用户调研方法论为例,讲透面向 AI 的资料结构设计五件事:资料生成(拆原子加稳定 ID)、内容设计(索引层闭集加执行层固定节序)、检查(六道程序化门禁与切片对齐)、迭代(草稿状态与派生索引)、关联(链接图谱)。结构对了,AI 才真的会用。
问卷从发出到可用数据,要闯投放、触达、打开、开始、完成、有效六道关口。本文逐个定义投放率、触达率、回收率、有效率等容易口径打架的指标,讲清样本量、误差幅度、置信水平三者的关系,并拆解覆盖、无应答、自选择三类偏差——高回收率不等于好数据。
同样是加功能,为什么有的没人夸但不做就翻车,有的做了才惊喜?Kano 模型对每个功能正反各问一遍——『有它感觉如何』『没它感觉如何』——把答案交叉分成必备、期望、魅力、无差异、反向五类。本文讲 1984 年狩野纪昭从双因素理论获得的灵感,用奶茶店两个功能走完评价表与 Better-Worse 系数演算,并交代魅力会过期等三个坑。
问『您看重价格还是品质』没有意义,真实的取舍发生在具体产品之间。联合分析(Conjoint)把产品拆成属性与水平,拼成一张张选择卡让消费者用选择投票,再用回归拆出每项的效用:属性重要性、支付意愿、市场模拟一次到手。本文从 1964 年的数学源头与 1971 年 Green 的引入讲起,用奶茶定价完整演示效用拆解与 WTP 计算。
直接问『哪个卖点最重要』,消费者会说全都重要。MaxDiff(最大差异测量)换了个问法:每组四个选项,逼你选出最好与最差,若干组下来偏好排序自然浮出。本文讲它诞生的缘由——评分量表的三大毛病,用一家奶茶店八个卖点的例子走完设计、计数演算与偏好读数,并说清它与联合分析的分工。
换掉一部分蔗糖、换了供应商、调了工艺——动配方之前,食品公司要先回答:消费者喝得出区别吗?感官差别测试用盲测强迫选择回答这个问题:三角测试、二-三点、成对比较玩法各异,内核都是女士品茶那道概率题——正确人数要赢过运气能解释的水平。本文从 Fisher 的剑桥茶局讲起,走完四种玩法、统计判定与相似性检验,并把差别测试与本系列的态度指标接成一条链。
口味测试结束,数据里有两组线索:总体喜不喜欢,以及甜了、酸了、稠了的『恰好度』评价。判罚分析(Penalty Analysis)把两者打通:以恰好组为基准,量化每个属性偏弱或偏强让总体喜好掉了多少分,再用『影响面 × 影响深度』矩阵排出修改优先级。本文回溯这套方法从二战军粮测试到消费品工业的演化脉络,用一款酸奶的盲测数据走完四个属性的计算与判读,并交代 0.5 折减、光环效应等四个常见坑。
T2B(Top 2 Box)统计问卷中选最高两档选项的人数占比,是满意度调查最常用的指标。本文用奶茶店与 SaaS 改版两个实例讲清计算方法,对比它与 NPS 的分工,并演示基线测量、分群对比、开放题追问的完整流程,避开平均分等常见误区。
NPS(净推荐值)只用一个问题衡量用户忠诚度:你有多大可能把我们推荐给朋友?本文用奶茶店和 SaaS 两个实例,讲清推荐者、中立者、贬损者的划分与计算公式,并演示从发问卷、追问原因到闭环改进的完整流程,帮你避开平均分等常见误区。