如何对调查受访者进行细分

汇总的调查结果令人安心，因为它给你一个单一而整齐的数字。它们也具有误导性。7 分（满分 10 分）的满意度得分可能掩盖了这样一个事实：新客户很喜欢你，而老客户正在悄悄流失。细分是将调查样本拆分为有意义的子群体的做法，以便你能够看到这些差异并据此采取行动。本指南解释对受访者进行细分的主要方式、如何在不自欺的情况下进行，以及如何将细分转化为决策。

为什么细分很重要

细分揭示了平均值所掩盖的差异。当你按相关属性拆分某个结果时，会浮现出原本不可见的规律。例如，整体上看似微不足道的功能需求，可能在你最高价值的客户中广受欢迎。没有细分，你会将其降级；有了细分，你会去构建它。整个重点是从"人们怎么想"转向"谁怎么想，以及这是否重要"。

良好的细分还能让结论更具说服力。利益相关者很少会根据一个全公司范围的单一数字采取行动，但一张显示某个地区拖累整体的图表却难以忽视。细分是原始数据与具体、可辩护的建议之间的桥梁。

细分的类型

细分变量大致有四大类。人口统计细分按年龄、性别、收入、教育程度、公司规模或职位等属性拆分受访者。地理细分使用位置，从国家一直到城市或销售辖区。行为细分按人们的行为对其分组：购买频率、使用年限、功能使用情况、套餐级别，或是否已流失。态度或心理细分按人们的信念、价值观或感受来划分，例如价格敏感度或品牌忠诚度。

行为和态度细分通常最具可操作性，因为它们直接关联到你所关心的结果。人口统计数据容易收集，但往往是比人们所设想更弱的行为预测因素。最有力的分析会结合多个类别，例如在一个高价值行为细分内部考察态度。

在发布前规划细分

最大的细分错误是仅在数据到手后才决定哪些切分重要。到那时，收集你所需变量已为时太晚。在投放一项调查之前，列出你打算分析的细分，并确保其中每一项都对应到一个你能够捕获的问题或一项元数据。如果你想比较套餐级别，就加入一个套餐级别问题，或将其作为隐藏字段传入。如果你想比较购买者与非购买者，就去问。

提前规划还能保护样本量。如果你知道每个细分至少需要一定数量的回答，你就可以设置配额或延长投放时间以达到目标。从一份结构良好的问卷起步会有帮助；你可以改用我们市场调研问卷模板中经过验证的版式，而不必从零构建筛选逻辑。

交叉分析的实践

交叉分析（或称交叉表）是细分的主力工具。它是一张表格，显示对某一问题的回答如何在另一问题的各类别中分布。例如，行可能是满意度评分，列可能是客户使用年限区间。每个单元格显示该组合中受访者的计数或百分比，让你可以沿一列往下读，看看新客户与老客户各自的回答情况。

构建交叉表时，决定显示列百分比、行百分比还是计数，并保持一致。列百分比（每列合计为 100%）通常最便于将各细分相互比较。留意极小的单元格计数，它们可能基于仅一两个人就产生看似夸张的百分比。一个显示"50% 不满意"的单元格，可能只代表两人中的一人。

样本量与统计上的审慎

细分会成倍放大你的样本量问题。每次拆分数据，每个子群体都会缩小。一项拥有 1000 份回答的调查看似稳健，但如果你按五个地区、四个年龄段和两个性别去切分，单个单元格可能降到个位数。随着子群体变小，误差幅度增大，看似存在的差异可能是噪声而非信号。

有两个习惯能让你保持诚实。第一，始终为每个细分显示基数（即 n），让读者知道一个数字值得多大分量。第二，对小细分之间的差异保持怀疑，并在可能时先做显著性检验，再断言某一组与另一组不同。如果某个关键细分始终太小，就去收集更多数据，而不要过度解读你手头的东西。

数据驱动的细分

除了预先定义的分组，你还可以让数据来提示细分。诸如聚类分析之类的技术会根据许多变量上的相似性同时对受访者分组，浮现出你未曾预料的自然群体，例如价格敏感的便利型追求者或以忠诚驱动的爱好者。这些数据驱动的细分对产品和营销战略可能很有力，但它们需要更大的样本和审慎的解读，而所得的聚类还需要一个人可读懂的故事才有用。对大多数团队而言，从少数精心选择的预定义切分入手，能以低得多的复杂度带来大部分价值。

根据你的细分采取行动

不能改变决策的洞见只是琐碎的谈资。对每一个有意义的细分差异，都要问：你会有什么不同的做法。如果某一客户群体反映了某个具体痛点，那就成为一项路线图事项或一条定向讯息。如果一个高价值细分显示忠诚度下降，那就触发一项留存举措。将每一项细分发现与一位负责人和一个下一步挂钩。通过市场调研问卷比较你的各细分随时间的反应，以及与竞争对手的对比，能将细分从一次性报告转变为持续的体系。定期开展此项工作的研究团队可以借助面向研究团队的模板将其切分标准化，使每项研究都可比较。

一条有用的纪律是让你的细分定义在各项研究之间保持稳定。如果你每个季度都重新定义年龄段或使用年限分组，你就失去了追踪某一细分如何随时间演变的能力，而这往往是最有价值的视角。记录你所用的确切边界并重复使用。当某个细分持续表现不佳或表现突出时，越过单一数字，深入该群体的开放式回答，去理解差异背后的故事。定量差距与定性解释的结合，正是说服利益相关者采取行动的关键。最后，要抵制仅仅因为工具方便就把每个结果都按每个变量切分的诱惑。每增加一次切分，就增加了发现纯属噪声之差异的概率，统计学家称之为多重比较问题。事先决定哪些细分比较对你面前的决策真正重要，把它们清晰地呈现出来，并把任何令人意外的附带发现当作下一项研究中要检验的假设，而非立即据以行动的结论。在定义、度量规模和解读细分方面的纪律，正是使能够驱动真实决策的细分，与仅仅生成看似令人印象深刻却不可靠的图表的细分区分开来的所在。

常见问题

我应该分析多少个细分？ 比你以为的要少。少数几个精心挑选、与决策相关的细分，胜过数十个无人据以行动的切分。先从最可能改变某项决策的两三个切分入手，只有在样本量允许时才扩展。

每个细分的最小样本量是多少？ 没有通用数字，但极小的单元格并不可靠。作为一条实用底线，对任何只有寥寥数份回答的细分都要谨慎解读，并始终在每个数字旁显示基数。

我应该在收集数据之前还是之后进行细分？ 在发布前规划你打算使用的细分，以便收集所需变量。之后你仍可探索额外的切分，但你永远无法分析一个你忘记捕获的细分。

交叉分析与聚类分析有什么区别？ 交叉分析比较你所选择的预定义分组之间的回答。聚类分析让数据依据相似性自行形成分组。前者更简单、更常见；后者能浮现出意料之外的细分，但需要更大的样本和更多的解读。