中欧体育app全站

互联网公司vi设计当然不会在市场研究中着手进行设计和分析中的致命错误，但是链接分析中涉及的复杂性易受遗漏和佣金错误的影响。通常可以通过充分的计划，沟通和程序执行来避免这些错误。

链接是指正式的统计过程，通过该过程我们可以将一个数据源的输入度量连接到另一数据源的输出度量。复杂程度的不同区分了“简单”和“复杂”链接。复杂与简单链接的不同之处在于，它涉及某种类型的多元预测模型，该模型可以进行“假设分析”。

七个复杂因素威胁着链接模型的有效性，尤其是复杂链接模型的有效性。这些威胁中的某些威胁非常严重，以至于如果没有预料和计划，它们可能会导致链接模型的灾难性故障。

1.聚合水平

在所有链接中，互联网公司vi设计需要确保调查和外部数据是在相同的聚合级别下准备的。例如，我们可能有针对客户的客户满意度调查数据，这些客户报告在拜访给定银行分支机构时排队等候的时间。但是，如果为整个商店而不是单个客户存储数据，则失去了建立联系并改善体验的机会。在这种情况下，只有将受访者的满意度信息汇总到整个分支的平均分数中，我们才能链接数据。这样做会导致三个问题：

• 我们在分支机构可能没有足够的受访者来计算稳定的平均得分。

• 我们可能没有足够的总体观察值来进行稳定的分析。例如，如果我们每个分支机构有1,000名受访者，但只有10个分支机构，那么在我们的综合分析中，这仅变成10个观察值，不足以使我们有把握地得出结论。

• 当我们将受访者级别的数据汇总为均值时，通常会损失很多可变性，最终会得到非常“平坦”的数据。在我们的链接分析中，这种平坦度通常只会产生很小的影响。

• 解决潜在聚合问题级别的方法位于项目的蓝图阶段。确保互联网公司vi设计具有可用于链接的数据的完整清单，并详细列出了变量之间的所有关系，以使聚合级别不匹配明显。

2.型号规格

当我们构建统计模型以预测某些结果时，仅当模型包含影响结果的所有变量时才正确指定该模型。在某种程度上，它表现出规格不足或规格错误。例如：

• 我们将客户随后购买（或不购买）品牌汽车与其对以前使用该品牌的经历的总体满意度相联系。但是，一个人是否购买某个品牌取决于竞争者是否提出了新的型号，新的广告，新的功能，新的价格，差价或返利等。仅基于对单个品牌的经验的满意度来预测回购很多故事。

• 我们将客户满意度与一家银行分支机构关联到该分支机构的交叉销售数据。但是分支机构向其支票帐户客户出售多少IRA不仅取决于这些客户的满意度，还取决于分支机构所服务的人口，其收入，就业和生活阶段以及客户的收入。更大的经济。

• 理想情况下，互联网公司vi设计通过进行蓝图会议来防止出现规范错误，但是正确地进行操作有时会使我们的生活变得有些复杂。

对于销售长期合作关系的客户（电信，金融服务，基于订阅的服务），请使用生存分析从关系客户满意度研究到行为建立联系。但是，许多或大多数链接都与可能受到竞争活动影响的业务结果相关。对于这些情况，我们需要对选择进行建模，而不是对总体满意度或返回评级的意图进行建模。这意味着我们将需要基于包括品牌选择因变量在内的竞争性，相对关系满意度研究建立联系。

要考虑的模型规范的其他方面包括：

• 数据缺失：并非所有受访者都能体验到或可以评价与品牌潜在关系的各个方面

• 非线性影响：可能是属性对结果的影响不是线性的，这可能会使建模复杂化

• 抽样：互联网公司vi设计需要确保我们基于模型的样本足以代表我们要预测的总体

• 预测的时间安排：当前的绩效衡量标准（满意度等）应与未来的结果比与当前的结果更紧密地相关，因此要了解业务现实就需要建立纵向联系

• 因果关系的方向：有时，互联网公司vi设计看到满意度较高的业务部门的销售量也较低–与其推断满意度导致较低的销售量，我们通常发现销售较低的业务部门不那么忙碌，可以为客户提供更多关注

• 效果是否最好用横截面来最好地衡量：横截面分析着眼于高满意度和低满意度受访者之间，或绩效较高和绩效较低的业务部门之间的差异；如前所述，当数量本身可能掩盖了真正的关系时，在业务部门内（或在受访者级别）进行分析可能会得出更准确的测量结果。