样本量计算
按置信水平、误差、用户规模、分群数量和回收率给出建议样本。
2.0 工作台
围绕一个项目保存问卷、配额、质检与模型结果
项目档案
先把项目信息和问卷稿保存下来，后续工具会逐步复用同一份项目材料。
导入问卷
直接导入问卷文档，确认后写入项目问卷稿并同步到后续工具。
支持 Word、Excel、Markdown、TXT 和 CSV，建议直接上传项目中的问卷稿。
- DOCX 会读取正文段落并转换为问卷文本，适合常规 Word 问卷稿。
- XLSX 会读取多个工作表，优先识别“题号、题干、选项、说明”等列。
- Markdown / TXT 会按原文导入，保留题号、选项和跳题说明。
- CSV 会优先识别“题号、题干、选项、说明”等列，也支持普通文本式 CSV。
等待导入
导入后这里会显示识别到的题量、选项行和文本预览。
项目进度
根据当前已保存内容自动判断下一步。
项目
未命名项目
阶段
未设置
样本目标
未设置
配额设计
支持单一配额和交叉配额，按比例快速换算目标样本量。
问卷上线质检
粘贴问卷稿，检查跳题引用、随机轮换、选项遗漏和常见细节错误。
答题时间估算
按题型、选项数量和开放题估算问卷完成时长，辅助控制问卷长度。
清洗规则生成
根据问卷题型生成时长、陷阱题、直线题、开放题等清洗建议。
表头设计助手
自动建议分群表头和不建议入表题，减少制表前沟通成本。
PSM / KANO / MaxDiff / ABC
优先做小而专业的模型工具，形成区别于通用分析软件的卖点。
PSM 价格敏感度
粘贴四个价格问题数据，自动计算关键价格点和价格曲线表。
KANO 模型
导入属性分类人数，输出属性分类、Better-Worse 系数和优先级建议。
MaxDiff
生成 MaxDiff 题组设计模板，并按 Best-Worst 次数做简单计分。
ABC 用户价值模型
从问卷中识别态度、行为、消费指数候选指标，辅助定位高价值用户。
AI 调研助手（待开发）
先预留跨流程 AI 入口，后续接入问卷审查、结果解释和报告段落生成。
样本量计算
样本量计算器
建议有效样本量
385
建议发放样本量
482
每个分群建议有效样本
385
95% 置信水平、5% 误差下，常规无限总体项目建议有效样本量约 385。
配额设计
配额设计器
单一配额表
目标有效样本量 400
术语说明
配额设计帮助
控制样本结构，让回收更贴近研究目标
配额用于限定不同人群、城市、年龄、用户类型等样本占比，避免某一类受访者过多或过少。
只控制一个维度
例如只控制性别、年龄或城市级别。每个维度下所有选项比例通常应合计 100%。
控制两个维度的组合分布
例如“性别 × 年龄”。交叉配额更精细，但格子过多时容易出现单格样本量太小、执行困难的问题。
最终可用于分析的样本数
这是完成清洗后仍保留的有效样本目标，不等同于实际发放或邀请人数。
配额不是越细越好
建议优先控制对业务结论最关键的变量，避免配额维度过多导致回收成本高、单格样本不足。
问卷质检
问卷上线质检助手
第三方问卷链接可作为人工复核对象；深层逻辑检查建议基于问卷稿或平台导出的题目表。
等待质检
粘贴问卷稿后点击“开始质检”，这里会显示阻塞问题、重要问题和建议优化。
发现问题
0
阻塞问题
0
最近保存
未保存
术语说明
问卷上线质检帮助
上线前发现问卷结构和细节风险
上线质检用于在正式投放前检查题号、跳题、选项、随机轮换和措辞细节，减少真实回收后才发现问题的风险。
建议修改后再上线
例如跳题目标不存在、题号重复、关键选项缺失。这类问题可能直接影响样本路径和数据可用性。
会影响理解或后续数据处理
例如选项重复、“其他”缺少说明、排他项没有固定或互斥设置。
优化问卷体验和表达一致性
例如疑似错别字、措辞不统一、随机轮换说明不够清楚。
规则检查不替代真实试填
工具适合先做文本层面的预检，正式上线前仍建议在问卷平台逐路径试填。
时长估算
答题时间估算
这是上线前的经验估算，用于判断问卷是否过长；真实时长仍建议结合小样本试填校准。
等待估算
粘贴问卷稿后点击“估算时长”，这里会显示预计完成时长、题量和主要耗时来源。
清洗规则
清洗规则生成器
当前生成的是规则建议模板；后续可接入数据文件后自动执行清洗。
等待生成
粘贴问卷稿后点击“生成清洗规则”，这里会显示建议规则、适用题目和处理方式。
术语说明
清洗规则帮助
定义哪些样本需要剔除、标记或人工复核
清洗规则用于把问卷质量标准提前写清楚，减少数据回收后临时争议。
识别过快完成的低质量样本
答题时间过短通常意味着未认真阅读，但需要结合题量、设备、开放题内容一起判断。
检查受访者是否按要求作答
例如“为保证答题质量，请选择比较同意”。答错时通常进入剔除或复核。
识别矩阵题中高度一致的机械作答
如果多个量表项全部选择同一选项，可能需要标记为低质量样本。
检查空泛、重复或无意义回答
开放题可用最少字数、重复文本、无意义词和复制粘贴痕迹作为复核规则。
表头设计
表头设计助手
第一版输出制表规划建议；后续可导出 Excel 制表需求表。
等待生成
粘贴问卷稿后点击“生成表头建议”，这里会显示分群表头和不建议入表题。
术语说明
表头设计帮助
提前规划交叉表要按哪些人群拆分
表头设计用于在制表前明确横向分群变量，减少后期反复改表。
适合放在交叉表横向表头的变量
常见包括性别、年龄、城市级别、用户类型、购买频率、品牌使用状态等。
不适合作为标准横向拆分的题目
开放题、陷阱题、纯跳转题、样本量过小的细分题通常不建议作为主表头。
少量高解释力变量组合
组合表头适合用来形成分析视角，但变量过多会导致表格过宽、单格样本不足。
表头要服务分析故事线
优先选择能解释业务差异的变量，而不是把所有人口属性都放进表头。
交叉表
交叉表分析
用于“填数字+算卡方”：支持 SAV、CSV/TXT，也支持 data + code 双 sheet Excel，导入时会自动套用题干和选项映射。
等待分析
粘贴数据后先识别字段，再选择行列变量生成交叉表。
术语说明
交叉表分析帮助
把样本数据按两个变量交叉拆分
交叉表分析既包括生成全部交叉表，也包括两个变量之间的交叉拆分，是定量报告中最常用的基础分析。
自动输出所有题目的数据分布
工具会按字段结构和值类型识别单选、多选、量表、矩阵、排序和 NPS，并默认排除开放题后直接导出为 Excel。
看每个列群体内部的构成
当列变量是人群分组时，列百分比更适合比较不同群体在同一选项上的差异。
判断两个分类变量是否存在统计关联
p 值小于 0.05 通常表示差异具有统计显著性，但仍需结合样本量和业务意义解释。
小样本格需要谨慎解释
若大量单元格期望频数过低，卡方检验会不稳定，建议合并选项或扩大样本。
数据加权
数据加权
RIM 用于多个边际变量同时校准；Cell 用于已知交叉单元格目标量时直接计算权重。
等待计算
粘贴样本数据和目标结构后点击“计算权重”。
术语说明
数据加权帮助
修正清洗后样本结构与目标总体的偏差
当性别、年龄、城市等结构与目标总体不一致时，可通过权重让分析结果更接近目标结构。
按多个边际结构迭代校准
适合同时校准性别、年龄、区域等变量，但不要求每个交叉单元格都有明确目标量。
按交叉单元格直接计算权重
适合已经知道每个格子的目标样本或目标占比，例如“男_18-29”“女_30-39”。
避免极端权重影响稳定性
权重过大或过小会放大个别样本影响，通常需要设置截尾规则或回到配额执行端修正。
专项模型
专项模型路线
PSM 价格敏感度
导入四个价格问题，输出可接受价格区间、最优价格点和价格曲线。
KANO 模型
正向/反向题自动分类，生成 Better-Worse 系数和优先级图。
MaxDiff
先支持设计模板和简单计分，再扩展 MNL/HB 等专业模型。
ABC 用户价值模型
按态度、行为、消费三类指标识别高价值用户分群。
PSM 分析
PSM 价格敏感度分析
请确保四列价格含义依次为“太便宜 / 便宜 / 贵 / 太贵”。第一版使用线性插值估算关键交点。
等待计算
粘贴 PSM 四列价格数据后点击“计算 PSM”，这里会显示可接受价格区间和关键价格点。
模型说明
PSM 价格敏感度模型
用于找到用户能接受的价格范围
PSM 适合早期定价探索，常用于新品、服务套餐、会员权益等还没有明确市场价格锚点的研究。它不是直接询问“你愿意付多少钱”，而是通过四个价格边界判断用户的价格心理区间。
每位受访者需要回答四列价格
依次填写：太便宜、比较便宜、比较贵、太贵。四个数值通常应从低到高排列，否则会影响曲线和关键点判断。
两条下降，两条上升
“太便宜”和“比较便宜”随价格升高逐步下降；“比较贵”和“太贵”随价格升高逐步上升。曲线交点用于估算价格边界。
PMC / PME / IPP / OPP
PMC 是可接受价格下限，PME 是可接受价格上限；IPP 表示便宜与贵的平衡点；OPP 通常被视为最优价格点。
建议结合业务判断使用
PSM 输出的是价格感知结果，不等同于销量预测。正式定价时建议结合竞品价格、成本、品牌定位、转化测试或销量模拟一起判断。
KANO 模型
KANO 模型分析
第一版按已汇总的 KANO 分类人数计算 Better-Worse 系数；适合从问卷平台或表格中复制结果。
等待计算
粘贴属性分类人数后点击“计算 KANO”，这里会显示属性分类、优先级和 Better-Worse 图。
模型说明
KANO 模型
用于判断功能属性如何影响用户满意度
KANO 适合评估产品功能、服务体验、权益配置等属性，帮助区分哪些是必须做好、哪些能显著提升满意度、哪些投入回报有限。
通常使用正反向成对提问
同一个属性分别询问“具备该功能时的感受”和“不具备该功能时的感受”，再根据回答组合归入不同属性类型。
魅力、期望、必备、无差异、反向、可疑
魅力属性能制造惊喜；期望属性越好越满意；必备属性缺失会明显不满；无差异属性影响较小；反向和可疑结果需要复核题目或样本。
衡量满意提升与不满风险
Better 系数反映做好该属性带来的满意提升，Worse 系数反映没做好带来的不满风险。图上可用于判断优先改善、基础保障、高提升空间和高不满风险。
正式研究需先保证题目语义清楚
当前工具按已汇总的分类人数计算，适合快速复核结果。正式上线前建议检查正反向题是否一一对应，避免双重否定或让用户难以理解的功能描述。
MaxDiff
MaxDiff 设计与简单计分
第一版使用轻量均衡分配，适合快速生成问卷题组草案；正式大样本建议再做实验设计校验。
等待生成设计
输入待测试项目后点击“生成设计”，这里会显示每个 MaxDiff 题组。
简单计分公式为 (最佳次数 - 最差次数) / 展示次数，用于快速排序，不替代 MNL/HB 模型估计。
等待计分
粘贴汇总次数后点击“计算得分”，这里会显示相对偏好排序。
模型说明
MaxDiff 模型
用于识别多个项目之间的相对偏好强弱
MaxDiff 适合评估卖点、权益、功能、购买因素、品牌触点等项目，比单纯打分更容易拉开差异，也能减少用户全部都打高分的问题。
每组选择最重要和最不重要
受访者在一组项目中选出“最喜欢/最重要”和“最不喜欢/最不重要”的项目，系统通过多组选择估算项目排序。
项目需要尽量均衡展示
每个项目出现次数应接近，项目之间共同出现的次数也应尽量均衡，避免某些项目因为出现更多或位置更显眼而被高估。
Score = (最佳次数 - 最差次数) / 展示次数
第一版使用简单计分，适合快速排序和草案判断；如果要做更正式的偏好份额或市场模拟，可进一步使用 MNL 或 HB 模型。
题组数量不要过少
如果项目很多但题组太少，结果会不稳定。建议先用当前工具生成问卷草案，再根据正式样本量和项目数量做实验设计校验。
众言模型
ABC 用户价值模型
ABC 用户价值指数 = A态度指数 × 30% + B行为指数 × 30% + C消费指数 × 40%
模型通过态度、行为、消费三类要素综合评估细分人群价值，用于定位高价值用户。1.0 版本先从问卷稿中自动识别三类指数可用指标。
推荐度、满意度、偏好与认同
用于衡量用户对产品或品牌的主观评价，例如 NPS、满意度、购买意愿、品牌偏好。
频率、场景、活跃与使用深度
用于衡量用户真实使用行为，例如使用频率、使用场景、最近使用、渠道和功能使用。
金额、规模、份额与价值贡献
用于衡量用户消费规模，一般可结合该类人群消费金额和市场规模进行指数化。
第一步：识别指标 → 勾选确认入模题目 → 第二步：粘贴样本数据 → 计算 ABC 得分并分群。
等待识别
粘贴问卷稿后点击“识别指标”，这里会显示态度、行为、消费指数的建议指标。
模型说明
ABC 用户价值模型
通过态度、行为、消费三类指数评估用户价值
ABC 用户价值模型用于对细分人群进行综合评价，定位高价值用户。模型由 A 态度指数、B 行为指数、C 消费指数三部分构成。
ABC = A × 30% + B × 30% + C × 40%
态度和行为各占 30%，消费占 40%。正式计算时通常需要先对不同量纲的指标做标准化，再按权重汇总。
推荐度、满意度、偏好与购买意愿
反映用户对产品或品牌的主观评价，例如 NPS、整体满意度、继续购买意愿、品牌偏好、产品认同等题目。
使用频率、使用场景与活跃程度
反映用户真实行为，例如使用频率、购买频次、使用场景数量、功能使用深度、最近一次使用或购买时间等题目。
消费金额、市场规模与价值贡献
反映用户的消费规模和商业贡献，常结合该类人群消费金额、市场规模、客单价、品类支出或份额类题目进行判断。
1.0 版本先输出候选指标建议
当前工具会从问卷稿中识别适合进入 A/B/C 指数的题目。正式建模时还需要确认指标方向、缺失值处理、标准化方式和人群分层逻辑。
AI 增值 · 预留入口
AI 调研助手（待开发）
建议后续以侧栏方式嵌入问卷质检、清洗规则、表头设计和模型解释，而不是单独做一个孤立页面。
待开发能力
Roadmap
- 问卷措辞审查识别诱导性表述、过长题干、选项不互斥和语义不清。
- 逻辑风险解释把上线质检结果翻译成项目经理和客户都能理解的风险说明。
- 模型结果解读将 PSM、KANO、MaxDiff、ABC 结果转成报告结论和业务建议。
- 报告段落生成基于当前项目材料生成可复制进报告的摘要段落。