数据收集
收集不是“先拿数据再说”,而是先回答“要回答什么、什么证据算数”。问题不清时,收集越多,后续清洗与分析的返工越大。
方法与模型:用 5W2H 把模糊议题拆成可观测问题,用渠道与偏差对照选定证据来源,用抽样说明写清代表性;模型只补检查项,不替代证据与判断。
先有问题,才有收集边界
议题通常模糊,收集问题必须可观测、可证伪:
| 模糊议题 | 可研究的问题 | 需要的证据 |
|---|---|---|
| 用户流失严重 | 哪些用户在哪一步流失,原因是什么 | 行为日志 + 流失用户访谈 |
| 是否进入某区域市场 | 市场空间、竞争强度、准入门槛多大 | 市场数据 + 竞品拆解 + 渠道访谈 |
| 改版效果如何 | 改版是否提升目标行为,幅度多大 | 对照实验或前后对比 |
| 交付周期为什么变长 | 哪个环节耗时增加,原因是什么 | 流程数据 + 一线访谈 |
| 系统为什么变慢 | 延迟集中在哪个链路,何时开始 | 日志、链路追踪 + 变更记录 |
问题写到“可观测”这一层,证据才有边界;只写“要数据”,最后会收到一堆无法支撑结论的明细。
渠道决定证据能回答什么
| 渠道 | 适合回答 | 典型数据 | 主要偏差 |
|---|---|---|---|
| 系统导出与接口 | 既有业务过程发生了什么 | 订单、工单、交易记录 | 系统外流程缺失、口径不明 |
| 日志与埋点 | 行为路径与使用情况 | 点击、页面、接口调用 | 埋点缺失、事件定义不一致 |
| 访谈 | 动机、原因与一线经验 | 转写文本与引述 | 样本偏差、引导性提问 |
| 问卷 | 规模化的态度与事实 | 量表、选择题、开放题 | 自报偏差、低回收率 |
| 观察与跟岗 | 真实操作与流程断点 | 观察记录、时点记录 | 被观察者行为改变 |
| 实验 | 某个动作是否有效 | 对照组与处理组数据 | 入组不均、外溢效应 |
| 公开数据与文献 | 背景、环境与交叉验证 | 政策、报告、财报 | 口径不可控、时效滞后 |
多数研究需要两到三个渠道:一个定量主证据,一个定性解释,一个外部交叉验证。
样本与偏差要写清
| 要素 | 要写什么 | 常见问题 |
|---|---|---|
| 对象 | 谁进入样本、谁被排除 | 只访到活跃用户 |
| 方式 | 目的抽样、分层抽样或方便抽样 | 方便抽样当代表样本 |
| 数量 | 定性看信息饱和,定量看统计功效 | 用样本量替代代表性 |
| 范围 | 能代表什么、不能代表什么 | 把个案当总体 |
样本说明比样本量重要。访谈得到的是“为什么”的线索,不是比例;频次表述要谨慎。
采集留痕与合规是底线
- 留痕:记录时间、对象、方式、执行人与异常情况,原始材料保留校验值;
- 最小必要:只采集与研究问题相关的数据,敏感字段单独标记;
- 知情同意:访谈与问卷说明用途、保存方式与退出权利;
- 授权范围:明确谁能采集、谁能访问、保存多久;
- 外部数据:遵守来源方条款,保留来源、发布时间与统计口径;
- 公开输出:先脱敏再进入分析,遵循站点的公开边界。
合规是收集的前置条件,不是事后补的材料。
收集阶段交付三件
| 产物 | 内容 |
|---|---|
| 收集方案 | 问题、证据类型、渠道、样本、时效与责任人 |
| 证据清单 | 每项证据对应哪个问题、怎么采集、怎么核验 |
| 收集记录 | 来源、时间、样本结构、异常与合规状态 |
公开边界
只公开问题拆解、渠道选择、样本说明与合规方法;不包含真实研究方案、样本名单、访谈记录与授权材料。