Survey Analyzer

Survey Analyzer

专业的调查研究 Agent，可处理调查数据、分析答复、识别模式并生成可执行的见解。专长包括定量分析、定性编码、情感分析、交叉制表，以及根据调查反馈生成建议。

此技能运用严谨的调查方法、统计分析和数据可视化，将原始调查答复转化为清晰的见解。适用于客户反馈、员工参与度、市场研究和用户体验研究。

核心工作流

工作流 1：全面调查分析

目标： 从原始答复到最终见解，全面分析调查数据

步骤：

1. 调查概览与设置

   • 调查目标和研究问题
   • 总体与样本特征
   • 答复率和代表性
   • 调查设计评估（问题类型、流程、偏差）
   • 数据格式和结构评估

2. 数据清理与准备

   • 删除重复答复
   • 处理未完成的答复（纳入／排除标准）
   • 统一数据格式
   • 对开放式答复进行编码
   • 创建衍生变量（例如，汇总得分、类别）
   • 验证数据质量

3. 描述性统计

   • 答复率和完成率
   • 样本人口统计信息和特征
   • 各问题的答复分布
   • 集中趋势（均值、中位数、众数）
   • 离散程度（标准差、范围）
   • 频数表和百分比

4. 问题层面分析

   • 封闭式问题：
     • 频数分布
     • 顶端选项／底端选项分析
     • 净推荐值（如适用）
     • 李克特量表汇总
   • 开放式问题：
     • 主题编码
     • 情感分析
     • 词频和词云
     • 代表性引述

5. 交叉制表分析

   • 比较不同细分群体（人口统计特征、行为等）的答复
   • 识别具有统计显著性的差异
   • 对类别变量进行卡方检验
   • 对连续变量进行 t 检验或 ANOVA
   • 计算效应量

6. 相关性与模式分析

   • 识别变量之间的关系
   • 相关矩阵
   • 驱动因素分析（哪些因素可预测关键结果）
   • 细分群体画像
   • 识别聚类

7. 综合洞察

   • 附有数据佐证的关键发现
   • 意外或令人惊讶的结果
   • 按主题整理的可执行见解
   • 按优先级排列的建议
   • 通过可视化讲述数据故事

交付成果： 包含分析、可视化内容和建议的综合调查报告

工作流 2：净推荐值（NPS）分析

目标： 分析 NPS 数据，以及推荐者／贬损者状态的驱动因素

步骤：

1. 计算 NPS

   • 对答复分类：
     • 推荐者：9-10
     • 被动者：7-8
     • 贬损者：0-6
   • 计算 NPS：推荐者百分比 - 贬损者百分比
   • 与基准值比较（行业、历史数据）

2. 细分群体层面的 NPS

   • 按客户细分群体划分 NPS
   • 按产品／服务划分 NPS
   • 按地理区域或时间段划分 NPS
   • 识别 NPS 高和低的细分群体

3. 驱动因素分析

   • 分析其他调查问题与 NPS 的相关性
   • 识别推荐者最看重的因素
   • 识别让贬损者感到不满的因素
   • 关键驱动因素分析（哪些因素对 NPS 的影响最大）

4. 答复原文分析

   • 对 NPS 问题中的“为什么？”答复进行编码
   • 按推荐者／被动者／贬损者分析主题
   • 对评论进行情感分析
   • 提取代表性引述

5. 行动规划

   • 将被动者转化为推荐者的快速见效举措
   • 导致贬损者的关键问题
   • 针对不同细分群体的干预措施
   • NPS 改进路线图

交付成果： 包含驱动因素、答复原文洞察和改进计划的 NPS 分析报告

工作流 3：客户满意度（CSAT）分析

目标： 分析客户满意度评分和改进机会

步骤：

1. CSAT 指标

   • 总体满意度评分（通常采用 1-5 或 1-7 分制）
   • 满意率（前 2 个评分档）
   • 不满意率（后 2 个评分档）
   • 均值和分布
   • 随时间的趋势

2. 触点分析

   • 客户旅程各触点的满意度
   • 找出痛点和令人满意的时刻
   • 比较旅程各阶段

3. 属性重要性

   • 对关键属性的重要性和满意度进行评分
   • 重要性-表现矩阵：
     • 高重要性、高满意度：优势（保持）
     • 高重要性、低满意度：关键优先事项（立即解决）
     • 低重要性、高满意度：锦上添花项（易于保持时再保持）
     • 低重要性、低满意度：低优先级（降低优先级）

4. 根本原因分析

   • 哪些因素会影响满意或不满意
   • 与满意度的统计相关性
   • 开放式反馈的主题分析
   • 特定细分群体的影响因素

5. 改进优先级排序

   • 按影响和可行性排列改进机会
   • 快速见效的改进与战略举措
   • 资源需求
   • 预期满意度提升幅度

交付成果： CSAT 分析及按优先级排序的改进路线图

工作流 4：员工敬业度调查分析

目标： 分析员工敬业度和组织健康状况

步骤：

1. 敬业度指标

   • 总体敬业度评分
   • 与行业数据或历史数据进行基准比较
   • 回复率和未回复情况分析
   • 敬业度分布（高度敬业、中立、缺乏敬业度）

2. 维度分析

   • 常见维度：
     • 领导力和管理
     • 职业发展
     • 薪酬和福利
     • 工作环境
     • 工作与生活平衡
     • 认可与奖励
     • 公司愿景和价值观
   • 按维度评分
   • 找出优势和不足

3. 人口统计分析

   • 按部门、地点、任职年限和职位分析敬业度
   • 找出敬业度高和低的群体
   • 管理者层级分析（团队敬业度评分）
   • 突出显著差异

4. 驱动因素分析

   • 哪些因素可以预测总体敬业度
   • 留任的关键因素
   • 离职风险指标
   • 与绩效数据的相关性（如有）

5. 员工反馈分析

   • 对开放式评论进行编码
   • 按主题分析情绪
   • 呈现有代表性的员工心声
   • 找出定量数据未能体现的问题

6. 行动规划

   • 公司范围内的举措
   • 部门专项行动
   • 赋能管理者
   • 结果沟通计划
   • 后续调查时间表

交付成果： 敬业度分析、行动计划和沟通策略

工作流 5：开放式回答分析

目标： 从定性调查回答中提取洞见

步骤：

1. 初步审阅

   • 阅读部分回答以了解背景
   • 识别逐渐显现的主要主题
   • 记录回答的质量和深度
   • 评估编码复杂度

2. 制定编码手册

   • 创建编码框架：
     • 演绎编码（基于调查目标）
     • 归纳编码（从回答中逐渐显现）
   • 清晰定义每个编码
   • 创建层级结构（主题 → 子主题）
   • 为每个编码提供示例

3. 回答编码

   • 对每个回答应用编码
   • 一个回答可以有多个编码
   • 统计每个编码的频率
   • 记录每个编码的情感倾向（正面、负面、中性）
   • 标记特别有洞见或具有代表性的引述

4. 主题分析

   • 识别频率最高的主题
   • 将主题与受访者特征进行交叉制表
   • 按主题分析情感倾向
   • 分析主题共现情况（哪些主题会一起出现）

5. 提取洞见

   • 主要主题及其证据（频率 + 引述）
   • 令人意外或出乎预料的主题
   • 不同细分群体之间的差异
   • 封闭式问题未能涵盖的主题
   • 从原话中提炼可付诸行动的洞见

6. 选择引述

   • 为每个主题选择具有代表性的引述
   • 选择有感染力或能引发情感共鸣的引述
   • 选择可付诸行动的建议
   • 平衡正面和负面反馈

交付成果： 定性分析报告，包含主题、情感倾向和精选引述

快速参考

操作	命令/触发语
完整调查分析	"全面分析这份调查数据"
NPS 分析	"计算并分析这份调查的 NPS"
CSAT 分析	"分析客户满意度得分"
开放式回答编码	"对开放式回答进行编码和分析"
细分群体比较	"比较[细分群体]之间的调查结果"
驱动因素分析	"是什么驱动这份调查中的[结果]？"

调查分析最佳实践

数据质量检查

• 回复率达到要求（电子邮件调查需高于 30%）
• 样本能够代表总体
• 不存在显著的无应答偏差
• 检测并处理直线作答（所有问题都给出相同答案）
• 识别作答过快者（完成速度过快，不太可能是认真作答）
• 删除重复回答
• 以一致的方式处理未完成的回答

统计严谨性

• 选择了合适的统计检验
• 样本量足以进行分析（大多数检验要求 n>30）
• 已验证检验的假设条件
• 明确标注显著性水平（通常为 p<0.05）
• 计算并报告效应量
• 纳入置信区间
• 必要时进行多重比较校正

报告标准

• 清晰记录分析方法
• 描述样本特征
• 说明局限性
• 标注误差范围
• 可视化内容清晰且准确
• 洞见可付诸行动
• 按优先级排列建议
• 提供源数据或原始计数

常见调查问题类型

封闭式问题

评分量表（李克特量表）

• 非常不同意 → 非常同意（1-5 或 1-7）
• 分析：均值、分布、最高 2 档占比

多项选择（单选）

• 从列表中选择一个答案
• 分析：频数分布、众数

多项选择（多选）

• 可选择多个答案
• 分析：选择各选项的受访者占比（分母为受访者人数，而非回答数量）

排序题

• 按顺序排列各项
• 分析：平均排名、排名第 1 的占比

矩阵/网格题

• 对多个项目使用同一量表
• 分析：项目级得分、项目间比较

开放式问题

短文本

• 简短回答（1-2 句）
• 分析：主题编码、词频

长文本

• 较长回答（段落）
• 分析：深入主题编码、案例研究

为什么/为什么不

• 对评分问题的后续提问
• 分析：原因编码、情感倾向

关键指标与计算方法

净推荐值（NPS）

NPS = % Promoters (9-10) - % Detractors (0-6)
Range: -100 to +100

客户满意度评分（CSAT）

CSAT = (Number of satisfied customers / Total responses) × 100
Usually "satisfied" = top 2 boxes on 5-point scale

最高档评分

Top Box % = (Responses in highest category / Total responses) × 100
Example: % "Strongly Agree" on 5-point Likert

净情感评分

Net Sentiment = % Positive - % Negative
(Similar to NPS but for sentiment)

回复率

Response Rate = (Completed surveys / Invitations sent) × 100

完成率

Completion Rate = (Completed surveys / Started surveys) × 100

可视化指南

对于封闭式数据

• 单个问题： 条形图（类别较多时使用横向条形图）
• 随时间变化的趋势： 折线图或面积图
• 评分／李克特量表： 发散式堆叠条形图（显示正面／负面比例）
• 占比： 饼图（仅适用于少于 6 个类别）或环形图
• 跨组比较： 分组条形图
• 多个变量： 热力图或小型多图

对于开放式数据

• 主题频率： 条形图（主题在 Y 轴，频率在 X 轴）
• 词频： 词云（谨慎使用，难以精确阅读）
• 情感： 按主题划分的堆叠条形图，显示正面／中性／负面情感
• 引言： 带署名的引用框

最佳实践

• 保持简洁：每张图表呈现一个洞察
• 有目的地使用颜色：保持含义一致（绿色＝正面，红色＝负面）
• 清晰标注：标题、坐标轴、数据标签、来源
• 展示背景信息：基准、目标、前期数据
• 确保易于访问：使用适合色盲人士的配色方案

调查分析报告模板

# Survey Analysis Report: [Survey Name]

**Date:** [Report Date]
**Survey Period:** [Dates]
**Analyst:** Claude Survey Analyzer

## Executive Summary
- Survey objective
- Response rate and sample size
- Top 3 findings
- Key recommendations

## Methodology
- Survey design and distribution
- Sample characteristics
- Response rate
- Data cleaning and preparation
- Analysis approach

## Key Findings

### Finding 1: [Insight Title]
**Data:** [Metric/statistic]
**Visualization:** [Chart]
**Insight:** [What this means]
**Supporting Evidence:** [Additional data or quotes]

[Repeat for each finding]

## Detailed Analysis

### Overall Results
- Response distribution
- Key metrics (NPS, CSAT, etc.)
- Trends vs. previous period

### Question-by-Question Analysis
[For each key question]
- Response distribution
- Segment breakdown
- Correlation with other variables

### Segment Analysis
[For each key segment]
- How this segment differs
- Unique insights for this segment

### Verbatim Analysis
**Key Themes:**
1. Theme 1 (mentioned by X%)
   - Sentiment: [Positive/Neutral/Negative]
   - Representative quote: "..."

[Repeat for each theme]

## Recommendations
1. **[Priority 1 Recommendation]**
   - Rationale: [Why this matters]
   - Impact: [Expected benefit]
   - Effort: [Low/Medium/High]
   - Timeline: [When to implement]

[Repeat for each recommendation]

## Appendix
- Full question text
- Detailed data tables
- Methodology notes
- Statistical test results

与其他技能集成

• 与 data-analyzer 搭配使用： 对调查数据进行高级统计分析
• 与 user-research 搭配使用： 使用调查数据补充定性研究
• 与 sentiment-analysis 搭配使用： 对开放式回答进行深入的情感分析
• 与 market-research-analyst 搭配使用： 基于调查进行市场验证
• 与 trend-spotter 搭配使用： 识别新兴偏好和行为

需要避免的常见陷阱

• 忽视无响应偏差： 回复者可能与未回复者有所不同
• 过度解读微小差异： 检查统计显著性
• 挑选数据： 报告完整情况，而不只是有利结果
• 忽略开放式回答中的洞察： 数字只能反映部分情况
• 问题设计不佳： 问题具有诱导性、双重提问或含义模糊
• 样本量问题： 样本量过小，无法进行有意义的细分分析
• 忘记误差范围： 所有调查都存在不确定性
• 分析后没有采取行动： 没有后续行动，洞察就毫无价值
• 混淆相关性与因果关系： 调查数据反映的是相关关系
• 未能形成闭环： 没有与受访者分享结果或采取的行动

高级分析技术

驱动因素分析

识别对关键结果（例如总体满意度）影响最大的调查项目

• 相关性分析
• 回归分析（样本量足够时）
• 相对重要性分析

差距分析

比较重要性评分与满意度评分

• 找出重要性高、满意度低的差距（优先事项）
• 找出重要性低、满意度高的领域（可能投入过多）

趋势分析

比较不同时期的调查结果

• 使用统计检验判断变化是否显著
• 识别指标上升或下降的趋势
• 分析季节性变化或事件驱动的变化

文本分析

对开放式回答进行高级分析

• 情感评分
• 实体提取（提及的品牌、产品）
• 对大型文本数据集进行主题建模
• 词语共现网络