1703881701
1703881702
1703881703
1703881704
1703881705
1703881706
1703881707
1703881708
▲纵列U：核心关键问题
1703881709
1703881710
在纵列A与纵列U之间，我已经隐藏了所有不被使用的数据（例：会话ID、IP地址）以简化我们的关注点。纵列U列出了开放式核心关键问题的答案。
1703881711
1703881712
▲纵列V、W、X
1703881713
1703881714
在这几个纵列中，我们列出了多项选择问题中每个受访者各自的几个分类：
1703881715
1703881716
• 纵列V：全职VS兼职（全职兼职）
1703881717
1703881718
• 纵列W：公司老板、咨询师、职员（类别）
1703881719
1703881720
• 纵列X：收入范围（收入）
1703881721
1703881722
▲纵列AA、AC、AE
1703881723
1703881724
在这些纵列中，如果个人信息纵列含有数据，没有留空，我们就用一个简单的法则呈现一个1。
1703881725
1703881726
举个例子，如果一位受访者在AD（已隐藏）纵列留下了他的电话，那么AE纵列就会显示1；如果他们没有在AD纵列留下电话，AE纵列就会显示0。
1703881727
1703881728
1703881729
1703881730
这个数据让你在很短的时间内找到提供了名字、邮箱、电话号码的受访者，方便我们在之后的分析中使用。
1703881731
1703881732
▲纵列AF：长度（LEN）
1703881733
1703881734
在这个纵列，对于从潜在用户的反馈到开放式核心关键问题所包含的字符数，我们用一个被命名为“长度”（LEN）的微软电子表格准则去计算。这个数据让我们看到了每位潜在用户反馈的长度。
1703881735
1703881736
反馈长度非常重要，因为它是反馈高度积极者（它是一个人购买问题解决方案可能性大小的高级指标）的反映。
1703881737
1703881738
用通俗易懂的话来说，如果一切正常，受访者对我们的开放性问题的反馈越长，就越有可能成为购买你产品的顾客。
1703881739
1703881740
例如，让我们假设你正在销售一种能够减轻背痛的医疗仪器。你提出一个问题：“如果你现在正遭受背痛，那么你最大的困难是什么？”
1703881741
1703881742
试着假设某位受访者的答案是“我的背受伤了”。
1703881743
1703881744
另一个人的回答是：
1703881745
1703881746
“五年前我遭遇了一场车祸，那是一次正面碰撞。我不得不接受长达六个月的治疗。我尝试了三种不同的背痛药物，有一段时间甚至使用了吗啡。为此，我失业了整整两年半。我无法在办公椅上坐下来，因此无法得到一个稳定的工作。在过去的五年里，我一直试着去寻找解决方法。悲催的是，很多办法都没有效果。”
1703881747
1703881748
如果你的仪器能解决他们的问题（背痛），那么你认为这两个回答者中，哪一个更有可能购买你的产品呢？当然是第二个。这就是为什么要关注反馈的长度，即它为什么如此重要了。
1703881749
1703881750
▲纵列AG：乘数（MULT, Multiplier）