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）
1703881751
1703881752
下一个纵列是MULT，即代表乘数（Multiplier）。这个纵列用简单的微软Excel函数检查电话域是否大于0（即某人是否提供了电话号码）。如果有，这个函数值显示1.5；如果没有提供，法则显示1.0。
1703881753
1703881754
这个纵列叫乘数的原因，是因为我们将使用这个法则的输出（1.0或1.5）与LEN纵列（反馈长度）相乘，得到一个与每位潜在用户相对应的评分系统（SCORE）。
1703881755
1703881756
之所以用这个1.5的“强制乘数”来表示愿意留下电话号码的受访者，是因为当一个受访者留下电话号码并且愿意通过电话告诉你他的困难时，他就很可能成为你的潜在购买者。
1703881757
1703881758
事实上，在一般情况下，如果我们控制反馈长度在同一水平，就能发现：如果一个人留下了他的电话号码，那么，相对于那些反馈长度相同但没有留电话号码的受访者，这个人将会有高出这些受访者50%的产品购买意愿。
1703881759
1703881760
虽然这个数据会随着市场和企业的改变而改变，但一般来说，更重视带有电话信息的反馈仍然是明智的做法。在你所在的市场缺乏相关数据的情况下，50%是一个合理的初始设定。
1703881761
1703881762
▲纵列AH：评分系统（SCORE）
1703881763
1703881764
完成以上所有的过程之后，你需要用评分系统为每一个反馈评分。在这里你会发现，分数是以降序排列的——顶端呈现的是最高的分数，底端是最低的分数。
1703881765
1703881766
这样的设置是为了下一个，即高反馈者而设定的，同时也是整个流程中最后一个纵列。
1703881767
1703881768
▲纵列AI：高反馈者（HYPER）
1703881769
1703881770
在之前的分析中我们提到，要高度重视作为反馈高度积极者的潜在用户和最可能在你这里消费的个体，并将100%的营销精力放在他们身上。在整个深度调查分析中，我们在给每个反馈评分的基础上完成了这个名为高反馈者的数据点。它能挑选出反馈高度积极的个体。
1703881771
1703881772
从这时开始，我们将依据反馈评分系统，主要关注你反馈最积极的，也就是表格顶部20%的客户。如果调查范围较小，则继续向下取20%（即延伸到40%）。任何一个属于上部20%的受访者将在这一纵列得到一个“1”，如果你在这上部20%中得到的反馈数小于100，我通常关注再向下的20%（延伸到40%），以得到更多的可供调研数据。
1703881773
1703881774
1703881775
1703881776
1703881777
1703881778
1703881779
这个例子中有一个需要注意的地方：因为我有幸在许多营销策划中参与了这个过程，我发觉上图中显示的反馈数值是极高的。大多数营销人员在做同样的问卷时不会得到这么高的数据，也就不会跟我们一样如此关注这个反馈数据。我之所以能得到如此高的反馈数据是有原因的：