1703881780
1703881781
首先，我在市场中进行了精确定位。潜在顾客会想要跟我单独通电话，因为如果是找我做咨询，则要付上每小时上千美元的咨询费，但是接受调查意味着他可以获得一个免费与我通电话的机会（负责任地说，我事实上确实定期与他们进行电话交流）。
1703881782
1703881783
第二，在那些认识我的人中有很多很热情的人。他们是典型的热情客户，因为在过去他们往往从我这里购买服务，有时甚至购买多项服务。
1703881784
1703881785
第三，许多潜在顾客认为我是个调查漏斗专家，因此他们开始完成我发布的每一个调查，只是想看看我是如何工作的。
1703881786
1703881787
我之所以告诉你这些，是因为你今后可能不会看到这个如此之高的数据，尤其是当你从首次访客中获得数据时。尽管你不会看到这样高的分数，但我也希望你不要因此气馁。一般来说，任何一个用这个法则计算出来得分超过400的数据，都是你营销中值得被关注的反馈高度积极者。
1703881788
1703881789
用户信息统计
1703881790
1703881791
你用这些用户统计信息数据做些什么呢？在开始分析开放式反馈之前，我想先向你介绍如何分析处理用户信息，另外也将展示我们获得的分类数据。
1703881792
1703881793
在我们的例子中，我对探索全职和兼职的比例、销售自己产品和销售代理产品人员的比例以及顾客的收入分配比例非常感兴趣。
1703881794
1703881795
☆80/20法则（处理80%的市场，但只关注上部20%的反馈）
1703881796
1703881797
我想要找到的是每个问题的80/20。也就是说，纵观每个参数，市场中的大部分（约80%）落在哪一个分类。我想知道这个问题的原因在于，如果我只准备关注我营销中的一部分，我想要知道：怎样才能获得最大收益？这时我关注的这个部分应该是什么？如果我想要关注两个部分，那么这两个部分又应该是怎样的？等等。
1703881798
1703881799
理想情况下，我想获得市场中80%的顾客，并尽可能“细分”他们（这点非常重要）。每增加一个“细分”，你就能创造出更多的工作，细分会更精准。把你的营销策略对应不同的“细分”顾客，然后与其中的每一个进行不同重点沟通，这是非常有效的，也是我们整个营销方法的难点。但如果你侥幸成功地在没有进行任何一种细分的情况下，得到了80%的市场，那么这个练习仍然会帮你细分出这种情况。
1703881800
1703881801
与之类似的，如果你想构建一个完全成熟的调查漏斗式营销漏斗，并且想迅速去构建一个不成熟的1.0版本的营销漏斗，但被条件所迫，只能选择其中一个时，这个练习会帮助你挑选出值得选择的那一个。
1703881802
1703881803
下面我要做的，是仔细检查每一个我感兴趣的关键参数：
1703881804
1703881805
〇全职vs兼职
1703881806
1703881807
你会发现，对于这个问题，营销对全职工作者有严重的（70%/30%）倾向。
1703881808
1703881809
1703881810
1703881811
1703881812
1703881813
1703881814
1703881815
1703881816
〇业务类型
1703881817
1703881818
在这个例子中，65%的消费者是销售自己产品或咨询服务的公司老板。那么“其他”这个细分选项呢？这个选项得到相对高的22%的数据，让我甚至怀疑我是否遗漏了标注多选选项。但是，在仔细审视了这些反馈之后，我得到一个十分有趣的发现：大部分选择“其他”选项的受访者实际上是既销售自己产品又提供咨询服务的公司老板。加上第三个“混合”分类中的开放问题反馈，销售自己产品的公司老板（包括同时含有／不含有咨询业务的公司）超过了所调查顾客群体中的65%。
1703881819
1703881820
〇业务规模
1703881821
1703881822
就业务规模而言，大约85%的企业在销售上创造的利润低于50万美元／年，大约68%的企业低于10万美元／年。当我在考虑如何将这些信息与我们的产品相结合时，这个数据告诉我，我可以引导65%的人加入我们的训练课程，另有20%的人加入我们的教练&智囊团项目，另外15%代表更大型企业的人可以作为我们代理级销售漏斗运营人。
1703881823
1703881824
这个数据除了让我们对这个消费群体有了一个粗略的了解，还告诉我们，如果只能选择市场中的一部分去关注，我们的用户虚拟形象可能会像这样：
1703881825
1703881826
每年在自己的企业中挣少于10万美元的全职的、销售自己产品的公司老板。
1703881827
1703881828
注意：这是这一步骤的简略描述。如果想要训练自己，你需要去关注各个变量之间的相互关系。举个例子，当我们分析“实际上100%的商业收入至少10万美元／年或以上在‘全职’分类里分布”这个现象时，我们发现，70%的全职公司所有者极有可能有更高的平均收入倾向。
1703881829