1703881875
1703881876
你会发现，在我的电子表格中有三个纵列：CAT 1、CAT 2和CAT 3。
1703881877
1703881878
这样做的原因是，对于每个开放性反馈来说，我需要运用不超过3个的类别。每一个单一反馈将属于至少一个类别。但有时人们会在他们的反馈中提及多个分类，你需要灵活地在不同纵列中捕获信息。三个纵列可以使这个过程显得不那么复杂。
1703881879
1703881880
要想理解如何获得长的开放性反馈，并将它分解为一系列亲近分类，这个例子会给你一些帮助。在这个数据的第一排，该受访者的开放性反馈如下：
1703881881
1703881882
1703881883
1703881884
1703881885
1703881886
1703881887
莱恩，你好。
1703881888
1703881889
我是佩里·马歇尔与格伦·利文斯通公司（Perry Marshall&Glenn Livingston）的委托人，我们的总部设在澳大利亚西部的珀斯（Perth）。作为URL.com的市场经理，我面临的最大困惑是要提高我们的转换率。我们在谷歌右侧广告上每月花费了35,000美元，而且随着时间的推移，这笔费用正持续上涨（平均CPC[5]在近六个月内增加了47%）。尽管我受训于佩里（Perry），我管理高质量的谷歌右侧广告等已有八年。我们的人员管理成本大约在每人100美元（转换率约为10%），它们中仅十分之一能转换成销售额（即：CPS[6]金额高达约1，000美元），但我们的销售总利润却仅为1,500～1,600美元。平均CPC为10～13美元（换句话说，即使我们付钱给广告及员工，让他们去做所有事情，我们依然处于负债状态。分割测试（Split Testing）很难也很贵（每次点击要花费10美元），因此，运行长期统计检验测试是极其艰难的。我想用调查、自动回复等来帮助我建立一张列表，与它们建立联系并最终能提高我们的转换率以及投资回报率（ROI），但我在那些方面一点儿能力都没有，更别说建立一个有可行性的高性能漏斗了。几乎所有我看过的与这类事情有关的培训目标都是销售指导或服务，不是传统的B2B电子商务模式产品，比如汽车贷款等。另外，来咨询我们的人中有99%都只是在追问贷款报价（即：我有资格得到怎样的利率等等），而且也不希望我们与他们继续保持沟通。不像Lending Tree（美国线上金融公司），我们不能在线给出确切的报价。我们只能与申请人进行电话沟通，以此来收集他们的信息并且让一个或多个贷款人提交贷款申请，再根据他们的情况确定如何定级和交易。而且无论客户有没有被批准，他们回过头来都会按照一个比率行事。这使事情变得非常困难，因为在没有和财务顾问交流过的情况下，人们真的很难轻易地给一家商店定价。显然那样做能搪塞住很多人，因此从访问到管理的转换率只有10%。我非常想得到一些有关如何为我的业务建立一个质量漏斗的点子，从而可以增加投资回报率等。此外，倘若你真的有一个可以和我们直接合作并且能明显提高效果的方法，我将会很乐意与你合作，从而弄清楚我到底该怎样做才能向企业主推广那个设想……提前谢谢你！
1703881890
1703881891
EM
1703881892
1703881893
实际上，这位先生在澳大利亚运营着一家经销汽车贷款的网络公司。在一个竞争力剧烈和高成本双面夹击的市场环境里，他不知道该如何转换点击付费广告（PPC）的流量。
1703881894
1703881895
1703881896
1703881897
这则反馈是一个很好的例子，它展现出了好几种处理方法，这些方法我们都能用得到。针对他的反馈，我提出了以下分类：
1703881898
1703881899
由于他想知道如何将我的技术应用于点击付费广告（PPC）上，也就是要将点击付费广告流量进行转换，因此我将这第一类细分称为“点击付费广告转换”。
1703881900
1703881901
接下来，他想知道如何将我的技术应用于销售非信息产品上。他谈论了很多有关在线培训讲座中的销售漏斗、信息产品的销售、辅导服务以及其他相关的事情，但是他不知道该如何将其运用到自己的业务中。所以我将这第二类称为“其他销售：非信息产品”。
1703881902
1703881903
在这之后，他想知道如何才能将他的技术应用于线下销售流程中，因为他的业务还不能在网上直接进行交易。他只能通过电话来监管澳大利亚网上汽车贷款报价的问题。所以我称这第三类为“线下销售流程”。
1703881904
1703881905
这基本上就是你想得到顶部20%反馈所应完成的流程（如果你顶部20%反馈不到100份，那么继续下延20%）。这代表你完成了第一次数据筛选。
1703881906
1703881907
1703881908
1703881909
通过合并与整合分类来缩小你的用户细分
1703881910
1703881911
在你第一遍仔细检查数据时，你很可能会得到几十种不同的分类。但是做这件事的主要目的并非是为了得到无数的用户细分，而是为了用3～5个用户细分来覆盖你市场中的80%用户。所以你需要对数据再进行一次筛选。
1703881912
1703881913
你需要在第一遍数据筛选时找出那些虽被贴上了不同的标签但却非常相似甚至是相同的类别。对于这些，你可以使用相同的名字，并且把它们合并到一个类别中。
1703881914
1703881915
举个例子，我已将我们例子中的第一类贴上了“点击付费广告转换”的标签，但后来我注意到我在另一个反馈中标记上了另一个类别标签“转换点击付费广告流量”。
1703881916
1703881917
对于所有的实际用途和目的来说，这两个分类代表着同一个问题。因此我将这两者都重命名为“点击付费广告转换”。这就是你的第一遍数据筛选。
1703881918
1703881919
在第二遍数据筛选中，你想找出只会小概率发生的多亚用户细分，然后把它们合并到一个更大的用户细分中。
1703881920
1703881921
举个例子，我注意到有很多人在建立他们自己的调查漏斗系统时会有一些非常具体的技术问题，因此我创建了一个叫作“技术问题”的分类，通过这种方法将这些反馈合并成一个更大的用户细分。
1703881922
1703881923
现在，你即将知道到底什么会成为你的“亚细分用户”。现在你要做的是将那些亚细分用户一一合并成不同的类别。
1703881924