什么是量化研究

什么是股票股票（stock）是股份公司发行的所有权凭证，是股份公司为筹集资金而发行给各个股东作为持股凭证并借以取得股息和红利的一种有价证券。每股股票都代表股东对企业拥有一个基本单位的所有权。每家上市公司都会发行股票。同一类别的每一份股票所代表的公司所有权是相等的。每个股东所拥有的公司所有权份额的大小，取决于其持有的股票数量占公司总股本的比重。股票是股份公司资本的构成部分，可以转让、买卖，是资本市场的主要长期信用工具，但不能要求公司返还其出资什么是量化分析量化分析就是将一些不具体，模糊的因素用具体的数据来表示，从而达到分析比较的目的。人类对于股市波动规律的认知，是一个极具挑战性的世界级难题。迄今为止，尚没有任何一种理论和方法能够令人信服并且经得起时间检验——2000年，著名经济学家罗伯特·席勒在《非理性繁荣》一书中指出：“我们应当牢记，股市定价并未形成一门完美的科学”；2013年，瑞典皇家科学院在授予罗伯特·席勒等人该年度诺贝尔经济学奖时指出：几乎没什么方法能准确预测未来几天或几周股市债市的走向，但也许可以通过研究对三年以上的价格进行预测。股票代码创业板：创业板的代码是300打头的股票代码沪市A股：沪市A股的代码是以600、601或603打头沪市B股：沪市B股的代码是以900打头深市A股：深市A股的代码是以000打头深圳B股：深圳B股的代码是以200打头中小板：中小板的代码是002打头新股申购：沪市新股申购的代码是以730打头；深市新股申购的代码与深市股票买卖代码一样配股代码：沪市以700打头，深市以080打头 权证，沪市是580打头 深市是031打头一般读取常见股票最高价：是指当日所成交的价格中的最高价位。有时最高价只有一笔，有时也不止一笔。最低价：是指当日所成交的价格中的最低价位。有时最低价只有一笔，有时也不止一笔。开盘价：以竞价阶段第一笔交易价格为开盘价，如果没有成交，以前一日收盘价为开盘价。收盘价：指每天成交中最后一笔股票的价格，也就是收盘价格。交易时间周一至周五 (法定休假日除外)　　上午9：30 --11：30 下午13：00 -- 15：00竞价成交(1) 竞价原则：价格优先、时间优先。价格较高的买进委托优先于价格较低买进委托，价格较低卖出委托优先于较高的卖出委托；同价位委托，则按时间顺序优先。(2) 竞价方式：上午9：15--9：25进行集合竞价；上午9：30--11：30、下午13：00--15：00进行连续竞价 (对有效委托逐笔处理)。K线图K线图形态可分为反转形态、整理形态及缺口和趋向线等。后K线图因其细腻独到的标画方式而被引入到股市及期货市场。股市及期货市场中的K线图的画法包含四个数据，即开盘价、最高价、最低价、收盘价，所有的k线都是围绕着四个数据展开，反映大势的状况和价格信息。如果把每日的K线图放在一张纸上，就能得到日K线图，同样也可画出周K线图、月K线图。对于抓取数据，一般tushare和pandas_datareader用得多tushare的抓取数据import tushare as ts# 601318 中国平安pingan = ts.get_k_data('601318',start='2011-01-01')pingan.head()pandas_datareaderfrom pandas_datareader import data as wbMSFT = wb.DataReader('MSFT', data_source='yahoo', start='2015-1-1')#使用雅虎接口# 微软MSFT.head()

研究方法作为知识生产的工具，其实跟背后的本体论是有很大的关系。我们完全可以不关注研究方法背后的本体论。很多人认为不需要关注，但是如果不关注的话，会导致研究方法的使用上会有很大的一个误差。那么定量研究方法和质性研究方法的区别何在？表面上看，一个是用数学，一个不用数学。也就是说是研究形式上的区别：一个采取量化的手法，一个不采取量化的方法，而是用文字表述的方法。但二者的区别，根本原因在于社会本体论预设的不同。量化方法本体论预设：社会世界类似于自然世界。所以社会科学可以模仿物理学，采取类似于自然科学的方法，数量化是必不可少的特征。科学性体现在实证性（或者经验性，注重可观察的证据），精密性（数学是特征）和揭示一般规律（从而可以做出预测）质性方法的本体论预设：社会世界不同于自然世界，因为社会是由人构成，人是有思想，情感，价值观念，信念等主观主义。人的行动是意义驱动的，而不是自然界中的刺激—反应行动。对意义的把握要通过理解，自然科学的客位立场无法达到对意义的理解。比如说对人的现象进行研究，就要理解人。比如说你要理解穆斯林的行为，你就要去读伊斯兰教的教义。如果不理解这个教义，怎么能理解它呢？我们很可能就是从一个非宗教徒的角度用自己的想法来裁剪它的行为，扭曲了它的行为，那这已经是违背现实了。意义可以定量的测量，但测量不是理解，因为测量可能是从客体立场来裁剪意义，甚至是研究者把自己的意义强加给研究对象。对意义的把握要从主体的立场出发。科学性首先体现在方法与社会科学研究对象的属性的匹配性。量化方法与社会现实的本体论属性不匹配。质性研究在实证上，与定量研究者一样。质性研究者也追求揭示规律，但社会规律与自然规律有不同的表现形式。科学性不在于严密性，严密性是我们追求的，但不仅仅在于严密性，它还在于研究方法和研究对象的本性的匹配性。

“转发这个绿灯，让未来的人生道路一路畅通。”“转发这个佛祖，近期会有意想不到的事情发生。”“转发这个阿拉丁神灯，7月你的愿望都会实现”“五秒内转发点赞，一直困扰你的事，即将出现转机”. . . . . .相信大家平常对这类转发都见得不少了，日常的各种好运转发让人应接不暇。而近段时期，随着各科考试的接踵而至，为了“保命”，“不挂科”，“考高分”大家的朋友圈大概都充满了各种“锦鲤”。而无论是转发杨超越，彩虹猫，发光的石头，小仙女......都通通可以归为是“锦鲤”的一种,那么我们为什么如此热衷于转发“锦鲤”呢？或许，本期的新闻系量化研究可以给我们带来一点启发。本文共1801字阅读时间约需要4分钟此文对研究报告有所删减查看完整版请点击阅读原文关于广东海洋大学学生生死观：唯物主义教育下的唯心主义应对方式的调研报告1.研究背景对于正确的生命信念与生命意识的缺乏是当前大学生中普遍存在的严峻现实。生死教育的目的是为了省察生命的意义和价值，培养生命关怀，通过生命体验开展生命教育，构建社会、学校、家庭的生命教育合力。且当代大学生正处在人生观、价值观形成的重要时期，思想状况不甚稳定。面对日趋激烈的学习、就业、情感压力，他们往往缺乏正确的判断和解决问题的方式，使得他们难以正确对待生死问题。学校生死观教育的滞后,大学生生命意识的缺失,随着生命教育理论越来越深入到教学一线，生命教育与学科教学的结合必将成为未来的趋势。而当代大学生群体的生死观受到性别、宗教、所学专业、城乡差别等诸多社会文化身份的影响。2.研究实用目的受到中国传统生死禁忌观念的影响，以及高校生死教育的缺失，导致接受唯物主义教育的大学生面对生死问题时，出现唯心主义的应对方式，本调查旨在指出这一问题的同时，试图从个人、社会、文化、政治等方面对造成这一情况的原因进行分析，希望通过该调查，对广东海洋大学学生的生死观有一个基本的认识和了解。3.研究概念生死观：生死观是指人们对生与死的根本看法和态度。生观——生存与发展的态度与观念，思考活着的目的、自身的理想与实现、幸福与快乐的认知等都是影响个人生观的重要因素。死观——面对死亡的态度与观念，生活的环境、目睹死亡场景、亲身经历死亡、自杀等都是影响死观的重要因素。唯心主义应对方式：面对事物的应对方式与科学主义、唯物主义相悖，科学强调可证伪。面对事物认为客观事物以至整个世界，都依赖于人的主观精神，自己想到什么事情，什么事情便是存在的。把客观精神看作世界的主宰和本源，认为现实的物质世界只是这些客观精神的外化和表现。在唯物主义的教育下，相信鬼神存在的是迷信，相信鬼神的人对“不可证伪”的事物持肯定态度，他们判断鬼神存在的最大依据是“不能证明没有，那便是有”，我们定义它为迷信，是因为这种态度与科学主义相悖，科学强调可证伪。4.研究方法资料收集方法：问卷调查法、文献研究法本次研究的有效样本量为1000，无效样本量为195.研究结果（1）唯心主义行为：从数据可以看出，有烧香祈福，许愿，转发锦鲤现象的人数占比较多。（2）专业类别：文科和体育类学生的无唯心主义行为人数占比少，说明文科思维偏向感性。理科、工科和艺术类的学生无唯心主义行为比较多，说明理科、工科接受客观严谨科学教育的学生和接触更多西方开放文化的学生更倾向于无唯心主义。在唯心主义行为中，烧香祈福和许愿的行为最多，诅咒的人最少。（3）性别：女生、男生和其他性别中，无唯心主义行为女生占比最多，其次是其他，最后是男生，这与大众认知中有所差别，说明女生现在看待事物更加客观，男生逐渐偏向感性；在唯心主义行为中，烧香祈福、许愿和转发锦鲤占比较多，诅咒行为较少。（4）活着的目的:经分析，不清楚活着有什么目的人会更少地选择唯心主义行为，而认为活着有各种目的的人则会更多地选择唯心主义行为，其中会较多地选择烧香祈福和许愿行为，而认为活着没有目的的人则会更多地选择烧香祈福和转发锦鲤。（5）对待死亡的态度：经分析，对死亡持不同态度的人在唯心主义行为的选择上有较大差别，对死亡持乐观态度的人会更少选择唯心主义行为。最后总结当代大学生群体所做的唯心主义行为比如烧香祈福、算命、诅咒等能够体现出他们如何看待生死观，他们的生死观受到性别、宗教、所学专业类别、城乡差异等社会文化身份的影响。面对死亡、自杀、人生意义、幸福观、压力、自杀等生死观的各个问题时，大多数人具有一定的的理性和生活经验，而一部分人会存在认知上的困惑，大学生这个群体在如何正确对待生死观中面临着诸多问题。因此面对这当代大学生面临生死观所遇到的问题，关于生死观的教育，目前有必要加强和进入大学通识课堂之中。未来希望在理论研究者与教学实践的共同努力下，生命教育能够被更好地融入到学科教学中，为学科教学助力的同时提升国民的素养。（本篇量化调查研究图文均为原创，请勿擅自使用，转载；商业用途请提前联系。）图片来源丨网络&新闻系量化研究团队研究团队丨朱晓敏 邓慧 江咏妍 莫嘉琪 陈斯娜 詹家欢责任编辑丨郭子铮 尧鹏伟初审丨黄家樑终审丨尧鹏伟点亮小星星，好运在向你冲来

未完待续......作者简介：管炳瑜，注册国际投资分析师（CIIA），熟通MATLAB和Python编程语言，并有着算法开发及量化策略开发经验，熟通神经网络，机器学习，深度学习等人工智能技术。

1、事物的本质不以外在评价而改变。2、我们对事物的善恶美丑评价，虽然因人而异，但总体上（概率）上是遵从自然规律的，差异体现在表象和量上，而不在质上。3、用量化手段来研究投资，遵从自然规律，顺势而为，投资者才能生存。在市场中违背自然规律，是一种螳臂当车的行为。投资或投机者改变不了市场的本质，相反，如果不遵从自然规律，结果就是打脸，专治你的各种不服。4、在学术科研领域的量化研究，如果研究人心地不纯，用量化手段对研究造假、伪造数据发表论文（两点就成一线，三点成一面，中间的点全靠造）也是有可能的。相比量化投资者在市场被打脸，我们对科研学习中的伪量化研究者更宽容，毕竟发几篇水文输钱送命的是少数。5、如果我们用薛定谔测不准定理、量子纠缠的角度去看待人的意识与事物之间的关系。测不准告诉我们的应是不形而上学、僵化老套的认识事物，如量化交易中的过拟合；量子纠缠倒是从另一个角度说明我们的意识和事物的变化轨迹相互影响，唯心主义者可能认为人的意识影响至上，唯物主义者则认为取决定性作用的是事物本来变化规律。结论：投资市场的量化研究是严谨的科学研究，来不得半点马虎，否则，直接让你输钱送命。科研学习的量化研究，只要无伤大雅，百家争鸣是允许的。比如你自娱自乐发发水文，没有对别人造成伤害，睁一只眼，闭一只眼，你懂的！

什么是量化交易A股三大指数今日集体收涨，其中深成指与创业板指涨幅接近1%，沪指与创业板指日K线都是三连阳。市场成交量略有萎缩，两市合计成交仅有7000多亿元。行业板块涨跌互现，民航机场板块强势领涨。北向资金今日净买入逾30亿元。 量化交易策略，就是采用数量化手段构建而成并进行决策的交易策略。具体解释起来，该定义包括两层含义。首先，在构建交易策略的过程中，数量化的手段应该占主要成分。这里的数量化手段，包括对整个交易流程和交易目标的数量刻画、数学模型的构建、对量化目标的最优化、对策略结果的数量化评价等方式方法。但是在这一部分中仍然会有定性的或者人为主观的成分存在，毕竟策略的研发是一个人为操作的过程。其次，交易策略在构造完毕、用来进行交易决策时，必须具有明确的数量化规则，完全不存在主观判断的成分。这一特性使得整个策略可以在完全量化的设置下进行历史数据下的回溯测试，以及准确无误地指导交易操作，这些都是量化交易策略比较重要的特征所在。同时满足以上两个方面含义的限定，则能够被称为量化交易策略。什么是量化交易在这样的界定下，量化交易策略既可以借助程序化的方式完成下单，也可以通过人工来执行。实际上出于成本和可控性等方面的考虑，一些交易频率较低的量化交易策略有可能更倾向于采用人工下单的方式来完成。在作者看来，策略的执行手段并不是量化交易策略的核心特征。这种关注于数量化而非程序化的定义，也使得整个量化交易策略的历史比许多人认知中的要更长一些。因为就实际情况而言，技术分析中的技术指标，在适当的情况下是可以形成量化交易策略的。虽然技术分析中的图表分析手段，如 “双头”“头肩”等图形形态的分类，相对而言太过主观而且很难量化但是技术指标这一门类侧重于价格和成交量的定量分析，通过公式化的计算得到一些用来 参考的量化指标，进而指导交易，具有数量化的特征。只不过在这些量化指标的 使用上，交易者往往又归于主观，进一步造成了对技术指标是否是量化交易策略 的争论。例如当某名交易员的交易策略是“移动平均线看起来很好时买入，看起来不好时卖出”，那么就完全有悖于上文给出的量化交易策略的定义。首先，该交易策略在表述上较为模糊，不是一个具有明确数量化规则的决策手段，因此交易员需要在交易过程中通过主观判断来完成买卖行为。其次，正是由于缺乏明确的数 量化决策规则，交易员在形成这样的交易规则时很难定量化地描述整个交易策略和交易过程，也就难以使用最优化之类的数量方法。在多数情况下，交易员可能更倚重于复盘等人工形式来完成这一类交易策略的构建。但是当交易员基于一些定量的规则来使用技术指标进行交易时，这些交易策略就可能会符合量化交易策略的特征。例如，把上面的策略改换为“价格线从下向上穿过移动平均线时买入，从上向下穿过移动平均线时卖出”，那么策略就既 可以通过量化手段完成构建，又具有明确的数量化交易规则了。其他典型代表还包括大部分的技术指标，如理查德-唐奇安(Richard Donchian)所开发的通道 规则，其以过去特定天数内的最高价和最低价为边界形成一个通道，当目前价格超出通道范围时，形成买卖决策。什么是量化交易理查德-丹尼斯(Richard Dennis)的“海龟交易法则”是一个非常著名的 例子，因为丹尼斯招收交易员并传授该法则而为外界所熟知。这一交易策略正是 在唐奇安通道指标的基础上构建而成的，除了通道突破的买卖规则外，海龟交易法则还包括仓位大小的选择、随时间的调整、止损等多个组成部分，更接近于一个构架完整的交易策略。当然，就本书的定义而言，海龟交易法则是否算作标准的量化交易策略仍然有待商榷。首先，被披露的规则只是交易决策部分，具体的构建过程我们无从得知，因此也难以判断。更重要的是，其执行过程中存在人为主观的成分，这也直接导致了交易学员在使用同样规则的情况下获得了不同的交易结果。但这并不妨碍大量的从业者将海龟交易法则作为一个量化交易策略的范本来进行研究和使用，作者本人也非常认同其在量化研究中的指导地位。由学术研究进入量化交易实业领域的一个更为极端的例子，应该是文艺复兴 科技公司的詹姆斯-西蒙斯(James Simons),这也是中国读者较为熟悉的一个量 化交易从业者。西蒙斯于1961年在加州大学伯克利分校取得数学博士学位，年 仅23岁，并在30岁时就任纽约州立大学石溪分校数学学院院长。他在1978年 离开学校创立了文艺复兴科技公司，该公司因为旗下的量化旗舰基妾一大奖章 基金傲人的业绩而闻名。关于西蒙斯所使用的量化交易策略，坊间一直有诸多猜 测。许多人认为其所使用的应该是基于隐马尔科夫模型的量化交易策略，原因在 于西蒙斯的早期合伙人伦纳德-鲍姆(Leonard Baum)是隐马尔科夫模型估计算法的创始人之一，同时文艺复兴科技公司招聘了大量的语音识别专家，隐马尔科夫模型正是语音识别领域的一个重要技术工具。作者无法判断这一说法的真实性，不过不管怎样，从文艺复兴科技公司比较另类的人员构成来看，这应该是一个比较纯正的使用量化交易策略进行运作的对冲基金公司。

定量研究其实没那么难，本文笔者通过对量化研究方法的一些最常见用例的介绍，以及对每个实例的成本和难度进行估计，来帮大家更好地去找我定量研究的方法。你是否需要有关产品用户体验的数字数据, 但却不确定应该如何做？许多从事用户体验及研究的专业人士倾向于定性方法论, 而这也这被广泛认为比定量 (量化) 研究更容易。但不得不承认，定性研究可能回避了较大的样本规模和量化相关的统计数据问题。而量化方法却是经验丰富的用户体验研究员的工具包中应当包含的重要组成部分。量化方法允许你：用数字为产品的可用性打上一个标签；数字有时比质量测试的结果更有说服力 (特别是当你试图说服像 CEO 这样的高管时)；比较不同的设计 (例如, 产品的新版本与旧版本, 或你的产品与竞争对手的产品)， 并确定你所观察的差异是否具有统计学意义, 而不是随机偶然；改进用户体验权衡决策。例如, 如果建议的设计改进预计会花费很大的成本来实现, 它值得做吗？如果你估计了更改将在一定程度上提高可用性，那么量化方法可以帮助你决定是否值得重新设计；将用户体验改进与组织目标和关键绩效指标联系起来 (从而显示你的投资回报并证明用户体验研究团队的价值）。定量研究，首要确定的是：到底需要哪种量化研究方法？在此，我们介绍一些目前最流行的量化研究类型：定量可用性测试 (基准测试)网络分析 (或 App Analytics)A/B 测试或多变量测试卡片分类树测试调查和问卷调查聚类定型数据可取性研究眼动测试每种方法都产生有价值的数量数据, 但这些技术在所收集的数据类型，以及所需的资源和工作量方面差别很大。本文列出了这些方法的最常见用例，并估计了每个实例的成本和难度。此外，应该知道，这些方法中都需要不同的最小样本量来确定统计意义。一、定量可用性测试（基准测试）用途：随时跟踪可用性、与竞争对手比较费用：中等收集难度：中等分析难度：中等方法类型：行为使用环境：基于任务虽然不经常使用，但定量可用性测试（有时称为可用性基准测试）很像定性可用性测试——用户被要求使用产品执行实际任务。两者之间的主要区别在于，可用性测试优先考虑观察，例如识别可用性问题。相比之下，量化可用性测试侧重于收集任务或成功时间等指标。一旦你收集了具有相对较大样本量（大约 35 个参与者或更多）的指标，你就可以使用它们跟踪产品的可用性随时间推移的进度，或者将其与竞争对手产品的可用性进行比较。你选择的可用性测试类型（面对面，远程主持或远程未经调度）将影响成本，由于定量和定性可用性研究的目标不同，测试的结构和使用的任务也需要不同。二、网络分析（或 App Analytics）用途：检测或优先排序问题、监控性能。成本：低收集难度：低分析难度：高方法类型：行为使用环境：live分析数据描述了人们对你的实时产品做了什么：他们去哪里、他们点击了什么、他们使用了什么功能、他们来自哪里，以及他们决定离开网站或应用程序的页面。此信息可以支持各种用户体验活动。特别是它可以帮助你监控产品中各种内容：UI 或功能的性能，并确定哪些是真的不起作用。三、A / B 测试或多变量测试用途：比较两个设计选项成本：低收集困难：低分析困难：低方法类型：行为使用情况：live虽然你可以使用分析指标来监控产品的性能，但你也可以创建实验来检测不同的 UI 设计如何通过 A / B 测试或多变量测试来更改这些指标。在 A / B 测试中，团队创建同一 UI 的两个不同的实时版本，然后将每个版本显示给不同的用户，以查看哪个版本的性能最佳。例如，你可以创建相同号召性用语按钮标签的两个版本：“获取定价”与“了解更多信息”，然后，你可以跟踪按钮在两个版本中收到的点击次数。多变量测试类似，但涉及一次测试多个设计元素（例如，测试可能涉及不同的按钮标签，排版和页面上的位置。）这两个基于分析的实验都非常适合决定同一设计的不同变体，并且可以结束团队关于哪个版本最佳的争议，但这种方法的一个主要缺点是它经常被滥用。四、卡片分类用途：确定信息架构标签和结构成本：低收集难度：低分析难度：中等方法类型：态度（人们怎么说）使用环境：不使用产品在卡片分类研究中，参与者被给予内容项目（有时字面上写在索引卡片上），并要求以对他们有意义的方式对这些项目进行分组和标记。该测试既可以亲自进行，也可以使用实体卡进行，也可以使用卡片分类平台进行远程测试。这种方法为你提供了进入用户信息空间的心理模型的机会。他们使用什么术语？他们如何在逻辑上将这些概念组合在一起？对创建类似分组的参与者的百分比进行定量分析可以帮助确定大多数用户可以理解哪种分类方法。五、树测试用途：评估信息架构层次结构成本：低收集难度：低分析难度：中等方法类型：行为使用环境：基于任务，不使用产品在树测试中，参与者尝试仅使用你站点的类别结构来完成任务。它本质上是一种评估你的信息架构的方法，通过将其与 UI 的所有其他方面隔离开来。假设你的产品是宠物用品网站，这是你的顶级层次结构，你可能会要求参与者完成一项任务——找到狗项圈。树测试结果的定量分析将显示人们是否能够在信息层次结构中找到该项目的正确路径，以及有多少参与者选择了错误的类别。此方法可用于识别 IA 结构，标签和展示位置是否符合人们的期望。六、调查和问卷调查用途：收集有关您的用户他们的态度和行为的信息成本：低收集难度：低分析难度：低方法类型：态度使用环境：任何调查是一种灵活的用户研究工具。你可以在各种环境中管理它们：在实时网站、电子邮件或可用性测试之后进行短暂拦截调查等。它们可以产生定量和定性数据的组合——评级，多项选择题中每个选项的答案比例，以及开放式答案。你甚至可以将对调查的定性响应转换为数值数据。你可以创建自己的自定义调查，也可以使用许多已建立的问卷中的一个（例如，系统可用性量表或净推荐值得分）。调查问卷的一个优点是，你通常可以将结果与行业或竞争对手的分数进行比较，以了解你的工作情况。即使你创建自己的自定义调查问卷，也仍然可以跟踪你的平均分数以监控产品改进。七、聚类定性数据用途：识别定性数据中的重要主题成本：低收集难度：中等分析难度：中等方法类型：态度（人们怎么说）使用环境：任何这种技术不是数据收集方法，而是更多的定性数据分析方法。它涉及根据共同主题对来自定性研究（例如日记研究、调查、焦点小组或访谈）的观察进行分组。如果你有大量观察结果，则可以计算提及特定主题时的实例数。例如，假设你进行日记研究，要求参与者每次在日常生活中使用你的产品并进行一周报告，目的是了解他们在何种环境中使用你的产品。此方法可以识别特定主题或情况的普遍性或频率，例如，用户投诉的频率或 UI 问题。这种方法是从大量定性信息中挖掘数值数据的好方法，但它可能非常耗时。八、可取性研究用途：识别与您的产品或品牌相关的属性。成本：低收集难度：低分析难度：低方法类型：态度使用环境：基于任务定量可取性研究试图量化和衡量产品的某些质量，例如美学吸引力、品牌强度、语调。这些研究可以根据你的研究问题进行定制，但通常包括首先将参与者暴露给你的产品（通过向他们展示静止图像或要求他们使用实时产品或原型）。然后，你将要求他们通过从描述性词汇列表中选择选项来描述设计。随着样本量越来越多，一些趋势则开始出现。 例如：你可能有 84％ 的受访者将设计描述为“新鲜”。九、眼动测试使用：确定哪些 UI 元素分散注意力，可查找或可发现。成本：高收集难度：高分析难度：高方法类型：行为使用环境：基于任务眼球跟踪研究需要特殊的设备，来跟踪用户在界面上移动时的眼睛。 当许多参与者（30 个或更多）在同一界面上执行相同的任务时，有意义的趋势开始出现，你可以通过一些可靠性告诉页面的哪些元素会吸引人们的注意力。眼动测试可以帮助你确定需要强调或强调哪些界面和内容元素，以使用户能够实现其目标。运行眼球跟踪研究的一个主要障碍是高度专业化、极其昂贵且有些不稳定的设备以及需要大量的培训才能使用。在尝试确定使用哪种定量方法引导你的研究问题时，你需要了解什么？例如：我们的产品可用性如何随时间而变化？与竞争对手相比，我们的表现如何？我们哪个问题影响最大？我们应该如何优先排序？对于这些类型的问题你可能希望使用定量可用性测试、网站分析或调查。当你想要回答更具体的问题时，或许其他方法更佳。 例如：我们应该如何修复我们的全球导航类别？我们的大多数用户对我们的视觉设计有何看法？我们应该在仪表板中使用这两种设计方案中的哪一种？对于这些研究问题，你可能希望使用 A / B 测试、卡片分类、树木测试、编码定性评论，可取性研究或眼球跟踪。但是，这些建议中有一些灰色地带。 例如：出于安全或技术原因，A / B 测试可能不是贵公司的选项。如果是这种情况，你可以进行面对面的量化可用性研究来比较两个原型。但是，这不是定量可用性测试的典型用法，所以没有在这里讨论它。在研究问题之后，选择方法的第二个最有影响力的因素是成本。这些方法的成本会有很大差异，具体取决于你实施研究的方式。你使用的工具、你拥有的参与者数量以及研究人员花费的时间都将影响最终成本。低预算团队将依赖数字方法——远程可用性测试、在线卡片分类平台、如 OptimalSort、A / B 测试以及 Web 或应用程序分析。根据经验，现场方法（例如：面对面的可用性测试，面对面的卡片种类）往往更昂贵，因为它们需要更多消耗研究人员更多的时间。此外，他们可能需要旅行和设备租赁。眼动测试是这里列出的最昂贵的方法，应该只有具有大预算和研究问题的团队才能使用它。一旦选择了方法，就要了解它，并确保你获得有用的成果。警告：不能只收集指标并开始做出决策而不进行任何统计分析。仅收集来自 5 个用户的评级规模响应，取平均值并继续前进是不够的。对于此处讨论的每种方法，都建议最小样本量以获得可靠的数据并确定统计显着性。如果你不这样做，你无法保证你的发现不只是侥幸。无论你选择哪种方法，一定要考虑研究相关统计概念所需的时间。我保证，定量研究不像它看起来那么难，对于你的定量数据来说非常值得。作者：研如玉，神策数据·用户行为洞察研究院 公众号（ID：SDResearch）本文作者：Kate Moran文章来源：Nielsen Norman Group本文由 @研如玉 翻译发布于人人都是产品经理，未经许可，禁止转载题图来自Unsplash，基于CC0协议

DOI:10.16298/j.cnki.1004-3667.2020.09.12摘要量化研究的客观性与教育研究的主观性存在冲突，因此，运用量化研究方法进行教育研究的适切性引人深思。在教育研究领域，量化研究方法的运用常面临以下问题：量化研究具有表层化倾向；调研数据的信度难以保证；受强调学术发表的风气和形式主义的影响，部分量化研究者时常容易陷入“数据”的泥沼，或热衷于使用“高级”统计方法，但这无益于探寻教育行为和现象背后的现实意义与内涵。应忠实于教育研究中测量结果的宽松尺度，不能一味迷信精确的“数字化”测量；掌握较完善的量化研究技能和哲学思辨能力，并在教育研究过程中始终保持思考。关键词教育研究；量化研究；实证主义；统计方法社会科学的量化实证取向源自19世纪中叶以孔德为代表的实证主义，最初主要受自然科学领域的启发。20世纪二三十年代，美国社会学界一方面为了吸引学生，满足学生对实用性、工具性知识的需求，另一方面为迎合政府和财团法人对现实问题调查研究的资助偏好，推行“实用为本”的改革。与此同时，受自然科学领域“客观、科学”的数学化研究方法和沃森（Watson J B）行为主义（Behaviorism）的影响，统计方法逐渐在社会学研究中取得主导地位。由此，美国社会科学研究走向量化与反规范性论述的“科学”方向。而教育研究以社会科学的量化研究传统为依据，20世纪初以来，美国的主流教育研究也往往带有定量性质。一、教育研究中的量化研究方法教育研究方法是人们在研究教育问题时所采取的步骤、手段和方法的总称，它是决定教育研究质量的关键因素。近年来，我国教育研究领域出现了一些推崇实证研究方法的声音，以统计方法为主的量化研究是其重要组成部分，它通过实验、调查、测验、结构观察以及已有的数量化资料，对教育现象进行客观分析，并将所得结果作相应的统计推断，使研究结论具有普遍适应性。研究方法决定教育学的科学性质。尽管伦德伯格（Lundberg G A）意识到社会现象与自然现象有所差异，如人有态度、动机、意向等，但他依旧坚定地认为，问题的关键在于如何处置这些差异。他认为，诸如渴望、希望、恐惧、价值、目的、意图等的心灵状态均可被客观地观察和记录，即“自然科学”化。对于社会科学的发展而言，研究方法的“自然科学化”成为其“科学性质”的重要体现，同时加强了社会科学自身的合法性地位。在崇尚实证研究的研究者意识里，通过将教育现象或研究对象的态度、看法与意见等转化为量化的客观材料与数据进行研究，至少抽离了人的个体性和主观色彩，避免陷入“自说自话”的窠臼，得出的结论更客观、可靠，具有较高的可信度。这无疑也更符合科学研究中价值无涉的标准。此外，在日常生活中，统计方法在经济消费取向、文化观念和政治意向等方面的运用屡见不鲜，人们也已经习以为常。因此，运用量化方法进行教育研究，有着广泛的社会现实基础。但运用此方法研究教育问题的适切性和具体操作过程中存在的问题着实引人深思。笔者将以教育研究中最常见、运用最频繁的量化研究方式——通过对研究对象进行问卷调查，并将所得的资料与数据进行统计分析，进而验证或推断结论，这一研究形式为例，阐述其在具体操作过程中存在的争议与问题。二、在教育研究中运用量化研究方法面临的问题马克思曾说：“一种科学只有在成功地运用数学时，才算达到真正完善的地步。”“数学化”的研究方式一度促进了社会科学的发展，但运用该方法进行研究，不可避免地带有鲜明的精确化和机械的“测量”印记。教育现象是一种复杂、独特、富有价值色彩的社会现象，其运行、发展与变化都有与其他现象不同的特点和规律：教育研究的对象，是具有自组织能力的人及其在教育过程中的多层次、多维度的关系，非任何自然现象和生物现象所能比拟。然而，当前对“数学化”、以统计分析为重点的量化研究方法的推崇常常容易使人们忽略了该方法用于探究特定教育问题的适切性及方法本身的缺陷。不假思索地套用自然科学精细化的数学模式，很可能导致研究结论与教育现实并不相符，不但无法揭示客观的教育规律，也贬损了教育研究的科学性。在教育研究中运用量化研究方法面临着如下诸多问题。（一）量化研究存在简单的“数学化”取向物理测量数据的每个数字都有其确定的位置与意义。在教育研究中，量化研究者经常将不可观察与直接测量的被研究者主观态度或意见等概念操作化为测量量表，并赋予相应数字以程度高低之含义。以李克特五分态度量表为例，“1至5”这之间的5个整数分别代表被研究者“非常不同意——非常同意”的态度。这些数字没有绝对零点和单位，两个相邻数值之间的数字如4.5，它介于同意与非常同意之间，但在被调查者的认知中，这个数值是未被赋予意义的，且无法说明被调查者赞成4.6即代表同意程度高于4.5。因此，研究者擅自赋予除五分量表中五个整数之外的数值以内涵，其与被研究者本人的初衷可能不符。拜尔考（Berka K）指出，在大多数情况下，心理或社会测量是一种较为精致的分类，或者可以说，它是一种理念的或概念的方法，具有相对参考性，与实际意义上的“测量”还存在一定差距。社会学家邓肯（Duncan O D）也注意到了社会学研究中态度量表可能面临的基本问题，他认为，在“非常不同意——非常同意”的数轴上，每个人都有他独特的位置，只有他自己才可能恰当地指出这个位置在哪里。人们对数轴上每个态度的判断标准是有差异的。如有人对事物的态度比较宽容，有人则比较严格，前者“非常同意”的选择标准可能相当于后者“同意”的判定尺度。因此，同样选择“非常同意”，对被调查者而言，可能具有不同的含义。在分析时，研究者一律将在李克特五分量表中回答“非常同意”的人赋值5分，并直接将其作为等距且等比的物理测量数据进行计算，如此便能将他们作为类别或等级变量时获得更多信息，且能用更高级的统计分析方法来处理数据，以显示分析的复杂性与研究的深刻性。这样的做法体现了当前教育领域的量化研究对精确的追求，带有简单化、易操作倾向，却忽略了问题的真正焦点：能否如实呈现被研究者的态度与想法。（二）量化研究具有表层化倾向基于问卷调查的量化研究，其价值与深刻性时常遭到质疑。弗莱克斯纳（Flexner A）指出，调查问卷在花了大量的时间和精力之后被整理成各种图表，但最后得出的结论却要么是凭调查开始前的常识就能直接判断的，要么是最终得不到可靠证据支持的。他对问卷调查进行了强烈批判，称其只是一种廉价、方便和快速获取信息资料或非信息资料的方法，问卷填答的随意性也令其不具备科学特征。他强调，不管多么巧妙地收集资料与信息，报告和检查等都不构成研究。尽管许多研究者指出，量化研究是通过对数据和资料的统计分析以探求各个研究变量背后的因果关系。但当前教育领域许多的“量化文章”，甚至相当部分教育学领域的学位论文，更类似于调研报告，而不是科学研究文本。在教育研究中，量化研究往往只提供了一种呈现教育现象的方式，它能向我们展示“实然”的状态，却无法指引我们“应然”的方向。如我们可以通过问卷调查，知晓大学当前及以往的所作所为，以及这如何影响社会；或根据调查，揭示政府、教师或学生对大学行为的态度与期待。但这都不能回答“大学应该扮演什么样的角色”这个问题。无论量化研究结果如何，我们都可以合理发问：这是大学应该做的吗？在收集了所有的调研数据，并进行统计分析后，这个问题仍然存在。无怪乎有研究者指出，量化其实只是一种近乎没做什么决定的决定。与此同时，量化的数字将人们的认知限缩在表层化的维度内，量化研究者时常容易忘记在教育研究中这些数字代表的概念与内涵，陷入纯粹计算数值间各种关系的狂热之中。对于这一现象，孔德曾指出：在实证体系下，基于盲目联系的本能作用，我们热衷于为同时存在或相继出现的现象建立联系，但对外部世界的合理探索和考察却证明，世界的连带关系比我们所设想或希望的松弛得多，许多这类关联在现实生活中纯属虚妄。另一方面，量化研究者根据数据或统计结果“看图表写话”，这一模式促使其习惯于将重心置于数据或数量关系的解释，忽视了对教育现象自身更深层次内涵的关切，也不利于个人创新思维的发展。正如弗莱克斯纳所说，无休无止的计算绝不会产生理论、原理或思想。教育研究中的测量无法让人们触及蕴藏在表象下的内涵，而且也导致人们不想往深处继续挖掘。工具实证主义倾向导致量化研究者选择性地关注当前研究工具所能解决的范围内的问题，之所以使用量化，其实是因为看到了该问题可运用与自然科学类似的测量指标进行测算与分析。在教育研究领域，这表现为部分定量研究者越来越倾向于研究能够直接用测量量表（特别是西方广泛使用的、较成熟的量表）进行定量分析的教育问题。就如卡西尔（Cassirer E）所说的方法决定论，方法本身决定了“科学性”，因而也决定了“事实性”和“真理性”。在当前社会科学崇尚实证研究的环境下，这体现了一种片面追求量化，研究方法决定研究问题的不良倾向。（三）量化研究的信度难以保证数量化资料的可靠性是量化研究具备一定信度的基础。通过问卷调查获取调研数据的方式，因其高效、便捷和易量化等特点，在社会学、心理学和教育学等社会科学领域被广泛使用。在教育研究中，问卷类型主要以自填式调查问卷为主，这意味着被研究者能否根据自身的现实情况，如实、准确地填答问题是数据真实可靠与否的关键。但是，有些学者指出，中国是一个低信任度的国家，中国人缺乏以共同的信任和制度保障为基础的对一般人的“普通信任”。在问卷填答过程中，低信任度的人际关系可能导致被调查者不愿意填写问卷；不完全相信调查的匿名性，戒备心较强，未依据自己的真实情况或态度回答问题；对一些通过行政手段收发的问卷，鉴于行政压力与社会称许性的影响，被研究者在填答问卷时倾向于美化组织或自身形象。有研究进一步指出，即使在匿名回答的基础上，采用投射、情境故事等技术性手段，中国被试仍对问卷调查保持较高的防御性。这都导致问卷调查所回收的数据可能并不反映被研究者的真实情况与想法。除了天然存在的人际信任问题，教育研究对象的特质与调查工具的设计也深刻影响着调研数据的信度。在教育研究中，调研对象经常包含多维度的人的态度、情绪与意见等具有强烈主观特质的概念尺度。人的多变性、不同的问卷填答情境，往往也意味着这些主观概念的测量结果可能并不稳定。例如，同一位被调查者填答两次相同的问卷可能会得到不同的结果；是否有人监督、问卷发放者的身份、以及调查是否关涉自身利益等，这些因素也显著影响着被调查者的问卷填答情况。而我们无法通过观察等客观手段对问卷的信度进行监测，以确保收集到他们真实的想法。此外，问卷设计的合理性也极大影响了可靠数据的回收。一些研究者希望通过一次问卷调查尽可能多地收集信息，在设计问卷时，未考虑问卷篇幅的科学性，也未设身处地地感受被调查者填答问卷时的心理状态，经常出现一份问卷包含上百甚至几百个问题的情况。通过这样的问卷收集而来的数据，其信度是存疑的。一项量化研究的论证依据与结论建立在调研数据的分析之上，常有学者用“Garbage in, garbage out！”来形容数据品质对量化研究的重要性，即如果你收集回来的数据质量（指数据的信度、效度）很低，则不论你使用何种分析方法，得出的研究结论都将无法令人信服。因此，能否收集到人们的真实信息与想法，并合理地将其转化为可信和有效的数据，是进行规范、科学的量化研究的基础，同时也是得到可靠结论的重要保证。（四）量化研究者容易陷入数据的泥沼学术发表在很大程度上象征着一位学者的科研能力与声誉，且与其职称评定、晋升、薪酬待遇等一系列现实问题有着千丝万缕的联系。在教育领域推崇实证研究的当下，逐渐有些研究者，特别是一些研究新手开始注意到基于数据（尤其是大样本数据）撰写的文章在学术发表中的优势：量化文章在部分教育期刊中的比例逐渐增加，有了数据的论证，论文可能更易发表；相比哲学思辨而言，运用基于数据的量化分析方式撰写文章的门槛较低；量化研究更关注教育领域中的现实问题，很多研究成果被采用为政府决策的依据，这为研究成果和研究者带来更高的社会关注度和认可度。这些特点使得部分研究者对数据的收集与运用趋之若鹜，也因此时常容易陷入数据的泥潭：倾向于探究能够用数据分析和回应的教育问题，对于教育领域中不可操作化的理论或伦理问题不感兴趣，也束手无策；将数据作为“原材料”，企图通过“概念-属性-变项-测量-因果关系-统计”这一套特定程序，解释其所研究的所有教育问题；只看到数值及其之间关系的测算与内涵，将教育研究对象抽离出具体的历史-文化情境，使其成为“没有历史”的人与物。另一方面，量化研究者希望从数据出发，让数据为现实发声，但这需要建立在对数据科学严谨和实事求是的处理、分析与解释之上。然而，在测量、探索变量关系等环节，部分研究者的量化操作却并未严格遵守统计要求或学科研究规范。他们忽视数据特点，简单套用各种统计方法，极度关注统计结果的“价值性”；操纵甚至篡改原始数据，直到获得各项指标良好的模型和符合其预期假设的统计结果。这样“数据至上”，却又随意对待数据的行为，是一种典型的为了发表而研究，缺乏信仰和思想，没有精神、没有灵魂、没有价值追求的“投机行为”。（五）量化研究者热衷于使用“高级”统计方法由于数理概率理论提供统计学科学的基础，以致统计学连带地提供了社会学量化研究以科学的基础。依据此认知模式，数理统计得以被“正当化”为科学。在自然科学研究中，越高级的技术越有利于揭示复杂、未知的科学问题，以此类推，数理统计作为量化研究在教育领域中的分析工具，这是否意味着，越繁复和高阶的统计方法就越有利于分析深奥的教育问题，或是将问题分析得愈深刻呢？但事实似乎并不是这样。部分教育研究虽然运用了回归分析、结构方程模型等看似“高级”的统计方法，但其要处理或说明的问题，其实使用较为简单的交叉表分析或差异分析等“普通”方法就能解决，因为基础与高阶的统计方法之间往往存在着部分相似的功能。但当前许多量化研究者却乐于“化简为繁”，倾向于使用复杂而不是简单易懂的统计方法来分析问题，以使研究过程看起来更有深度，结论更具“科学性”。然而，方法的“精进”并无助于厘清事实或揭示更深刻的道理。在教育研究中，同时运用基础或高阶的统计方法，得出的结论别无二致的情况时有发生。“给小孩一根铁锤，他会发现，任何他看到的东西都需要给它一锤。”科塞（Coser L A）用这个有关工具的法则讽刺20世纪70年代那些热衷于使用当时被视为“先进”的结构方程模型等量化社会学家的做法与想法——以为严谨而复杂的方法即是具备了刚性科学的特质，因此可以克服理论上的薄弱。仔细阅读教育类量化文章会发现，研究者使用“高级”统计方法，通常建立在将量表“数学化”操作的基础上，它意味着数轴上的每个数字都具有内涵，且每位选择同一数值的被研究者的态度都是一样的，但这样精细的“数学化”操作可能并不恰当。这一量化研究的客观性与教育研究的主观性冲突，笔者已在上文进行了详细阐述。在数值意义尚未明晰的前提下，“精深”的统计方法或精巧的计量模型无法增加研究的价值。另一方面，“高级”统计方法是易复制的，片面追求“高级”统计方法的技术主义倾向无助于学科知识的积累，也背离了“研究方法始终应为研究问题服务”的初衷。三、结论与反思在教育领域推崇实证研究的当下，定量研究由于其数学化的“科学”特性而备受关注。但教育研究的主观性与量化研究的客观性之间的冲突、量化研究的表层化倾向、调研数据的难以确信、部分研究者对“数据”和“高级”统计方法的偏执，这些都表明：将定量方法运用于教育研究领域应当是谨慎的。所以，我们应该始终明晰对教育研究怀抱着的期待。为了把社会学推进以物理学为典范的“科学”殿堂而一味向自然科学的认知模式倾斜，将只是一种东施效颦的作为，更是一种自我矮化与异化的行止。鉴于教育研究情境和研究对象的复杂性，我们不能迷信问卷调查和统计方法。但不可否认的是，他们的确是教育研究方法体系中非常重要的数据采集与分析工具，服务于教育研究目的，有助于提示教育活动或现象的特点和规律。所以，我们也不能因噎废食，应在深刻意识到量化研究方法局限性的同时，更慎重地使用它。量化研究中的教育测量需要还原被调查者最真实的想法与状态，这意味着研究者要忠实于被调查者的选择和测量结果的宽松尺度，对数据的解读保持谨慎的态度。如将量表的数值作为有序变量进行操作与分析，而不是一味追求精确的数字化表达，也许这样更有利于探寻教育行为和现象背后的现实意义与内涵。此外，对量化研究浅层化的诟病一定程度上源于部分教育研究者对量化研究方法的不当使用，且量化研究的数据收集、处理与分析过程绝大部分在私下进行，往往不为人所知，这导致人们无法监督和检测其分析过程和研究结论的科学性。因此，我们应掌握扎实的问卷设计、数据处理与统计分析方法，严格遵守量化研究程序，对数据与客观事实始终保持敬畏之心，科学地操作数据，谨慎地解释结论，以此提高教育研究中量化研究方法的价值。同时加大对量化研究中学术不端行为的伦理审查与惩戒力度，遏制“为了发表而发表”的形式主义。最后，教育研究的成功取决于研究人员在遵守基本研究原则的背景下，对其研究实践的不断反思。所以，最重要的是，在量化操作的过程中，我们不能只关注数据和计算而牺牲了思考，漠视数字背后“人”的内涵。量化研究方法的价值与局限性也提示我们，作为一名教育研究者，我们不仅要具备较完善的量化研究能力，还需重视对哲学思辨能力的培养，对于它的重要性，孔德早就做出了预判：如果缺乏某种既定的思辨观念作一贯的指引，那么人的才智就绝不可能组织、甚至不可能收集必不可缺的材料。作者蔡红红，华东师范大学高等教育研究所博士研究生，上海200062原文刊载于《中国高教研究》2020年第9期第61-65页教育研究方法研究中国高教研究投稿平台：http://editor.cahe.e.cn/中国高等教育学会学术立会 服务兴会 规范办会 创新强会网址：https://www.cahe.e.cn/【来源：中国高等教育学会】声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。 邮箱地址：newmedia@xxcb.cn

用户调研得来的数据该如何处理？笔者在本文给出了敏捷量化分析方法，可供同学们参考并交流。上一篇文章讲了B端用户调研的一些灵活方法，当收集到用户调研的数据之后，接下来就是做问题的整理、分析和优化了。实际工作中，用户调研阶段可能会已经花费了较长的时间，出于对时间成本、工作进度、问题时效性等多方面的考虑，总是希望能尽快的输出一个用户调研数据结果，给产品的迭代优化提出改进方向和计划。本问将会讲一种简单迅速的处理用户调研问题优先级的量化方法。一、用户调研数据分析思路数据收集整理→问题优先级排序→解决方案设计→解决方案的优先级排序二、步骤详细说明第一步：数据收集整理关于用户调研的数据收集、整理，每个企业、团队、产品经理等都有自己的记录分析的方法和规范体系，为了方便最后的敏捷量化分析，数据的收集整理请注意以下几点：团队内建立一个问题识别的规范体系，更加快捷地识别问题的严重性；标注出问题发生在哪里，如屏幕、模块、用户界面组件、流程等；清楚用户反馈问题时，正在参与的具体任务；一个简洁的问题描述。《量化用户体验》的参考示例表格：“1”代表此用户出现此问题，“0”代表没出现。第二步：问题优先级排序先来说一下，问题严重性评分的几个影响因素：任务的关键性：任务的未完成对业务及用户产生的影响；问题发生频率：在不同的参与者中这个问题发生了多少次；问题的影响：对于用户顺利完成任务的影响程度。具体优先级分析步骤：1）给测试中的每个任务设立关键性评分K。根据任务对于业务或用户的重要性来设置分值，可以结合实际工作情况，合理安排分支区间。我们实际工作中按5分制，即1、2、3、4、5。2）给任务中出现的每个问题，设立影响力评分I。参考标准一：5分：该问题阻碍了用户完成任务（障碍）3分：该问题导致用户产生挫败感或者延误任务的完成时间（严重）2分：对于完成任务的行为表现产生较小的影响（轻微）1分：参与者提出的建议（建议）参考标准二：5分：影响任务完成的行为3分：导致用户“偏离航线”的行为2分：用户表达出来的挫败感1分：用户说自己完成任务但实际未完成3）计算问题发生频率F=问题反馈人数/用户总人数。4）计算问题综合严重性评分S=关键性评分K*影响力分值I*发生频率F，并按评分S进行由大到小排序。对前面的表格进行优化后，示例如下（仅以两个用户示例）：模板下载详见文末，计算过程已在Excel加入公式自动实现计算操作（包括根据添加用户数量自动计算F，根据F自动计算S=K*I*F）。第三步：解决方案设计注意：有时解决方案十分明确，或者只有1~3种解决方案，可以通过综合考虑业务逻辑、交互体验、研发成本等方面问题，就可以确定解决方案，而不需要精确的数据化分析。但是当问题没有那么明显或者存在多种解决方案时，为了降低做出错误设计的风险，可以设计多种备选方案，分析选取最佳方案。对于每个问题，需要准备大量的解决方案（注意与开发、设计、需求、业务等成员合作讨论）。重新整理解决方案，确保描述具体详细。标记出方案可能解决的其他问题：在实践中，一个好的方案可以解决多个问题，好的解决方案是通用的。第四步：解决方案的优先级排序计算效力值E=解决问题1关键性评分*自定义加权数+解决问题2关键性评分*自定义加权数+…量化解决方案复杂度C（团队评估出的每个解决方案的复杂度）计算投资回报率（RIO）=效力值/复杂度（E/C）三、视觉工具(便利贴、白板等)——分析方法作为设计师或者产品经理，大家更喜欢团队人员，在一个会议室，使用便利贴或者白板来工作，这样分析更加方便、有趣、直观，也便于团队内部之间的合作。如下图：四、分析方法选择视觉工具分析快速随性，可以促进团队之间的协作，但也可能降低数据的准确性。敏捷量化的分析方法，数据直观，更方便整理问题排序。所以，要根据实际情况，选择最符合自己产品特点、用户调研方法、用户量和调研目标的方法。五、注意事项对于优先级的理解需要注意的是，根据上述方法得到的问题优先级排列是用研人员基于用户的测试而给出的参考结果，结果也可能会因为样本选择、统计方法等因素而出现误差。所以，这个优先级顺序并不是产品开发的实际优先级顺序。所以，用研应该和公司相关业务、运营、开发等成员，一起从用户的角度来理解这些问题的重要程度，再由相关人员决定实际的优先级排次序。使用的局限性在优先级阶段我们只关注了可用性问题，用户在测试过程中表现出来的态度以及行为并未涉及到。可以选择分开记录这类数据，使用它来补充和平衡测试结果。但是，我们在实际工作中，远程测试居多，也可以通过用户语气、停顿时间等做记录。在可用性测试中，当用户提到产品的某个或某些优点时，我们同样需要记下来，并在事后的报告中提及，特别是一些被多次提及的优点。有利于可用性测试等用户研究后续的合作、沟通；重视用户提及多的优点，为后续迭代做参考。六、最后陈述定性研究数据的分析还有许多种方法，本次只是分享了一种比较敏捷的量化分析方法，希望对大家的工作有帮助，更期待大家“批阅”后多提意见！模板下载链接：提取码：8ziz本文由 @Ace-老糊 原创发布于人人都是产品经理，未经作者许可，禁止转载。题图来自Unsplash，基于CC0协议。