序數數據：定義、示例、收集和分析

公司在數據工具上投入更多，以幫助他們的營銷團隊做出更好的決策。

但營銷需要的不僅僅是數據和分析工具來實施有效的營銷策略。 他們還需要了解他們收集的數據類型以及如何分析數據以獲得有意義的見解。

這涉及回歸基礎並理解序數數據，這是一種關鍵的營銷數據類型。 本文將探討序數數據以及它如何為數據驅動的營銷決策提供信息。

客戶滿意度水平是序數數據的一個示例。 它的變量可能是：

• 很滿意
• 使滿意
• 中性的
• 不滿意
• 非常不滿

使用有序數據，您可以計算變量的頻率、分佈、眾數、中位數和範圍。

定義了序數數據後，您可能想知道其他數據類型，例如名義數據、區間數據或比率數據。 它們與序數數據有何不同？ 以下是一些快速定義：

• 名義數據是一種數據分類，其變量具有一組有限的值和未排序的類別。 使用名義數據，您可以衡量就業類型等變量，這會產生多種結果，例如自由職業、全職或混合工作。
• 區間數據是一種數據，其中兩個值之間的區間不是常數。 間隔數據以多種方式出現，例如，當測量時間間隔時或當兩次測量之間的差異發生變化時。 表示區間數據的最常見方法是使用一個表，其中包含每個範圍的上限和下限的列。
• 比率數據是一種用於統計分析的數據。 比率數據不提供有關它所代表的值的任何信息。 此信息必須從比率數據引用的其他來源獲得。 它通常用於財務信息的分析，但也可以應用於其他類型的數據。

序數數據的5個例子

序數數據以不同的格式出現。 以下是序數數據的一些示例，以及如何將其與您的業務策略同步以改進您的數據管理工作。

1、興趣層次

無論您已經將產品推向市場還是為現有產品引入新功能，您都需要進行市場調查以提出問題以衡量目標受眾的興趣。

市場研究涉及分析定性和定量數據，以了解客戶需求、他們的購買夥伴以及他們向您購買產品的動機。 這些見解可以幫助您改進未來的營銷活動。

例如，如果您定期主持會議，調查可以幫助您了解您的表現如何以及您的與會者是否想再次參加會議。 以下是興趣級別數據的示例：

資料來源：SurveyMonkey

您提出的問題將揭示潛在客戶對您的產品或服務的興趣程度。 興趣水平從不感興趣、稍微感興趣、中性到非常感興趣。

2.教育程度

這種類型的序數數據可以深入了解目標受眾的熟練程度。

教育程度可能會詢問您的目標受眾是否接受過不同程度的正規教育，例如高中、大學和研究生。 您可以通過為每個級別分配數字來收集此數據，例如 1 表示沒有接受過正規教育，2 表示小學教育，依此類推，直到 10 表示獲得博士學位。

在招聘過程中使用分析來幫助您評估潛在候選人的工作申請時，教育水平數據會派上用場。

教育水平的數據可以幫助您做出強有力的預測，了解未來應僱用誰來支持公司發展、應將招聘工作的重點放在何處，以及為特定職位尋找合適的候選人。

如果您經營一個銷售團隊，評估團隊成員的教育水平可以讓您知道如何支持他們的職業發展目標。 這樣，您就可以建立一支高績效的銷售團隊並提高保留率。

三、社會經濟地位

了解目標受眾的社會經濟狀況有助於根據他們的人口統計和心理特徵創建和優化您的客戶群。

然後，您可以在運行滿足他們需求的個性化營銷活動時依賴這些細分市場。 B2C 目標受眾的社會經濟狀況的有序數據包括性別、地點、家庭收入、婚姻狀況和年齡。

另一方面，B2B 目標受眾的數據包括年總收入、業務增長階段、員工人數、市場地位和行業類型。

4.滿意度

滿意度水平反映了您的客戶對不同品牌互動的滿意度。 例如，您的客戶入職流程或您解決不同客戶問題的能力。

客戶滿意度可以表示為非常滿意、滿意、不滿意或非常不滿意。 滿意度水平數據可幫助您衡量客戶服務和銷售處理的滿意度，以確定需要改進的地方。

以下是 Buffer 進行的產品市場契合度調查中的滿意度數據示例：

資料來源：緩衝區

有了這些數據，該公司可以判斷 Buffer 的 Power 調度程序對他們的客戶有多有用，這意味著該產品非常適合他們的用戶。

5.比較

這涉及提出問題以揭示兩個或多個數據點之間的異同。 一旦確定了相同點或不同點，您就可以了解哪些特徵相似，哪些不同，以及它們不同或相似的程度。

例如，您可能想要比較 2021 年到 2022 年的收入表現。您的比較將產生每年收入顯著減少、大致相同、更多和顯著增加的結果。

有了這個，您可以衡量宏觀經濟和行業趨勢，並調整您的策略以適應您的預算流程以控制支出。 您甚至可能決定更進一步並比較行業趨勢，以便您可以創建報告和撰寫思想領導力內容來提高品牌知名度。

如何收集序數數據

如果您要求某人按照 1-5 的等級對他們的滿意度進行評分，他們的回答將是有序的。 您可以使用調查軟件通過調查或李克特量表收集這些數據。

調查是收集有序數據的最古老方法之一。 您可以使用調查來確定目標受眾對產品、主題或與您的品牌、產品或服務相關的特定問題的感受。 您可以使用多種方法進行調查，包括親自、通過電話或在線。

然而，通過調查，很難從不想誠實回答問題或不了解問題的人那裡收集準確數據。 調查還需要研究人員花費大量時間來創建、驗證和分析它們。

李克特量表是一項調查，要求參與者同意或不同意調查中的每個陳述，例如，“我非常不同意”。 然後，參​​與者根據他們對陳述的感受和同意程度為自己分配一個答案。

李克特量表提高了分析過程中的清晰度，因為受訪者在具有明確定義的間隔的有序量表上給自己打分，例如，1-7 的量表。

要收集有序數據，您必須使用隱式或顯式尺度對答案進行排名的問題進行調查。 例如，如果您公司網站的訪問量很大，您可以使用企業網站反饋工具來收集您網站的反饋。 問：

“您對剛剛閱讀的博客文章是否滿意？”

可能的答案可能是：

• 快樂的
• 不開心
• 使滿意
• 不滿意

使用序數數據進行的測試

您可以對有序數據進行多項檢驗，以衡量兩個或多個組之間的差異。 這些測試包括：

• Kruskal-Wallis 測試
• Mann-Whitney U 檢驗
• Wilcoxon 秩和檢驗
• 情緒中值檢驗

序數數據是一種將值從最小到最大排列的數據類型。 換句話說，序數數據是排名或排序的。

Kruskal–Wallis H 檢驗

Kruskal-Wallis 檢驗是一種非參數檢驗，用於比較三個或更多獨立組的中位數。 當數據不是正態分佈且組間方差不相等時使用。 Kruskal-Wallis 測試還可以比較兩個依賴組——網站重新設計前後的圖片。

曼-惠特尼 U 檢驗

Mann-Whitney 檢驗是一種非參數檢驗，用於比較兩個獨立樣本的中位數。 當有順序數據時可以使用它，例如從 1 到 5 的等級，或者當數據中沒有明確的組時。

Wilcoxon 符號秩檢驗

Wilcoxon 符號秩檢驗是一種非參數檢驗，可用於具有或不具有正態分佈的數據集。 在數據不呈正態分佈的情況下，它是 t 檢驗的替代方法。

運行 t 檢驗時，假設數據的基本分佈是正態的，但這個假設可能是錯誤的。

例如，在測試兩組之間的身高差異時，假設一組的平均身高為 180 厘米，另一組為 170 厘米。 你不會看到他們的身高有任何顯著差異。

但是，使用 Wilcoxon 符號秩檢驗，您可以看到他們身高的常規差異之外的情況。

Mood 的中值檢驗

該測試基於這樣一個前提，即人們的情緒集中在一個中值點附近，其中一些情緒比其他情緒更積極或更消極。 Mood 的中位數測試通常衡量個人對某個問題或想法的感受，例如您的客戶對您的產品或服務的看法。 它可以根據他們的情緒預測行為，例如您的客戶是否會向您或您的競爭對手購買。

如何分析有序數據

有兩種分析順序數據的方法：推理統計和描述統計。

描述性統計總結數據集的特徵並識別模式。 以下是序數數據的描述性統計數據：

• 頻率分佈
• 集中趨勢的措施
• 範圍（可變性的度量）

另一方面，推論統計根據您擁有的數據預測未來可能發生的事情。 您可以使用序數數據來收集見解、創建假設，甚至通過上述四種測試得出結論。

Kruskal-Wallis、Mann Whitney U 和 Wilcoxon 符號秩和檢驗都分析序數數據。 它們都是非參數檢驗，這意味著它們不依賴於任何關於數據分佈的假設。

描述性分析

描述性分析收集、分析和報告有關已發生事件的數據。 這不同於預測分析，後者根據歷史數據預測未來事件。 描述性分析幫助企業識別過去的模式，以改進他們未來的決策。

在描述性分析中，目標是在現有數據中找到模式，而不是預測未來會發生什麼。 描述性分析旨在找到過去事件之間的因果關係，並使用這些關係來預測未來事件。

與其他分析方法不同，描述性分析可以隨時與任何可用數據一起使用。 這使得資源不足的小型企業更容易訪問預測模型或其他方法所需的大型數據集。

圖表

條形圖和圖形以易於理解的方式呈現數據。 當數據太大或太複雜而無法在表格中顯示時，它們很有用。 您選擇的圖表類型取決於您要傳達的信息量、數據維度和您的受眾。

條形圖將信息顯示為長度與其值成正比的條形。 當數據是分類數據時使用它們，這意味著它屬於特定的組。 這是呼叫中心的條形圖，顯示每個工作日響應所需的時間：

資料來源：數據松

當您希望您的受眾能夠輕鬆比較值時，它們是一個不錯的選擇。 與數字相比，條形圖更直觀、更容易理解。 也可以將條形與線條或其他圖形（如散點圖、直方圖或餅圖）結合使用。

當數據具有有序值時使用折線圖。 這些圖形使用線連接兩個軸上的點，兩邊的比例相同。 這些線可以是實線或虛線，並且可以從任一軸上的任意點開始。

這些線代表隨時間的變化，例如股票市場每天如何波動或能源成本如何逐年變化。 以下是使用折線圖可視化的 12 個月內每月入站銷售線索的示例：

集中趨勢的措施

集中趨勢是一組數字的平均值。 它衡量數據集中的數字圍繞其均值聚集的緊密程度。

集中趨勢的三種主要類型是均值、中位數和眾數。 最常見的集中趨勢度量是算術平均值，計算方法是將數據集中的所有值相加，然後將該總和除以該數據集中值的數量。

中位數也可以用作計算集中趨勢的替代方法，只需在將所有數字從低到高排列後找到數據集中的中間值。 眾數是一組中出現次數最多的值。

要點

序數數據比名義數據更複雜，通常用於衡量興趣。 Likert 量表是一個流行的序數數據示例。

使用此處提供的一些真實示例來激發您自己的調查數據收集。 在此過程中，了解有關輪詢及其如何幫助收集數據的更多信息。