在線評論研究方法

1. 評論會如何影響銷量嗎

來自青鏡評論的研究報告顯示：
定性研究：評論的影響機制可以用交易成本經濟學和市場理論來解釋。
Williamson(1979)提出的交易成本理論為理解評論影響奠定了基礎。根據這一理論，交易成本是指消費者在對產品進行評價時，由於信息和認知能力有限而產生的一種參與市場的經濟交易成本。
商品的在線交易可能包含不確定性，因為產品描述可能無法提供足夠的信息，因此在購買和體驗產品之前無法准確地評估產品的質量(Nelson, 1970)。在這種情況下，高水平的不確定性，由於信息不對稱導致的意外結果的成本，意味著較高的交易成本，導致產品的銷售下降。
交易成本理論認為體驗商品所產生的不確定性會阻礙消費者的購買決策，因而消費者引入了相應的行為來抵消不確定性(Berger & Calabrese,1975)。由於缺乏對產品的知識，消費者傾向於從事減少不確定性的工作，以減輕與不確定性相關的風險。在這種情況下，消費者傾向於盡可能多地搜索可用信息。網站上有用的信息可以很大程度上影響購買決策。該理論與交易成本理論相結合，為理解網路評論的機制奠定了基礎。

因此，電商平台Amazon、天貓等的消費者在線評論功能有助於其他新消費者確定產品的價值和質量。消費者發布的餐廳點評成為其他潛在客戶的重要信息來源。D2C品牌通過收集老消費者的消費反饋和評論，並將這些評論內容積極地展示給新顧客了解和查看，以此來增加銷量。因此，在線評論可以誘導信任，緩解信息不對稱，降低購買決策所導致的交易成本，從而間接增加銷售。

2. 網頁設計在線評論怎麼設計啊

這樣的網站內很多啊，你可以看看新浪裡面是怎麼搞的，參考一下！

3. 企業網路營銷效果評價方法的研究

企業網路營銷效果當然是最後成單多少，品牌影響面有多廣，不同行業數據屬性可能不通。
但是網路營銷關鍵起到一個信息的傳遞，不同於電子商務，所以過程非常重要，過程影響結果。這個過程包括：有效客戶咨詢量的多少。
能夠帶來客戶咨詢量必然會有很多網路營銷的分支做支撐：包括流量、瀏覽量、網站被收錄情況、域名問題、客戶網站體驗、在線服務、離線跟蹤情況等等的考量。
估計你說的是最後一部分，你可以在這個基礎上繼續細分後寫。
http://hi..com/hero8403/blog/item/4cbcff38a71ce6c3d5622584.html

4. SEO在線評論技巧，你應該關注幾點

SEO在線評論技巧，一共需要關注6個點：

詳細推薦閱讀3、4、5，推薦理由如下：

• 評論前台展現形式

  1.1 最好在頁面 F 區域上半身，添加評論入口

  1.2 不建議使用自動瀑布流，可以使用翻頁，或者，選擇點擊載入更多的形式

  1.3 最好能用格式化呈現方式

  1.4 易於用戶閱讀和蜘蛛載入爬行即可

• 評論後台代碼要求

  2.1 在源代碼里要顯示評論文字內容

  2.2 不能直接放到「JS盒子」里，搜索引擎爬行不到的

  2.3 實時更新出來

  2.4 要有審核功能，否則，後端運營很麻煩

• 頻率維護規則設計

  3.1 評論可以激活和延長頁面生命周期，所以，要有新評論產出最好

  3.2 與運營和產品溝通，站內要吸引用戶產生評論

  3.3 重點關鍵詞，賣的好的產品/服務，要固定頻率想辦法給予和激勵評論

• 評論內容過濾優化

  4.1 不文明字眼要屏蔽，不要讓搜索引擎爬行

  4.2 評論「垃圾筐（呵呵，差不多，常用口頭禪等）」，要過濾掉，不要讓搜索引擎爬行

• 評論頁面 SEO 公共元素遵守

  5.1 評論首頁，列表頁，詳情頁，篩選頁，標簽頁要做好 SEO 基本元素優化

  5.2 要符合起源演算法的要求，這一點很重要

• 關於 SEO 在線評論的一些思考

  6.1 目前很多評論都是文字形式

  6.2 語音形式其實更棒，那麼如何優化，其實等待大家研發和思考

  6.3 如何給評論內容賦能，獲取更多流量資格

  6.4 SEO 在線評論 更多垂直內容如下圖所示

5. 網路課程的評價方式有哪些

網路課程的評價方式如下

1. 在線學習的認證標准。這是一種被評價專家認為是確定合格最可靠的標准參照法之一，因為它是基於命題專家們的綜合判斷。它要求專家審閱每一項，確定每一項指標的得分概率。這些概率的平均值乘以項目總數，其結果就是最底限度的得分。最終的合格線是基於這種綜合判斷和平均標准誤差的計算。最後，對每項得分計算各種分析和可靠性指數。

2. 虛擬學習環境的教育評價框架。一種是 Lanrillard 提出的會話模型(The Conversational Framework)，主要把教師和學生、學生之間以及學生與環境通過媒體進行交互的活動情況作為評價對象，從所提供的各種學習工具的交互性上考察一個虛擬環境的優劣。

3. 在線學習質量。

4. 數字學習框架。

5. 數字學習課件認證。

   
   

6. 消費者認為怎樣的在線評論更有用

(一)在線評論有用性相關研究述評
在線評論對於消費者決策影響是一個極微妙的復雜過程(Chen et al.，2009；Lee & Lee，2009)，有用性理論概念捕獲在線評論對於購買決策的勸說效果與潛在價值，也有一些文獻使用有效性(effectiveness)(Cheung & Thadani，2012)、勸說能力(persuasion)(Schlosser，2011)等類似表述，在實證研究中既有採用二手客觀數據(Cao et al.，2011)，也有收集實驗或問卷數據(Connor & Mudambi，2011)。在線評論有用性研究注重從微觀層面探討「消費者認為怎樣的在線評論更有用？」這一核心問題(Korfiatis et al.，2012；Pan & Zhang，2011)，研究成果會有助於理解在線評論與消費者決策之間影響關系的理論機制(Ghose & Ipeirotis，2011；Zheng et al.，2011)。
在文獻綜述與深度分析基礎上，本文認為現有的在線評論有用性研究主要從以下兩個方面展開探討。
首先，與已有在線評論與銷售情況聚合影響研究類似，在線評論有用性研究大多集中在評論的內容特徵，包括星級評分②/極端性(Korfiatis et al.，2011；Mudambi & Schuff，2010；邱凌雲，2008)、評論長度(Zhang et al.，2010；Mudambi & Schuff，2010)、正向/負向陳述(Cheung et al.，2009；Connors & Mudambi，2011；Schlosser，2011)，上述特徵相對客觀且較易測量。Mudambi和Schuff(2010)發表於MISQ研究論文明確界定在線評論有用性概念，借鑒信息經濟學與決策不確定性理論框架，基於Amazon數據的計量模型分析表明評論極端性(星級衡量)、評論長度對在線評論有用性具有直接影響，並且考察搜索型與經驗型產品的調節效應。Zhang等(2010)運用計量模型分析，在控制消費目的情況下，表明正向/負向陳述(以星級評分衡量)、評論長度對於在線評論勸說能力(以亞馬遜有用性投票衡量)有著顯著性影響。郝媛媛、葉強等(2010)在擴展Ghose等學者的研究基礎上，從文本特徵出發探索影響在線評論有用性的因素，並以影評數據進行實證分析。
另一方面，較少文獻發現在研究評論的內容特徵之外，需要進一步考察「誰發表的在線評論更有用」的問題(Connors & Mudambi，2011；Forman et al.，2008；Hu，2008；Pan & Zhang，2011；孫春華、劉業政，2009)。Forman等(2008)、Ghose和Ipeirotis(2011)基於在線數據實證研究表明：評論者特徵—身份信息、評論者排名、已發表評論數量等，會積極地影響消費者對於在線評論的有用性評價，並更加顯著地影響產品銷售情況。Hu(2008)以交易成本經濟學理論研究在線評論有效性問題，發現消費者不僅關注在線評論的星級，還會受到評論者在網路中表現的專家身份、活躍程度等因素影響。Connors和Mudambi(2011)通過實驗研究得到類似結論，評論者在網路中表現的專家身份會影響其發表評論的有用性評價。上述初步的實證結果與社會心理學的說服理論是較為一致的，亦即表明信息源會影響信息接受者對傳播信息的感知價值與接受程度(Bhattacherjee & Sanford，2006；Stephen & Lehmann，2012；Forman et al.，2008)。
表1梳理並分析上述在線評論有用性的重要文獻，進而清晰地了解影響消費者對於在線評論的有用性評價的關鍵因素。
綜上所述，已有研究集中在評論的內容特徵，評論者視角因素關注不夠，特別是幾乎沒有考慮評論者社會性因素的影響效應。然而，電子商務、第三方評論網站在不斷豐富社會化功能，更加凸顯現有研究忽略社會性機制在評論有用性影響中的重要角色，這既是現有研究空白點，也是本研究的理論貢獻所在；另一方面，現有文獻在評論有用性影響因素選擇大多是啟發式分析方法(Wang et al.，2011；Connors & Mudambi，2011；Pan & Zhang，2011)，缺乏具有共識性的參考理論。針對這一局限，本文選擇社會心理學領域的信息傳播與說服理論為模型構建的理論分析框架，下述(二)將會簡述說服的雙過程模式及相關研究。
(二)說服的雙過程模式
說服是信息傳播與處理的最基本形式之一，被定義為個體接收別人發出的信息而產生態度或行為的改變，一直是社會心理學研究的熱點領域(Bhattacherjee & Sanford，2006；郭鎮之、徐培喜，2006)。在眾多說服過程模式中，啟發—系統式模型(Heuristic-Systematic Model，HSM)、精細加工可能性模型(Elaboration Likelihood Model，ELM)是兩個最具代表性的雙過程模式(Chaiken，1980；Petty & Cacioppo，1986)，被廣泛用於廣告營銷、消費者行為、知識管理等領域研究。HSM、ELM在信息處理及態度改變方面給出類似解釋機制(Angst & Agarwal，2009；Cheung et al.，2009)：HSM的系統式處理、ELM的中心路徑表明個體會對接收的信息仔細地、系統化分析，精心考慮是否接受信息所包括觀點，進而導致態度改變；HSM的啟發式處理、ELM的邊緣路徑表明個體根據信息的某些情境線索，運用簡單決策規則來形成判斷，進而決定是否接受說服。
在信息系統研究領域，Sussman和Siegal(2003)較早地將ELM模型應用於在線信息溝通情境，提出了信息接受模型(Information Adoption Model)。該模型首次定義了「信息有用性」理論概念，並且認為信息內容質量、信息源可靠性是影響接收者感知信息有用性的直接因素。
之後，不少文獻開始運用說服的雙過程模式分析、理解互聯網環境下用戶處理信息進而影響決策的過程(Cheung et al.，2012；Chu&Kamal，2008；Zhang et al.，2010；張子坤，2010)，從而表明說服的雙過程模式能夠為探討在線評論有用性問題提供具有適用性的參考理論框架。
三、理論模型與假設
根據文獻綜述，已有研究較多集中於在線評論的內容特徵，包括客觀定量特徵、定性文本因素等，也缺乏較為一致的理論分析框架。以說服的雙過程模式為分析框架，消費者對於在線評論的有用性評價可以視為信息處理與態度改變過程，本文從評論內容特徵、以及評論者特徵兩方面考察評論有用性的影響因素，並注重分析其中社會性因素的影響效應。因此，本文在考慮評論的內容特徵之外，借鑒從眾效應、社會網路等理論視角，著重研究與平均星級差異、評論者因素影響在線評論有用性的社會性機制(圖2所示)，從而彌補已有研究的不足之處，期望做出較大的理論貢獻。
(一)評論長度
ELM及相關研究表明，消費者在進行購買決策時，所能獲得的產品質量、商家信譽等信息往往是不完全的，需要通過信息的搜尋來降低消費的不確定性(Petty & Cacioppo，1986；Sussman & Siegal，2003)。Chevalier和Mayzlin(2006)實證研究表明，評論長度暗示消費者會閱讀具體評論內容，而不僅依賴於查看評論星級的匯總數據。評論長度可能會刺激評論閱讀者仔細瀏覽，加深或改變原有的態度，提高對產品或服務的認知度，抵消用戶的不確定性(Mudambi & Schuff，2010)。若是信息獲取不需要額外的搜尋成本，評論長度帶來的信息診斷力增加會更加有益於大眾消費者(Johnson & Payne，1985)，進而提升消費者對該條評論的有用性評價。因此，本文提出如下研究假設。
假設1a(H1a)：在線評論長度與消費者對其有用性評價之間是正向相關關系。
另一方面，認知負荷理論(Cognitive Load)假設人類的認知結構由工作記憶和長時記憶構成，工作記憶容量是有限的，一次只能存儲、處理較少的信息(Sweller，1988)。為了使加工得以順利進行，當前進入工作記憶的信息量不能超過工作記憶容量。否則，就會引起認知資源的分配不足，從而影響個體學習或問題解決的能力，此種情況就成為認知超載(cognitive overload)。當消費者閱讀在線評論時，他們在工作記憶之中處理信息，評論長度是表徵認知負荷的關鍵指標之一(Gan et al.，2012)。由於工作記憶的有限容量，盡管在一定范圍內，豐富的評論信息會有助於消費者購物決策。但是，一旦評論信息的處理需求達到工作記憶的上限，那麼就會造成消費者的認知超載，並且使得人們難以較好地進行決策制定。因此，我們可以得出如下研究假設。
假設1b(H1b)：在線評論長度超過一定范圍時，與消費者對其有用性評價之間是負向相關關系。
(二)與平均星級差異——從眾效應
從文獻綜述來看，評論星級(包括極端性)幾乎是所有研究均會探討的客觀特徵，眾多學者從信息診斷力(diagnosticity)、信息源可信度等理論視角進行了相當多理論與實證探討(Wu et al.，2011；Zheng et al.，2011)，並且考慮了產品類型的調節作用(Mudambi & Schuff，2010)。從信息診斷力視角出發，不少研究大多認為相比較極端正向或負向用戶評論而言，中間態度、觀點表達不明晰的在線評論會被認為缺乏信息增加值，對於購物決策的影響價值有限，進而會被消費者給出較低的有用性評價(Forman et al.，2008；Pavlou & Dimoka，2006)。因此，本文可以提出如下研究假設。
假設2a(H2a)：與平均星級差異(正向、負向)和消費者對在線評論的有用性評價之間是正向相關關系。
另一方面，有用性評價實際是通過社會化投票機制來組織、應用在線評論。因此，本文與已有研究最大差異在於：基於社會心理學的從眾效應(Conformity)視角，探討單一評論星級與該產品平均星級差異將會如何影響在線評論的有用性評價。從眾效應是社會心理學中社會影響研究的成果，指人們自覺不自覺地以大多數人的意見為准則，做出判斷、改變自身態度與行為的心理過程(郭鎮之、徐培喜，2006)。針對在線評論的社會化投票機制，消費者對於評論有用性進行評價時不僅會考慮評論內容、信息源等因素，也同時會受到其他消費者意見的影響(Cheung et al.，2009)。所以，當單條評論星級與產品平均星級之間一致性程度越高的話，消費者就有可能對於該條評論給出更高的有用性評價。綜上所述，與平均星級差異(正向、負向)較大的單條評論，由於並非代表評論者的共識性意見，在從眾效應下消費者會選擇給出較低的有用性評價。因此，本文提出如下研究假設。
假設2b(H2b)：與平均星級差異(正向、負向)和消費者對在線評論的有用性評價之間是負向相關關系。
(三)評論者特徵——社會網路效應
文獻綜述與分析表明，評論者因素在已有研究中關注不夠，並且主要考察評論者身份信息的影響效應(Forman et al.，2008)，幾乎未曾涉及評論者的在線社會網路，但是在互聯網的社會化發展趨勢下理應加以關注(Smith，2007)。說服的雙過程模式表明，當信息接收者沿著邊緣路徑處理信息時，信息源的可靠性(Credibility)往往是最重要的線索，直接影響信息接收者的基本判斷(Chu & Kamal，2008；Cheung，2009；金立印、王如意，2008)。在概念化層面，信息源的可靠性可以從兩個維度表徵(Bhattacherjee & Sanford，2006；Zhang et al.，2010)：可信任度(trustworthiness)、專業能力(expertise)。
相應地，在線評論的情境下，評論者專業能力、可信任度是影響其發表評論的有用性評價高低的關鍵因素(Wang et al.，2011；於春玲等，2011)，也是消費者進行評價判斷時會採用的重要啟發式規則(Cheung et al.，2012；Cheung & Thadani，2012)。從社會網路視角分析，中心度(Centrality)是分析網路中節點特性分析的關鍵步驟，是衡量個體在社會網路中影響力的重要指標(Smith et al.，2007)，並且在一定程度上反映個體的社會資本(Ellison et al.，2007；殷國鵬等，2006)。譬如，基於Web2.0視頻網站(YouTube)在線數據的實證研究表明，社會網路在用戶創作內容擴散與影響過程起到重要作用，視頻內容創作者所鏈接的訂閱者越多，那麼該視頻易於得到正向評價，並進一步加速視頻內容的傳播與擴散(Susarla et al.，2012)。此外，相關研究表明，個體節點的網路中心度與其可信任感之間具有相當強的正向相關性，亦是高中心度節點社會資本的一種體現(Prell，2003；Wang et al.，2011)。綜上所述，在消費者對用戶評論的有用性評價過程中，評論者的網路中心度將會起到積極的正向影響。因此，本文提出如下研究假設：
假設3a(H3a)：評論者的內向網路中心度與其所發表評論的有用性評價之間是正向相關關系。
假設3b(H3b)：評論者的外向網路中心度與其所發表評論的有用性評價之間是正向相關關系。
信息接收者採用ELM模式的邊緣路徑時，會更多地依據社會線索來處理信息，進而形成判斷(Bhattacherjee & Sanford，2006)。網路曝光度是反映評論者社會線索的關鍵指標，是引導信息接收者做出決策的啟發式規則，會對其所發表評論的有用性評價產生積極影響(Ghose & Ipeirotis，2011；Hu et al.，2008)。群組是在線社區的重要功能，每一群組均有自己的主題及興趣愛好。類似於豆瓣網的在線社區之中，用戶可能會加入不同的興趣小組，進而形成了許多的各自不同、有所重疊的社會網路(Smith et al.，2007)。依據社會網路中「弱連接」理論，群組內用戶間在線關系即為「弱連接」，他們同時保持多樣化的關系鏈接，並在各個社會網路中具有一定的影響力(Ellison et al.，2007)。綜上所述，有理由相信評論者參加群組數量越多，其發表的在線評論會被更多的消費者關注與積極評價。因此，本文提出如下研究假設。
假設4(H4)：評論者的關系多樣性與其所發表評論的有用性評價之間是正向相關關系。
(四)控制變數
為了更好地驗證研究假設，本文還將評論發表時機、評論者經驗能力等相關因素作為控制變數引入模型，電影層面的影響會在計量模型中加以考慮。
在線評論有用性會顯著地依賴於評論發表時機，亦即可否為正在搜集產品信息的消費者提供及時、最新的評論內容(Cheung et al.，2012)。從信息質量視角出發，不少文獻均認為及時性(timeliness)是評論內容質量的關鍵維度，進而影響消費者對於該評論的消費者有用性評價(Otterbacher，2009；Chen & Tseng，2011)。
評論者的另一重要線索是歷史評論數量，它會影響消費者對於評論者經驗能力以及聲譽的判斷(Ghose & Ipeirotis，2011；Wang et al.，2011)。從說服的雙過程模式分析，評論者經驗能力會提升其發表評論的可信度，該評論者發表評論易於被消費者接受，並給出較高的有用性評價(Cheung et al.，2009；Forman et al.，2008)。

7. 關於在線客戶評論的國內研究理論綜述！

在線評論作為新的網路口碑形式成為企業和消費者決策的重要信息來源,在理論和實踐方面備受關注。基於Web of Science資料庫2006-2011年在線評論相關文獻的梳理和歸納,得出當前在線評論研究主題集中於在線評論對銷售績效、營銷策略和消費者購買行為的影響,在線評論特徵和在線評論信息挖掘方法五個方面。但總體而言,現有的研究還處於起步階段,涉及的行業較狹窄,研究結論的普遍性還有待進一步深入。

8. 用戶體驗研究方法及分析方法是哪些

需求

1.用戶和客戶是誰？

（1）調查（survey）：發現用戶是誰、他們想要什麼、他們在做什麼、他們買什麼、他們在哪裡購物以及他們擁有什麼的最便宜的方式就是調查他們。

（2）用戶角色/市場細分（persona/market segmentation）：將調查結果轉換為有意義的聚類。特定用戶群想要什麼樣的功能、他們在做購買決定時最在乎什麼？不要僅僅考慮性別、收入和年齡，把任務和領域經驗也作為關鍵的區分指標。

（3）競品分析（competitive analysis）：很少會有一個產品或網站之前從來沒有人做過。了解你的市場，找出市場上的類似公司並將眼光投向類似行業。有哪些特性是共同的？什麼能夠討得客戶的歡心？使用行業基準，比如測量口碑的凈推薦分數和測量可用性的系統可用性量表。

（4）現場調查（Contextual Inquiry）：用戶不是總能清楚地說明自己需要什麼或想要什麼。通過在他們的工作場所或家裡觀察用戶如何解決他們的問題和達到他們的目標，我們能夠發現未滿足的需求和理解他們執行的任務。

（5）利害關系人訪談（Stakeholder Interviews）：大量的信息已經存在於公司的不同部門。可以使用結構化訪談的方法來詢問客服、QA、開發、市場和銷售來發現什麼需要建立、修正和排除。

（6）質量功能展開（Quality Function Deployment）：將來自內部利害關系人的想法和來自用戶和客戶的數據整理成矩陣，以理解什麼功能可以滿足大部分的內部和外部需求。

2.用戶想要做什麼？

（1）任務分析（Task Analysis）：將用戶想要完成的事情分解以理解應用應該如何讓任務更有效率和更為有效。

（2）關鍵任務分析（Top Tasks Analysis）：你的應用不能一直為每個人做所有的事情。大部分人使用應用（軟體或網站）只是用來完成一小部分任務。調查你的用戶並找出哪些關鍵任務可以在大部分時間滿足用戶大部分的需求。同事要保證你的應用能夠很好地完成這些任務。

設計和開發

界面看起來怎麼樣？

（1）線框（Wireframing）：早期可以用紙筆、Visio或PowerPoint將界面的主要元素繪制出來。對理解功能、流程和發現改進的機會，這已經足夠了。這可以讓你領先利害關系人而得到設計。

（2）原型（Prototyping）：提高設計的保真度，並盡早和經常地進行測試。

測試和評估

1.如何組織？

（1）卡片分類（Card Sorting）：你要如何稱呼你的功能、屏幕和抽象概念？你要如何組織它們？不要猜測，讓用戶來將這些項目歸類並給每個類別命名。

（2）Tree Testing：使用僅僅一個抽象分類，讓用戶嘗試著在導航上定位項目來測試導航的線框和原型。

（3）首次點擊測試（First Click Testing）：如果用戶去到了錯誤的路徑，他們更可能迷失並在任務上失敗。理解用戶會從哪裡開始。

（4）鍵擊級別模型（Keystroke Level Modeling）：在沒有測試一個用戶的情況下，你也可以對任務完成時長或提出的改進是否增加或降低了完成時長有一些了解。KLM方法用到了一些核心的HCI法則來估計一個技能嫻熟的用戶要花多長時間來完成任務。

（5）啟發式評估（Heuristic Evaluations）：在將問題帶給用戶前提早發現它們。啟發式評估可以發現用戶會遇到的大概30%的問題。理想情況下，你有至少兩名獨立的評估者，他們指導HCI法則和該領域的知識。在浪費有價值用戶的時間前修正這些明顯的問題。

2.用戶會遇到哪些問題？

（1）有主持的個人測試（Moderated In Person Testing）：移動設備測試的理想方法，或者很難遠程地提供原型時，可以在實驗室、會議室甚至過道測試用戶，以了解哪些任務有問題，以及哪些地方有待修正。

（2）有主持的遠程測試（Moderated Remote Testing）：使用廉價和普及的服務如GoTo Meeting 或WebEx，你可以招募世界各地的人來參與任務，甚至可以利用攝像頭來記錄他們的面部表情。不要只是問他們對設計怎麼想，讓他們參與任務，並調查任務的困難度、收集定量數據。

（3）無主持的遠程可用性測試（Unmoderated Remote Usability Testing）：如果你的設計和任務很明確，你可以在網上測試你的原型，用戶可以遠程參與任務而不必面對面。你甚至可以使用熱點來測試圖像。使用諸如UserZoom, Usertesting.com和Loop11的服務來實施結構化的任務和詢問特定問題，你可以在一天得到10多個到上百個用戶的數據結果。按這種方法測試，然後再次測試。

開發和上線

（1）可用性基準研究（Usability Benchmark Study）：可以通過讓一批代表性用戶參與任務來了解網站或軟體的可用性。收集定量數據，使用置信區間來得到可靠的基準。在測試後或研究結束後使用標准化的問卷也是可以的。這些可以在實驗室環境下實施或遠程實施。

（2）無主持的遠程可用性測試（Unmoderated Remote Usability Testing）：你可以使用一個在線網站來讓用戶參與你在關鍵任務分析和構型設計階段確定的任務。你可以記錄點擊，甚至對整個過程進行錄像來觀察用戶在你不在場的情況下會遇到哪些麻煩。

（3）比較性基準研究（Comparative Benchmark Study）：用戶使用你在需求階段確定的競爭性產品來完成一個任務有多困難？招募用戶，使用諸如成功率、時間和任務難度來考察網站的優缺點。有時最好的比較是在不同行業中提供類似服務的一個最佳網站。如果你正在銷售你的移動服務，可以考慮比較DirecTV或Zappos結賬體驗。

（4）A/B測試（A/B Testing）：不要猜，要測試。在你發布產品後設計和改善並沒有結束。測試表單、按鈕、拷貝、圖片和價格。不要害怕測試通配符（wild-card）。

（5）多變數測試（Multivariate Testing）：一次測試一個變數微調網站，但如果你想要測試許多則要花費很長時間，並且你也不知道兩個元素如何相互作用。例如，當你將更低的價格和不同的產品包裝（proct package）結合時，有可能發生出乎意料的事情。你可以在一個在線網站上進行多變數的測試，或在研發環境下利用態度數據而不是實際購買來模擬這一體驗。

（6）調查（Survey）：你的用戶會推薦你的網站或產品嗎？他們信任它並覺得它有吸引力嗎？將你的分數和行業基準比較，並使用標准化的問題。詢問用戶進一步改進的意見，並開放性評論和定量數據聯系起來。

9. 《我們十五個》如何參與在線評論

各色人復合肥熱火是不二