在线评论研究方法

1. 评论会如何影响销量吗

来自青镜评论的研究报告显示：
定性研究：评论的影响机制可以用交易成本经济学和市场理论来解释。
Williamson(1979)提出的交易成本理论为理解评论影响奠定了基础。根据这一理论，交易成本是指消费者在对产品进行评价时，由于信息和认知能力有限而产生的一种参与市场的经济交易成本。
商品的在线交易可能包含不确定性，因为产品描述可能无法提供足够的信息，因此在购买和体验产品之前无法准确地评估产品的质量(Nelson, 1970)。在这种情况下，高水平的不确定性，由于信息不对称导致的意外结果的成本，意味着较高的交易成本，导致产品的销售下降。
交易成本理论认为体验商品所产生的不确定性会阻碍消费者的购买决策，因而消费者引入了相应的行为来抵消不确定性(Berger & Calabrese,1975)。由于缺乏对产品的知识，消费者倾向于从事减少不确定性的工作，以减轻与不确定性相关的风险。在这种情况下，消费者倾向于尽可能多地搜索可用信息。网站上有用的信息可以很大程度上影响购买决策。该理论与交易成本理论相结合，为理解网络评论的机制奠定了基础。

因此，电商平台Amazon、天猫等的消费者在线评论功能有助于其他新消费者确定产品的价值和质量。消费者发布的餐厅点评成为其他潜在客户的重要信息来源。D2C品牌通过收集老消费者的消费反馈和评论，并将这些评论内容积极地展示给新顾客了解和查看，以此来增加销量。因此，在线评论可以诱导信任，缓解信息不对称，降低购买决策所导致的交易成本，从而间接增加销售。

2. 网页设计在线评论怎么设计啊

这样的网站内很多啊，你可以看看新浪里面是怎么搞的，参考一下！

3. 企业网络营销效果评价方法的研究

企业网络营销效果当然是最后成单多少，品牌影响面有多广，不同行业数据属性可能不通。
但是网络营销关键起到一个信息的传递，不同于电子商务，所以过程非常重要，过程影响结果。这个过程包括：有效客户咨询量的多少。
能够带来客户咨询量必然会有很多网络营销的分支做支撑：包括流量、浏览量、网站被收录情况、域名问题、客户网站体验、在线服务、离线跟踪情况等等的考量。
估计你说的是最后一部分，你可以在这个基础上继续细分后写。
http://hi..com/hero8403/blog/item/4cbcff38a71ce6c3d5622584.html

4. SEO在线评论技巧，你应该关注几点

SEO在线评论技巧，一共需要关注6个点：

详细推荐阅读3、4、5，推荐理由如下：

• 评论前台展现形式

  1.1 最好在页面 F 区域上半身，添加评论入口

  1.2 不建议使用自动瀑布流，可以使用翻页，或者，选择点击加载更多的形式

  1.3 最好能用格式化呈现方式

  1.4 易于用户阅读和蜘蛛加载爬行即可

• 评论后台代码要求

  2.1 在源代码里要显示评论文字内容

  2.2 不能直接放到“JS盒子”里，搜索引擎爬行不到的

  2.3 实时更新出来

  2.4 要有审核功能，否则，后端运营很麻烦

• 频率维护规则设计

  3.1 评论可以激活和延长页面生命周期，所以，要有新评论产出最好

  3.2 与运营和产品沟通，站内要吸引用户产生评论

  3.3 重点关键词，卖的好的产品/服务，要固定频率想办法给予和激励评论

• 评论内容过滤优化

  4.1 不文明字眼要屏蔽，不要让搜索引擎爬行

  4.2 评论“垃圾筐（呵呵，差不多，常用口头禅等）”，要过滤掉，不要让搜索引擎爬行

• 评论页面 SEO 公共元素遵守

  5.1 评论首页，列表页，详情页，筛选页，标签页要做好 SEO 基本元素优化

  5.2 要符合起源算法的要求，这一点很重要

• 关于 SEO 在线评论的一些思考

  6.1 目前很多评论都是文字形式

  6.2 语音形式其实更棒，那么如何优化，其实等待大家研发和思考

  6.3 如何给评论内容赋能，获取更多流量资格

  6.4 SEO 在线评论 更多垂直内容如下图所示

5. 网络课程的评价方式有哪些

网络课程的评价方式如下

1. 在线学习的认证标准。这是一种被评价专家认为是确定合格最可靠的标准参照法之一，因为它是基于命题专家们的综合判断。它要求专家审阅每一项，确定每一项指标的得分概率。这些概率的平均值乘以项目总数，其结果就是最底限度的得分。最终的合格线是基于这种综合判断和平均标准误差的计算。最后，对每项得分计算各种分析和可靠性指数。

2. 虚拟学习环境的教育评价框架。一种是 Lanrillard 提出的会话模型(The Conversational Framework)，主要把教师和学生、学生之间以及学生与环境通过媒体进行交互的活动情况作为评价对象，从所提供的各种学习工具的交互性上考察一个虚拟环境的优劣。

3. 在线学习质量。

4. 数字学习框架。

5. 数字学习课件认证。

   
   

6. 消费者认为怎样的在线评论更有用

(一)在线评论有用性相关研究述评
在线评论对于消费者决策影响是一个极微妙的复杂过程(Chen et al.，2009；Lee & Lee，2009)，有用性理论概念捕获在线评论对于购买决策的劝说效果与潜在价值，也有一些文献使用有效性(effectiveness)(Cheung & Thadani，2012)、劝说能力(persuasion)(Schlosser，2011)等类似表述，在实证研究中既有采用二手客观数据(Cao et al.，2011)，也有收集实验或问卷数据(Connor & Mudambi，2011)。在线评论有用性研究注重从微观层面探讨“消费者认为怎样的在线评论更有用？”这一核心问题(Korfiatis et al.，2012；Pan & Zhang，2011)，研究成果会有助于理解在线评论与消费者决策之间影响关系的理论机制(Ghose & Ipeirotis，2011；Zheng et al.，2011)。
在文献综述与深度分析基础上，本文认为现有的在线评论有用性研究主要从以下两个方面展开探讨。
首先，与已有在线评论与销售情况聚合影响研究类似，在线评论有用性研究大多集中在评论的内容特征，包括星级评分②/极端性(Korfiatis et al.，2011；Mudambi & Schuff，2010；邱凌云，2008)、评论长度(Zhang et al.，2010；Mudambi & Schuff，2010)、正向/负向陈述(Cheung et al.，2009；Connors & Mudambi，2011；Schlosser，2011)，上述特征相对客观且较易测量。Mudambi和Schuff(2010)发表于MISQ研究论文明确界定在线评论有用性概念，借鉴信息经济学与决策不确定性理论框架，基于Amazon数据的计量模型分析表明评论极端性(星级衡量)、评论长度对在线评论有用性具有直接影响，并且考察搜索型与经验型产品的调节效应。Zhang等(2010)运用计量模型分析，在控制消费目的情况下，表明正向/负向陈述(以星级评分衡量)、评论长度对于在线评论劝说能力(以亚马逊有用性投票衡量)有着显着性影响。郝媛媛、叶强等(2010)在扩展Ghose等学者的研究基础上，从文本特征出发探索影响在线评论有用性的因素，并以影评数据进行实证分析。
另一方面，较少文献发现在研究评论的内容特征之外，需要进一步考察“谁发表的在线评论更有用”的问题(Connors & Mudambi，2011；Forman et al.，2008；Hu，2008；Pan & Zhang，2011；孙春华、刘业政，2009)。Forman等(2008)、Ghose和Ipeirotis(2011)基于在线数据实证研究表明：评论者特征—身份信息、评论者排名、已发表评论数量等，会积极地影响消费者对于在线评论的有用性评价，并更加显着地影响产品销售情况。Hu(2008)以交易成本经济学理论研究在线评论有效性问题，发现消费者不仅关注在线评论的星级，还会受到评论者在网络中表现的专家身份、活跃程度等因素影响。Connors和Mudambi(2011)通过实验研究得到类似结论，评论者在网络中表现的专家身份会影响其发表评论的有用性评价。上述初步的实证结果与社会心理学的说服理论是较为一致的，亦即表明信息源会影响信息接受者对传播信息的感知价值与接受程度(Bhattacherjee & Sanford，2006；Stephen & Lehmann，2012；Forman et al.，2008)。
表1梳理并分析上述在线评论有用性的重要文献，进而清晰地了解影响消费者对于在线评论的有用性评价的关键因素。
综上所述，已有研究集中在评论的内容特征，评论者视角因素关注不够，特别是几乎没有考虑评论者社会性因素的影响效应。然而，电子商务、第三方评论网站在不断丰富社会化功能，更加凸显现有研究忽略社会性机制在评论有用性影响中的重要角色，这既是现有研究空白点，也是本研究的理论贡献所在；另一方面，现有文献在评论有用性影响因素选择大多是启发式分析方法(Wang et al.，2011；Connors & Mudambi，2011；Pan & Zhang，2011)，缺乏具有共识性的参考理论。针对这一局限，本文选择社会心理学领域的信息传播与说服理论为模型构建的理论分析框架，下述(二)将会简述说服的双过程模式及相关研究。
(二)说服的双过程模式
说服是信息传播与处理的最基本形式之一，被定义为个体接收别人发出的信息而产生态度或行为的改变，一直是社会心理学研究的热点领域(Bhattacherjee & Sanford，2006；郭镇之、徐培喜，2006)。在众多说服过程模式中，启发—系统式模型(Heuristic-Systematic Model，HSM)、精细加工可能性模型(Elaboration Likelihood Model，ELM)是两个最具代表性的双过程模式(Chaiken，1980；Petty & Cacioppo，1986)，被广泛用于广告营销、消费者行为、知识管理等领域研究。HSM、ELM在信息处理及态度改变方面给出类似解释机制(Angst & Agarwal，2009；Cheung et al.，2009)：HSM的系统式处理、ELM的中心路径表明个体会对接收的信息仔细地、系统化分析，精心考虑是否接受信息所包括观点，进而导致态度改变；HSM的启发式处理、ELM的边缘路径表明个体根据信息的某些情境线索，运用简单决策规则来形成判断，进而决定是否接受说服。
在信息系统研究领域，Sussman和Siegal(2003)较早地将ELM模型应用于在线信息沟通情境，提出了信息接受模型(Information Adoption Model)。该模型首次定义了“信息有用性”理论概念，并且认为信息内容质量、信息源可靠性是影响接收者感知信息有用性的直接因素。
之后，不少文献开始运用说服的双过程模式分析、理解互联网环境下用户处理信息进而影响决策的过程(Cheung et al.，2012；Chu&Kamal，2008；Zhang et al.，2010；张子坤，2010)，从而表明说服的双过程模式能够为探讨在线评论有用性问题提供具有适用性的参考理论框架。
三、理论模型与假设
根据文献综述，已有研究较多集中于在线评论的内容特征，包括客观定量特征、定性文本因素等，也缺乏较为一致的理论分析框架。以说服的双过程模式为分析框架，消费者对于在线评论的有用性评价可以视为信息处理与态度改变过程，本文从评论内容特征、以及评论者特征两方面考察评论有用性的影响因素，并注重分析其中社会性因素的影响效应。因此，本文在考虑评论的内容特征之外，借鉴从众效应、社会网络等理论视角，着重研究与平均星级差异、评论者因素影响在线评论有用性的社会性机制(图2所示)，从而弥补已有研究的不足之处，期望做出较大的理论贡献。
(一)评论长度
ELM及相关研究表明，消费者在进行购买决策时，所能获得的产品质量、商家信誉等信息往往是不完全的，需要通过信息的搜寻来降低消费的不确定性(Petty & Cacioppo，1986；Sussman & Siegal，2003)。Chevalier和Mayzlin(2006)实证研究表明，评论长度暗示消费者会阅读具体评论内容，而不仅依赖于查看评论星级的汇总数据。评论长度可能会刺激评论阅读者仔细浏览，加深或改变原有的态度，提高对产品或服务的认知度，抵消用户的不确定性(Mudambi & Schuff，2010)。若是信息获取不需要额外的搜寻成本，评论长度带来的信息诊断力增加会更加有益于大众消费者(Johnson & Payne，1985)，进而提升消费者对该条评论的有用性评价。因此，本文提出如下研究假设。
假设1a(H1a)：在线评论长度与消费者对其有用性评价之间是正向相关关系。
另一方面，认知负荷理论(Cognitive Load)假设人类的认知结构由工作记忆和长时记忆构成，工作记忆容量是有限的，一次只能存储、处理较少的信息(Sweller，1988)。为了使加工得以顺利进行，当前进入工作记忆的信息量不能超过工作记忆容量。否则，就会引起认知资源的分配不足，从而影响个体学习或问题解决的能力，此种情况就成为认知超载(cognitive overload)。当消费者阅读在线评论时，他们在工作记忆之中处理信息，评论长度是表征认知负荷的关键指标之一(Gan et al.，2012)。由于工作记忆的有限容量，尽管在一定范围内，丰富的评论信息会有助于消费者购物决策。但是，一旦评论信息的处理需求达到工作记忆的上限，那么就会造成消费者的认知超载，并且使得人们难以较好地进行决策制定。因此，我们可以得出如下研究假设。
假设1b(H1b)：在线评论长度超过一定范围时，与消费者对其有用性评价之间是负向相关关系。
(二)与平均星级差异——从众效应
从文献综述来看，评论星级(包括极端性)几乎是所有研究均会探讨的客观特征，众多学者从信息诊断力(diagnosticity)、信息源可信度等理论视角进行了相当多理论与实证探讨(Wu et al.，2011；Zheng et al.，2011)，并且考虑了产品类型的调节作用(Mudambi & Schuff，2010)。从信息诊断力视角出发，不少研究大多认为相比较极端正向或负向用户评论而言，中间态度、观点表达不明晰的在线评论会被认为缺乏信息增加值，对于购物决策的影响价值有限，进而会被消费者给出较低的有用性评价(Forman et al.，2008；Pavlou & Dimoka，2006)。因此，本文可以提出如下研究假设。
假设2a(H2a)：与平均星级差异(正向、负向)和消费者对在线评论的有用性评价之间是正向相关关系。
另一方面，有用性评价实际是通过社会化投票机制来组织、应用在线评论。因此，本文与已有研究最大差异在于：基于社会心理学的从众效应(Conformity)视角，探讨单一评论星级与该产品平均星级差异将会如何影响在线评论的有用性评价。从众效应是社会心理学中社会影响研究的成果，指人们自觉不自觉地以大多数人的意见为准则，做出判断、改变自身态度与行为的心理过程(郭镇之、徐培喜，2006)。针对在线评论的社会化投票机制，消费者对于评论有用性进行评价时不仅会考虑评论内容、信息源等因素，也同时会受到其他消费者意见的影响(Cheung et al.，2009)。所以，当单条评论星级与产品平均星级之间一致性程度越高的话，消费者就有可能对于该条评论给出更高的有用性评价。综上所述，与平均星级差异(正向、负向)较大的单条评论，由于并非代表评论者的共识性意见，在从众效应下消费者会选择给出较低的有用性评价。因此，本文提出如下研究假设。
假设2b(H2b)：与平均星级差异(正向、负向)和消费者对在线评论的有用性评价之间是负向相关关系。
(三)评论者特征——社会网络效应
文献综述与分析表明，评论者因素在已有研究中关注不够，并且主要考察评论者身份信息的影响效应(Forman et al.，2008)，几乎未曾涉及评论者的在线社会网络，但是在互联网的社会化发展趋势下理应加以关注(Smith，2007)。说服的双过程模式表明，当信息接收者沿着边缘路径处理信息时，信息源的可靠性(Credibility)往往是最重要的线索，直接影响信息接收者的基本判断(Chu & Kamal，2008；Cheung，2009；金立印、王如意，2008)。在概念化层面，信息源的可靠性可以从两个维度表征(Bhattacherjee & Sanford，2006；Zhang et al.，2010)：可信任度(trustworthiness)、专业能力(expertise)。
相应地，在线评论的情境下，评论者专业能力、可信任度是影响其发表评论的有用性评价高低的关键因素(Wang et al.，2011；于春玲等，2011)，也是消费者进行评价判断时会采用的重要启发式规则(Cheung et al.，2012；Cheung & Thadani，2012)。从社会网络视角分析，中心度(Centrality)是分析网络中节点特性分析的关键步骤，是衡量个体在社会网络中影响力的重要指标(Smith et al.，2007)，并且在一定程度上反映个体的社会资本(Ellison et al.，2007；殷国鹏等，2006)。譬如，基于Web2.0视频网站(YouTube)在线数据的实证研究表明，社会网络在用户创作内容扩散与影响过程起到重要作用，视频内容创作者所链接的订阅者越多，那么该视频易于得到正向评价，并进一步加速视频内容的传播与扩散(Susarla et al.，2012)。此外，相关研究表明，个体节点的网络中心度与其可信任感之间具有相当强的正向相关性，亦是高中心度节点社会资本的一种体现(Prell，2003；Wang et al.，2011)。综上所述，在消费者对用户评论的有用性评价过程中，评论者的网络中心度将会起到积极的正向影响。因此，本文提出如下研究假设：
假设3a(H3a)：评论者的内向网络中心度与其所发表评论的有用性评价之间是正向相关关系。
假设3b(H3b)：评论者的外向网络中心度与其所发表评论的有用性评价之间是正向相关关系。
信息接收者采用ELM模式的边缘路径时，会更多地依据社会线索来处理信息，进而形成判断(Bhattacherjee & Sanford，2006)。网络曝光度是反映评论者社会线索的关键指标，是引导信息接收者做出决策的启发式规则，会对其所发表评论的有用性评价产生积极影响(Ghose & Ipeirotis，2011；Hu et al.，2008)。群组是在线社区的重要功能，每一群组均有自己的主题及兴趣爱好。类似于豆瓣网的在线社区之中，用户可能会加入不同的兴趣小组，进而形成了许多的各自不同、有所重叠的社会网络(Smith et al.，2007)。依据社会网络中“弱连接”理论，群组内用户间在线关系即为“弱连接”，他们同时保持多样化的关系链接，并在各个社会网络中具有一定的影响力(Ellison et al.，2007)。综上所述，有理由相信评论者参加群组数量越多，其发表的在线评论会被更多的消费者关注与积极评价。因此，本文提出如下研究假设。
假设4(H4)：评论者的关系多样性与其所发表评论的有用性评价之间是正向相关关系。
(四)控制变量
为了更好地验证研究假设，本文还将评论发表时机、评论者经验能力等相关因素作为控制变量引入模型，电影层面的影响会在计量模型中加以考虑。
在线评论有用性会显着地依赖于评论发表时机，亦即可否为正在搜集产品信息的消费者提供及时、最新的评论内容(Cheung et al.，2012)。从信息质量视角出发，不少文献均认为及时性(timeliness)是评论内容质量的关键维度，进而影响消费者对于该评论的消费者有用性评价(Otterbacher，2009；Chen & Tseng，2011)。
评论者的另一重要线索是历史评论数量，它会影响消费者对于评论者经验能力以及声誉的判断(Ghose & Ipeirotis，2011；Wang et al.，2011)。从说服的双过程模式分析，评论者经验能力会提升其发表评论的可信度，该评论者发表评论易于被消费者接受，并给出较高的有用性评价(Cheung et al.，2009；Forman et al.，2008)。

7. 关于在线客户评论的国内研究理论综述！

在线评论作为新的网络口碑形式成为企业和消费者决策的重要信息来源,在理论和实践方面备受关注。基于Web of Science数据库2006-2011年在线评论相关文献的梳理和归纳,得出当前在线评论研究主题集中于在线评论对销售绩效、营销策略和消费者购买行为的影响,在线评论特征和在线评论信息挖掘方法五个方面。但总体而言,现有的研究还处于起步阶段,涉及的行业较狭窄,研究结论的普遍性还有待进一步深入。

8. 用户体验研究方法及分析方法是哪些

需求

1.用户和客户是谁？

（1）调查（survey）：发现用户是谁、他们想要什么、他们在做什么、他们买什么、他们在哪里购物以及他们拥有什么的最便宜的方式就是调查他们。

（2）用户角色/市场细分（persona/market segmentation）：将调查结果转换为有意义的聚类。特定用户群想要什么样的功能、他们在做购买决定时最在乎什么？不要仅仅考虑性别、收入和年龄，把任务和领域经验也作为关键的区分指标。

（3）竞品分析（competitive analysis）：很少会有一个产品或网站之前从来没有人做过。了解你的市场，找出市场上的类似公司并将眼光投向类似行业。有哪些特性是共同的？什么能够讨得客户的欢心？使用行业基准，比如测量口碑的净推荐分数和测量可用性的系统可用性量表。

（4）现场调查（Contextual Inquiry）：用户不是总能清楚地说明自己需要什么或想要什么。通过在他们的工作场所或家里观察用户如何解决他们的问题和达到他们的目标，我们能够发现未满足的需求和理解他们执行的任务。

（5）利害关系人访谈（Stakeholder Interviews）：大量的信息已经存在于公司的不同部门。可以使用结构化访谈的方法来询问客服、QA、开发、市场和销售来发现什么需要建立、修正和排除。

（6）质量功能展开（Quality Function Deployment）：将来自内部利害关系人的想法和来自用户和客户的数据整理成矩阵，以理解什么功能可以满足大部分的内部和外部需求。

2.用户想要做什么？

（1）任务分析（Task Analysis）：将用户想要完成的事情分解以理解应用应该如何让任务更有效率和更为有效。

（2）关键任务分析（Top Tasks Analysis）：你的应用不能一直为每个人做所有的事情。大部分人使用应用（软件或网站）只是用来完成一小部分任务。调查你的用户并找出哪些关键任务可以在大部分时间满足用户大部分的需求。同事要保证你的应用能够很好地完成这些任务。

设计和开发

界面看起来怎么样？

（1）线框（Wireframing）：早期可以用纸笔、Visio或PowerPoint将界面的主要元素绘制出来。对理解功能、流程和发现改进的机会，这已经足够了。这可以让你领先利害关系人而得到设计。

（2）原型（Prototyping）：提高设计的保真度，并尽早和经常地进行测试。

测试和评估

1.如何组织？

（1）卡片分类（Card Sorting）：你要如何称呼你的功能、屏幕和抽象概念？你要如何组织它们？不要猜测，让用户来将这些项目归类并给每个类别命名。

（2）Tree Testing：使用仅仅一个抽象分类，让用户尝试着在导航上定位项目来测试导航的线框和原型。

（3）首次点击测试（First Click Testing）：如果用户去到了错误的路径，他们更可能迷失并在任务上失败。理解用户会从哪里开始。

（4）键击级别模型（Keystroke Level Modeling）：在没有测试一个用户的情况下，你也可以对任务完成时长或提出的改进是否增加或降低了完成时长有一些了解。KLM方法用到了一些核心的HCI法则来估计一个技能娴熟的用户要花多长时间来完成任务。

（5）启发式评估（Heuristic Evaluations）：在将问题带给用户前提早发现它们。启发式评估可以发现用户会遇到的大概30%的问题。理想情况下，你有至少两名独立的评估者，他们指导HCI法则和该领域的知识。在浪费有价值用户的时间前修正这些明显的问题。

2.用户会遇到哪些问题？

（1）有主持的个人测试（Moderated In Person Testing）：移动设备测试的理想方法，或者很难远程地提供原型时，可以在实验室、会议室甚至过道测试用户，以了解哪些任务有问题，以及哪些地方有待修正。

（2）有主持的远程测试（Moderated Remote Testing）：使用廉价和普及的服务如GoTo Meeting 或WebEx，你可以招募世界各地的人来参与任务，甚至可以利用摄像头来记录他们的面部表情。不要只是问他们对设计怎么想，让他们参与任务，并调查任务的困难度、收集定量数据。

（3）无主持的远程可用性测试（Unmoderated Remote Usability Testing）：如果你的设计和任务很明确，你可以在网上测试你的原型，用户可以远程参与任务而不必面对面。你甚至可以使用热点来测试图像。使用诸如UserZoom, Usertesting.com和Loop11的服务来实施结构化的任务和询问特定问题，你可以在一天得到10多个到上百个用户的数据结果。按这种方法测试，然后再次测试。

开发和上线

（1）可用性基准研究（Usability Benchmark Study）：可以通过让一批代表性用户参与任务来了解网站或软件的可用性。收集定量数据，使用置信区间来得到可靠的基准。在测试后或研究结束后使用标准化的问卷也是可以的。这些可以在实验室环境下实施或远程实施。

（2）无主持的远程可用性测试（Unmoderated Remote Usability Testing）：你可以使用一个在线网站来让用户参与你在关键任务分析和构型设计阶段确定的任务。你可以记录点击，甚至对整个过程进行录像来观察用户在你不在场的情况下会遇到哪些麻烦。

（3）比较性基准研究（Comparative Benchmark Study）：用户使用你在需求阶段确定的竞争性产品来完成一个任务有多困难？招募用户，使用诸如成功率、时间和任务难度来考察网站的优缺点。有时最好的比较是在不同行业中提供类似服务的一个最佳网站。如果你正在销售你的移动服务，可以考虑比较DirecTV或Zappos结账体验。

（4）A/B测试（A/B Testing）：不要猜，要测试。在你发布产品后设计和改善并没有结束。测试表单、按钮、拷贝、图片和价格。不要害怕测试通配符（wild-card）。

（5）多变量测试（Multivariate Testing）：一次测试一个变量微调网站，但如果你想要测试许多则要花费很长时间，并且你也不知道两个元素如何相互作用。例如，当你将更低的价格和不同的产品包装（proct package）结合时，有可能发生出乎意料的事情。你可以在一个在线网站上进行多变量的测试，或在研发环境下利用态度数据而不是实际购买来模拟这一体验。

（6）调查（Survey）：你的用户会推荐你的网站或产品吗？他们信任它并觉得它有吸引力吗？将你的分数和行业基准比较，并使用标准化的问题。询问用户进一步改进的意见，并开放性评论和定量数据联系起来。

9. 《我们十五个》如何参与在线评论

各色人复合肥热火是不二