همه محصولات

تحلیل نتایج نظرسنجی با هوش مصنوعی

پاسخ‌های عددی و متنی رو کنار هم بخونید، تفاوت گروه‌ها رو بررسی کنید و ببینید کدوم نتیجه پشتوانه کافی داره و کجا هنوز باید بیشتر تحقیق کرد.

تحلیل نتایج نظرسنجی با هوش مصنوعی فقط گرفتن یک درصد از کل جواب‌ها نیست. شاید بیشتر پاسخ‌دهنده‌ها از یک قابلیت استقبال کرده باشن، اما بیشتر این افراد مشترک قدیمی محصول شما باشن. اسکیل measure-survey-analysis قبل از نتیجه‌گیری، روش جمع کردن جواب‌ها، تعداد پاسخ‌ها و ترکیب گروه‌ها رو بررسی می‌کنه تا معلوم بشه این عدد درباره چه کسانی حرف می‌زنه.

بعد می‌تونید سراغ نظرهای متنی برید. مثلا چند نفر گفتن زمان زیادی صرف پیدا کردن فایل می‌کنن، در حالی که گروه دیگه‌ای از نام‌گذاری پوشه‌ها ناراضی بوده. ایجنت‌تون برای هر موضوع شواهد رو کنار هم می‌ذاره و می‌گه کدوم برداشت هنوز به بررسی نیاز داره. خروجی برای کسی مناسبه که باید درباره یک تغییر محصول تصمیم بگیره و می‌خواد از فاصله بین «گفتن می‌خریم» و خرید واقعی غافل نشه.

کاربردها

  • برای تحلیل پاسخ متنی، عبارت‌های هم‌موضوع رو جمع کنید و یک نقل‌قول بی‌نام نماینده هر موضوع بردارید.
  • در مقایسه گروه‌ها، تعداد پاسخ هر گروه رو کنار درصدها ببینید.
  • برای گزارش نظرسنجی، فرض اولیه تیم رو با جواب‌ها بسنجید و جاهای نامشخص رو نگه دارید.
  • اثر سوال جهت‌دار یا جذب پاسخ‌دهنده از یک کانال محدود رو در جمع‌بندی بنویسید.
  • از یافته‌ها یک سوال برای مصاحبه بعدی یا یک آزمایش کوچک محصول بیرون بکشید.

نصب و استفاده

  1. پوشه کامل اسکیل رو در ایجنت‌تون نصب کنید. حساب سرویس نظرسنجی لازم نیست. متن سوال‌ها، جواب‌ها و روش گردآوری‌شون رو آماده کنید و نشونه‌های هویتی پاسخ‌دهنده‌ها رو بردارید.
  2. مثلا بگید «نظر کاربران قدیمی و تازه رو درباره جستجوی فایل مقایسه کن. اگر یک گروه کوچیکه، روشن بگو که نتیجه‌اش چقدر قابل اتکاست.»
  3. جمع‌بندی و محدودیت‌های تحقیق رو کنار هم بخونید. پیش از تصمیم محصول، یک نتیجه مهم رو با پاسخ‌های اصلی تطبیق بدید.

سوالات متداول

منبع

ساخته Jonathan Prisant (Product on Purpose). نام اصلی: measure-survey-analysis، منتشرشده در GitHub با مجوز Apache-2.0.

مشاهده در GitHub