市场调查（第三版）

*章　总论

*节　市场调查的定义、功能与作用

第二节　市场调查的分类和内容

第三节　市场调查的历史和未来

第四节　市场调查中的道德问题

本章小结

思考与练习

第二章　调查方案的设计

*节　市场调查信息及其用户的相关知识

第二节　调查方案设计的含义和内容

第三节　调查方案的可行性研究

本章小结

思考与练习

第三章　已有资料的收集

*节　已有资料的性质

第二节　已有资料的来源

第三节　已有资料的收集与评估

本章小结

思考与练习

第四章　原始资料的收集方法——定性资料的收集

*节　定性调查概述

第二节　焦点小组访谈法

第三节　深层访谈法

第四节　德尔菲法

第五节　投射法

本章小结

思考与练习

第五章　原始资料的收集方法——定量资料的收集

*节　询问法

第二节　观察法

第三节　实验法

本章小结

思考与练习

第六章　量表及其设计

*节 测量的基本概念

第二节 量表的基本概念

第三节　顺序量表设计

第四节　等距量表设计

第五节　等比量表设计

第六节　态度测量

本章小结

思考与练习

第七章　问卷设计

*节　问卷的基本问题

第二节　问题的设计

第三节　选项的设计

第四节　编码的设计

本章小结

思考与练习

附录

第八章　抽样设计思路与方法

*节　抽样设计

第二节　随机抽样

第三节　非随机抽样

第四节　随机抽样的调查误差

第五节　抽样推断方法与样本容量的确定

本章小结

思考与练习

第九章　市场调查的组织与实施

*节　市场调查的团队组织

第二节　调查员及其培训

第三节　调查前的准备

第四节　调查的实施与控制

第五节 市场调查过程的沟通与管理

本章小结

思考与练习

第十章　数据处理

*节　数据处理及前期准备

第二节　一般数据处理流程

第三节　其他数据处理流程简介

第四节　与数据处理相关的新技术

本章小结

思考与练习

第十一章　数据分析方法

*节　统计分析方法I——描述统计

第二节　统计分析方法II——推断统计

第三节　统计分析方法III——多元统计分析

本章小结

思考与练习

第十二章　市场调查报告

*节　市场调查报告的写作原则及其分类

第二节　书面调查报告

第三节　市场调查口头报告

本章小结

思考与练习

参考文献

当下，“大数据”的火热对传统统计调查带来巨大冲击和挑战。与传统调查数据相似，大数据确实可以辅助统计决策；与相对易于控制数据质量的传统统计调查数据相比，大数据技术是否可以从看似杂乱的、数量巨大的、类型多样的信息中获取有用的数据，目前尚无十分成熟的应对技术。大数据技术中有效数据获取与整理，与传统统计调查中的数据处理有较大相似之处。

（一）大数据成为研究热点

随着信息数据化步伐的加快，从工业上的生产制造到生活中的电子商务；从企业的信息管理系统到政府部门的电子政务；从社交网络上的媒体信息到在线视频图像资料，每天都伴随着大量的数据产生。据不完全统计，淘宝网每日新增的交易数据达到10TB；eBay分析平台每日处理的数据量高达100PB；Facebook的10亿活跃用户，每天生成的照片冲洗出来堆起来的高度相当于80个埃菲尔铁塔；YouTube网站每分钟大约会有60 h的视频数据上传。据IDC预测，至2020年全球以电子形式存储的数据量将达32 ZB，如果将其刻录在DVD盘片后堆叠起来，可从地球到月球垒几十个来回！

大数据（big data）是继云计算和物联网之后IT产业的又一次颠覆性技术变革，是经济和技术发展的必然结果。维基百科、数据科学家以及一些研究机构和相关厂商均提出过大数据的概念，然而截至目前并未形成统一的定义。而大数据所蕴涵的4V特征，即体量大（volume）、模式多（variety）、速度快（veIocity）、价值密度低（vaIue），增加了数据管理和信息提取的困难和复杂性，导致常规的数据处理方式已经无法适应需求，急需数据处理模式的转变。因此，有关大数据的存储和管理成为时下研究的热点。

（二）大数据处理系统的急速变换

网络大数据的复杂性、不确定性、涌现性给当前IT系统的架构、计算能力带来了挑战和机遇，催生了大数据处理框架。围绕着这些计算框架，诞生了各种大数据处理系统。例如用于批量大数据处理的Google GFS与Map Reduce，Nokia的Disco、面向流式处理的Google DremelL，Microsoft的Dryad，Twitter的Storm，Yahoo的S4等，学术界和开源社区也围绕着面向批量大数据处理的Apache Hadoop、基于Hadoop的更具实时性的Impala、伯克利AMP Lab的基于RDD的、面向工作集迭代应用的Spark展开了深入研究，国内的互联网巨头百度、阿里、腾讯等也在Hadoop等系统上部署了应用。各类系统面向不同的应用，设计有针对性的计算模型、调度算法、数据结构，从而不断演进。如Dremel，Storm等流式处理模型，相对于Hadoop，更适合海量流数据的即时查询；而Spark则针对Map Reduce模型不擅长的迭代处理和交互应用，提出了RDD内存数据集及相关迭代模型；Hadoop自身的计算框架由原本单一的Map Reduce演化出了基于有向无环图（directed acyclic graph，DAG）的更为灵活的Tez；Hadoop自身的调度系统也从单一的全局任务调度发展到了新一代的Yarn，分离了Job Tracker的资源管理与任务调度功能。

信息时代，分分秒秒出现大量的数字、文字、图像等各类信息。这些信息作为大数据的载体，只有通过适当的手段才可能提炼出有效的信息，这依赖于大数据数据处理系统相关技术的不断进步。

本章小结

1. 本章明确了数据处理的一般问题，包括数据处理的概念、意义和处理数据前的准备。数据处理就是根据调查研究的目的与任务，对搜集到的各种数据进行审核与汇总，使之条理化、系统化，以符合数据分析的需要。通过数据处理，有利于发现工作中的不足，也有利于提高信息资料的价值。

为了保证数据处理工作的优质高效，需要做好数据处理的前期准备工作。前期准备主要有三个方面，一是需要做好人员准备，二是需要健全的规章制度，三是需要科学的工作标准。

2. 数据处理的流程包括一般数据流程、其它数据流程以及不同数据流程的选择。一般数据处理流程是*细致*完整的数据处理流程，适用于复杂资料的大型调查。

3. 一般数据处理流程包括六个环节：（1）数据审核，（2）后编码，（3）数据录入，（4）数据文档转换，（5）数据库清理，（6）数据库储存。

4. 其他常用的数据处理流程包括四种：（1）边缘编码式数据处理流程，它省去了编码表的编制，但适用面窄；（2）标记输入式数据处理流程，它省去了编码的人工输入，但技术不成熟；（3）应答者标记输入式数据处理流程，它省去了编码和人工输入，但适用面窄且受专门技术影响大；（4）直接计算机输入式数据处理流程，它省去了编码，数据审核与录入同时进行，只局限于有完全预先编码的封闭式题目。

5. 数据处理流程的选择，除了考虑各流程的优缺点，也要考虑是否拥有计算机、光感扫描器等硬件；也要考虑调研时间与成本的限制，以及调研涉及数据信息的复杂程度。

6. *后，本章简要阐述了与数据处理相关的新技术，如数据库、数据库系统、数据挖掘、联机分析、统计信息系统、大数据处理系统等。