2.1调研类型
根据其背景，调研是可以进行分类的，包括消费者调研［有时又被称为企业-消费者 调研（B2C）或企业-企业调研（B2B）］,以及我们早已了解的社会调研（第1章），它还 可以通过以下方式加以描述：
•调研的性质——索性调研、描述性调研、解释性调研以及非正式调研。
•数据的情形与来源 手资料调研和二手资料调研。
•数据的类型——定性调研和定量调研。
•数据收集的方式——连续性调研和临时性调研。
•数据收集的方法一一观察调研和访谈调研，个人或自我完成性调研，面对面调研、 电话调研、在线调研以及邮寄调研等。
•调研设计的类型——横截面调研、纵向调研、解释性调研、非正式调研、经验性调 研以及案例研究。
一种调研可以通过不同的方式进行描述。调研可以被描述为描述性调研、临时性调研、 定量调研、二手资料调研和/或消费者调研。一个调研项目可能包括几种不同类型的调研方 式。例如，它可能包括定性阶段、基础性阶段以及定量阶段；它可能包括二手资料调 一 一种文献综述或已存在数据(和一手资料调研)的分析，一种特定设计的调研；它可能开始 于观察训练并包括后续的访谈阶段。本章我们将简要地对这些类型的调研方法进行讨论。
 

2.2调研的性质
根据调研问询的性质与其想要产生证据的类型，调研可以被分为三类：探索性调研、 描述性调研以及因果性或解释性调研。在接下来的章节中我们将会再次讨论这一内容(参 见第3章)，这是一种对调研进行分类的有用方法，它不仅可以帮助你在设定调研目标时 对自身的想法进行分类，当在计划和执行分析时，其对调研过程的其他方面也非常有用。 描述性调研与解释性调研问询有时会被视为结论性调研。每种调研问询类型都可能涉及一 手资料调研、二手资料调研、定性调研或定量调研。以下总结了每种问询的本质和用途。 在本章接下来的内容中对调研设计的细节进行更多的讨论时，我们将回顾这些概念。
 

2.2.1探索性调研
顾名思义，探索性调研(exploratory research)是一种负责探索问题或话题的调研。探 索性调研对于识别问题、澄清问题本质或问题所包含的内容非常有用。它可以用于发展适 用于更深入调研的建议和假设，寻找一个对问题达到更深入理解的视角。例如，为了理解 消费者对于新产品概念或广告概念的反应，或者当讨论到“企业家”时，试图弄清业务主 管(business executives)的含义，或者帮助定义“虐待老人”(elder abuse)这个术语的含 义等，都会采用探索性调研。
 

2.2.2描述性调研
许多市场调研和社会调研既是描述又是探究(寻找调研中关于何人、何事、何地、何 时、为何以及多少等一系列问题答案的调研类型)。当探索性调研可以提供描述时，描述 性调研(descriptive research)的目的是解释更加清晰的特定调研问题。描述性调研的目标 是建立一个情景，例如关于市场、特定顾客组合(a set of customer).社会现象、一系列经 历等的情景。它的目标是识别、描述以及在一定情况下做出解释，它可以用于检验一些面 向营销人员和政策制定者的关键项目。
 

2.2.3因果性或解释性调研
因果性或解释性调研（casual or explanatory research）关注有疑问的问题：为什么消费 者选择品牌A而不是品牌B ；对我们所提供的服务为什么一些消费者满意而其他消费者不 满意；为什么一些犯人会使用毒品而另一些犯人不会？什么可以解释这些事情？因此，设 计因果性或解释性调研来回答这类问题，以使我们排除反面的解释并得出结论，帮助我们 发展因果性解释。
 

1.因果性解释
因果性解释（casual explanations）可能是品牌A的销量受广告支出影响（或者收入与 受教育程度相关）。换言之，因果性解释说明变量丫（例如，品牌A销量或收入）受变量X （品牌A的广告支出或教育程度）的影响。
协方差和相关性
观察两个变量之间的关系或联系是比较容易的。可以通过检查交叉量表中的一个变量 对应另一个变量，绘制其中一个变量关于另一变量的图表，或通过统计技术来发现协方差 和相关性（covariance and correlation）（我们将在第3章讨论这些方法）。例如，如果广告 投入增加，那么品牌A的销量确实可能会增加；或者，受教育程度较高的群体收入也相应 较高。两个变量之间的关系可能是直接的因果关系——变量y （产品A的销量）的变化由 变量X（品牌A的广告投入）直接引起。另一方面，两个变量之间也可能存在间接因果关 系——变量x和变量y之间可能存在中间变量，或引起因变量y变化的变量。例如，职业 可能是受教育程度与收入两者之间的中间变量。如果你想要找出它们之间还存在其他中间 变量的可能性，调研设计一定可以使你做到这一点；如果存在中间变量，调研设计一定可 以保证你检验它的有效性。
然而，牢记两个变量之间的关系或联系并不意味着它们之间存在因果关系这一点是十 分重要的。两件变量可能是共变（co-vary）的，即一个变量伴随着另一个变量，变量X的 变化伴随着变量r的变化——广告投入增加，销售量增加。变量X和变量一广告投入 和销售量可能存在很强的相关性。然而，牢记当你对数据进行分析并解释它时，变量X与 变量y之间只是相关而根本不存在任何因果关系是非常重要的。例如，广告投入与销售量 之间的关系可能是具有欺骗性的（也就是说，它们之间并不存在因果联系）；可能你所观察 到的相关性是由另外的变量引起的，无关的变量（或干扰的变量，例如竞争者的活动或社 交媒体的“免费”宣传）。调研需要这样设计或构造：通过这样的设计或构造，你可以更 好地发现变量之间的关系类型是什么，什么变量与之相关。
 

2.推断因果关系
你可以观察到协方差、联系与相关性，但你不能观察到因果关系，只能推断出来。为 了推断出因果关系，必须明确调研设计可以使你达成下列要求：
•寻找联系、协方差或相关性；
•寻找合适的时间序列；
•排除作为原因的其他变量的能力；
•合理的常识或结论。
(1 )联系、协方差或相关性
如果X与y之间存在因果关系，你可能会发现它们之间的相关性，即变量X的变化 与变量r的变化之间的相关性。可以通过评估相关迹象的有效性来考虑变量x与变量y 之间相关的程度。你可能会基于一个强相关依据或另一个弱相关依据而做出推断。但需要 牢记的一点是，即使存在联系，无论变量之间的相关性有多强，它都不一定意味着变量之 间存在因果关系。
(2)合适的时间序列
影响肯定伴随着原因。如果你认为变量x造成变量y (广告支出增长造成销售量上 升)，并且发现事实上变量丫先于变量x发生，那么就会失去解释因果关系的证据。然而， 如果观察到变量r确实随着变量x的变化而发生变化，那么便具备了一些解释原因的证据。 不过，在真实的调研情形中，你需要应对多种情况发生的复杂环境，很难建立时间序列。
(3)排除作为原因的其他变量的能力
即便你已经观察到了变量x与变量y之间的相关性，但也可能是因为第三种变量的 存在而造成了这种情形，并且你所观察到的关系可能是由于第三种变量的影响而造成的。 例如，造成收入水平差异的“原因”可能是职业，而不是受教育程度。事实上，联系变 量x与变量y的可能是包括其他变量的整条因果关系链。排除其他变量的能力在一定程 度上可能取决于识别另一些涉及变量的能力。然而，即便你识别出了关键变量(我们生活 在一个复杂的环境中，所以想要识别出调研所涉及的营销或社会环境中的所有变量是不 可能的)，我们怎么排除它们？例如，品牌a的销量不仅仅只是由广告支出所决定，另外 一些营销环境的组成部分(如竞争者活动等)也可能会产生一些影响。因此，在真实的环 境中，关于因果关系的解释是变量r直接或间接地受到包括变量x在内的一系列因素的 影响。
 

3.常识或结论
还需要提出疑问：是否一件事情会影响其他事情？解释的真实性有多大？它是否经过 真实性检验？其他的证据可以告诉我们什么？

文章来源于《市场调研实务（原书第4版）》，作者是[英]伊冯娜·麦吉温(Yvonne McGivern)。