互聯網公司vi設計當然不會在市場研究中著手進行設計和分析中的致命錯誤，但是鏈接分析中涉及的復雜性易受遺漏和傭金錯誤的影響。通常可以通過充分的計劃，溝通和程序執行來避免這些錯誤。

鏈接是指正式的統計過程，通過該過程我們可以將一個數據源的輸入度量連接到另一數據源的輸出度量。復雜程度的不同區分了“簡單”和“復雜”鏈接。復雜與簡單鏈接的不同之處在于，它涉及某種類型的多元預測模型，該模型可以進行“假設分析”。

七個復雜因素威脅著鏈接模型的有效性，尤其是復雜鏈接模型的有效性。這些威脅中的某些威脅非常嚴重，以至于如果沒有預料和計劃，它們可能會導致鏈接模型的災難性故障。

1.聚合水平

在所有鏈接中，互聯網公司vi設計需要確保調查和外部數據是在相同的聚合級別下準備的。例如，我們可能有針對客戶的客戶滿意度調查數據，這些客戶報告在拜訪給定銀行分支機構時排隊等候的時間。但是，如果為整個商店而不是單個客戶存儲數據，則失去了建立聯系并改善體驗的機會。在這種情況下，只有將受訪者的滿意度信息匯總到整個分支的平均分數中，我們才能鏈接數據。這樣做會導致三個問題：

• 我們在分支機構可能沒有足夠的受訪者來計算穩定的平均得分。

• 我們可能沒有足夠的總體觀察值來進行穩定的分析。例如，如果我們每個分支機構有1,000名受訪者，但只有10個分支機構，那么在我們的綜合分析中，這僅變成10個觀察值，不足以使我們有把握地得出結論。

• 當我們將受訪者級別的數據匯總為均值時，通常會損失很多可變性，最終會得到非常“平坦”的數據。在我們的鏈接分析中，這種平坦度通常只會產生很小的影響。

• 解決潛在聚合問題級別的方法位于項目的藍圖階段。確保互聯網公司vi設計具有可用于鏈接的數據的完整清單，并詳細列出了變量之間的所有關系，以使聚合級別不匹配明顯。

2.型號規格

當我們構建統計模型以預測某些結果時，僅當模型包含影響結果的所有變量時才正確指定該模型。在某種程度上，它表現出規格不足或規格錯誤。例如：

• 我們將客戶隨后購買（或不購買）品牌汽車與其對以前使用該品牌的經歷的總體滿意度相聯系。但是，一個人是否購買某個品牌取決于競爭者是否提出了新的型號，新的廣告，新的功能，新的價格，差價或返利等。僅基于對單個品牌的經驗的滿意度來預測回購很多故事。

• 我們將客戶滿意度與一家銀行分支機構關聯到該分支機構的交叉銷售數據。但是分支機構向其支票帳戶客戶出售多少IRA不僅取決于這些客戶的滿意度，還取決于分支機構所服務的人口，其收入，就業和生活階段以及客戶的收入。更大的經濟。

• 理想情況下，互聯網公司vi設計通過進行藍圖會議來防止出現規范錯誤，但是正確地進行操作有時會使我們的生活變得有些復雜。

對于銷售長期合作關系的客戶（電信，金融服務，基于訂閱的服務），請使用生存分析從關系客戶滿意度研究到行為建立聯系。但是，許多或大多數鏈接都與可能受到競爭活動影響的業務結果相關。對于這些情況，我們需要對選擇進行建模，而不是對總體滿意度或返回評級的意圖進行建模。這意味著我們將需要基于包括品牌選擇因變量在內的競爭性，相對關系滿意度研究建立聯系。

要考慮的模型規范的其他方面包括：

• 數據缺失：并非所有受訪者都能體驗到或可以評價與品牌潛在關系的各個方面

• 非線性影響：可能是屬性對結果的影響不是線性的，這可能會使建模復雜化

• 抽樣：互聯網公司vi設計需要確保我們基于模型的樣本足以代表我們要預測的總體

• 預測的時間安排：當前的績效衡量標準（滿意度等）應與未來的結果比與當前的結果更緊密地相關，因此要了解業務現實就需要建立縱向聯系

• 因果關系的方向：有時，互聯網公司vi設計看到滿意度較高的業務部門的銷售量也較低–與其推斷滿意度導致較低的銷售量，我們通常發現銷售較低的業務部門不那么忙碌，可以為客戶提供更多關注

• 效果是否最好用橫截面來最好地衡量：橫截面分析著眼于高滿意度和低滿意度受訪者之間，或績效較高和績效較低的業務部門之間的差異；如前所述，當數量本身可能掩蓋了真正的關系時，在業務部門內（或在受訪者級別）進行分析可能會得出更準確的測量結果。