谁在用生存分析做调研
在调研生存分析方法的应用里，主要使用者是做用户留存、复购周期、流失预警的研究者。他们关心的不是"是否发生"，而是"多久发生"。样本分两类：行为已观测到的（事件发生）和仍在观察的（右删失）。删失数据的处理是这类项目的核心难点，招募时必须把两类人分开标记。
还有一类是做产品生命周期评估的，他们关注"使用持续到何时"，需求略有不同但都绕不开删失。
医疗与健康随访其实也是经典场景，只是样本更敏感、合规要求更高。若涉及这类，招募要额外走伦理与隐私流程，不能套用普通消费样本的做法。
医疗随访场景更要走伦理与隐私流程，不能套用普通消费样本做法。涉及此类，招募前先把合规动作排进排期，避免后期卡在审批上。
按删失类型做样本分层
删失不止右删失，还有左删失与区间删失。招募时按"是否观测到事件""最后观测时点"打标，能区分样本质量。调研生存分析方法中，删失比例过高会拉宽置信区间，因此要保住足够多的事件发生样本。建议事件组与删失组按约6比4设配额。
还可叠加"观测时长"维度，短观测样本与长观测样本的结论权重应不同。
区间删失常被忽略，但它会模糊事件发生时间、影响曲线形状。问卷要问清"大致哪段发生"，把区间信息采全才更准，估计才不会被区间不确定拖垮。
左删失样本也常被漏采，它代表"事件在观测开始前已发生"。若不单独标签，生存曲线起点会被高估，结论会偏乐观，误导留存判断。
标签体系怎么搭
标签体系建议三层：行为属性（是否发生事件、发生时长）、观测属性（最后接触时点、删失类型）、人群属性（城市、年龄段）。调研生存分析方法里，删失类型标签直接决定你能用哪种估计（Kaplan-Meier 还是参数模型）。甄别放"是否仍在用/是否已完成"两道即可打标。
对长观测且事件发生的样本打"硬终点"标签，其信息量较高。
人群属性里建议加"触达渠道"，不同渠道样本的流失节奏不同，会影响生存曲线解读。把渠道作为分层维度，能剥离渠道本身带来的偏差，让曲线更干净。
触达渠道会影响流失节奏，把它作分层维度，能剥离渠道本身带来的偏差，让生存曲线解读更干净，也能看清真实留存差异。
配额与样本量建议
事件发生组建议不少于120人，删失组不少于80人，才能绘出较稳的生存曲线。若做分组比较（如渠道A versus B），每组事件数不少于60。配额设置上，调研生存分析方法对事件数敏感，招募时宁多保事件组，也不要平均摊薄。
预算紧时优先扩事件发生样本，删失组可用历史库部分补充。
若做多组比较，事件数要按组分别达标，而非总数达标。否则某组事件过少，组间差异检验会彻底失效，白做一半工作量，结论也站不住。
事件数要按组分别达标，而非总数达标。某组事件过少会让组间检验彻底失效，白做一半工作量，因此配额时务必盯住每组事件数而非总量。
邀约与防作弊
这类追踪样本礼金设40到70元，对愿意长期回访者加阶段性奖励。邀约强调"帮我们看长期使用"到会率更高。防作弊要查"自称事件发生却无行为痕迹"的样本，以及回访时前后矛盾者，需跨期核对。
长期追踪容易疲劳流失，建议设节奏合理的提醒，并在每期给即时小奖励，维持样本的持续配合度。
长期追踪容易疲劳流失，节奏合理的提醒加每期即时小奖励，能维持样本的持续配合度，保住随访质量，曲线才更可靠。
从执行看，生存分析对随访连续性要求高，样本中途流失会直接造成删失堆积、曲线失真。建议把回访节奏固定下来，并给每期即时小奖励，维持样本的持续配合与完整观测。
在 zhmu.cn 上发布调研生存分析方法相关招募时，把事件状态与观测时长设为核心标签，平台能精准找到不同留存阶段的样本，帮你把删失数据处理所需的样本清晰分层、稳定回收。
样本入库后，建议把每期留存样本按状态沉淀，下一轮生存分析可直接复用做纵向对比，招募、追踪与删失管理一并跑通，跨期对比也更连贯可信，效率明显提升。
在 zhmu.cn 触达留存样本
把事件状态与观测时长标签配好，在 zhmu.cn 发布调研生存分析方法相关招募，平台能精准找到处于不同留存阶段的留存样本。注册建项后系统自动邀约并提醒到会，帮你把删失数据处理所需的样本清晰分层、稳定回收。
把每期留存样本按状态沉淀，下一轮生存分析可直接复用做纵向对比。在 zhmu.cn 注册后发布项目，生存分析所需的招募、追踪与删失管理可以一并跑通，效率明显提升。
把每期留存样本按状态沉淀，下一轮生存分析可直接复用做纵向对比，招募、追踪与删失管理一并跑通，跨期对比也更连贯可信。