谁在买票：观众基本画像
做演出票务消费调研时，先理清用户画像：把观众按年龄与城市拆开。18到24岁学生群体对票价敏感，更依赖抢票与转赠；25到35岁白领是消费主力，愿意为热门场次支付溢价，也更看重座位视野。一线城市样本对"沉浸式""小剧场"接受度更高，下沉市场更偏好头部演唱会。
从购票习惯看，高频观众（年观演3次以上）占样本比例虽小，却贡献了多数票房反馈，是必须单列的高价值单元。
性别维度也值得单列，女性样本在音乐剧、话剧类目更活跃，男性在体育赛事与大型演唱会占比更高。按类目分别建画像，比混在一起看更有解释力，也便于做精准触达。
年龄之外，可支配收入是更稳的分层变量。学生与白领即便同年龄，购票力也差很多，按收入再切一层会更贴近真实决策，避免把不同购买力混为一谈。
按票价分层圈定样本
票价分层直接对应样本分层：低价区（看氛围）、中价区（主流消费）、高价区（核心粉丝）。演出票务消费调研里，三层样本的需求差异明显，低价区在意性价比，高价区在意专属权益。建议按三层等比或4比4比2设配额，保证每层都有足够分析量。
还可叠加"购票渠道"维度（官方、二级、粉丝群），不同渠道样本对票价公平性的感知差异很大。
对标竞品演出也是常见做法，但跨城对标要小心供需结构不同。同能级城市的同类型演出对比才更有意义，否则容易把城市差异误读成产品差异，结论会偏。
二手与转赠样本常被忽略，却较能反映"非理性溢价"。招募时单独问"是否转赠或二手取得"，能补上官方渠道之外的视角，让票价研究更完整。
座位偏好标签怎么设
座位偏好可分四类标签：前排沉浸型、中区均衡型、侧翼性价比型、二楼远景观望型。甄别问卷放一道"你通常选哪类座位"即可打标。对演出票务消费调研而言，这类标签能解释为何同一票价区间出现不同满意度。
建议加"是否介意遮挡柱"一题，这能识别对视野颇为在意的挑剔型观众，他们是差评高发群体。
视线敏感度高的观众，往往也是社交平台上的活跃发声者。这类样本的差评传播力强，调研里应单独观察其诉求，对口碑管理有前置价值，值得单列分析。
座位偏好的回答要配合票价看，同一座位在不同价位下满意度并不相同。交叉分析时务必把两层一起放入模型，否则会漏掉关键的互动效应。
配额与样本量建议
城市维度建议一线与新一线合计占六成，其余给二线。每层票价单元有效样本不少于40人，核心高频观众单元不少于30人。若做票价敏感度模型，样本总量建议300人以上，才能使分层回归结果较为稳定。配额设置上要给高频单元留足份额。
预算有限时优先保"中价区主流观众"，他们较能代表大盘态度。
做跨城对比时，各城样本量尽量对齐，避免某城样本过少导致加权失衡。若实在无法对齐，分析时要用加权而非简单平均，减小偏差，保证结论稳健。
大型赛事与演唱会的样本节奏不同，前者集中爆发、后者长尾分布。招募排期要按品类特性调整，不能一套模板打天下，否则到会率会明显波动。
甄别、邀约与防作弊
甄别题用"近一年观演次数""常用购票平台"两道过滤路人。礼金设20到40元，邀约强调"聊观演体验"比"填问卷"到会率高。防作弊重点盯二级票务黄牛样本，他们对价格极度敏感但回答模式化，需用答题轨迹识别。
对高频观众可设会员式邀约，给专属感与小额积分，提升其持续参与意愿，这类样本对纵向追踪尤为宝贵，适合做长期面板。
黄牛样本识别除答题轨迹外，还可看其"购票平台"填写是否异常集中。多重交叉能更准地剔除这类干扰样本，保住有效样本的真实成色。
甄别之外，建议把"观演频次"做成连续变量而非二分，高频、中频、低频样本的决策逻辑差异很大，二分会损失大量信息，也不利于后续做剂量反应式的票价敏感度分析。
在 zhmu.cn 上发布项目时，可把观演频次与票价层设为正交配额，系统会自动在保证每层样本量的同时兼顾交叉单元，省去手工试错，也能更快拿到可用于建模的均衡数据。
在 zhmu.cn 精准触达观众
把票价层、座位偏好、城市标签配好后，在 zhmu.cn 发布演出票务消费调研项目，平台能按观演兴趣精准找到对应观众样本。注册建项后系统自动邀约并提醒到会，让你快速拿到分层清晰、画像真实的票务样本。
若要做季度复访，平台可按"高频观众"标签再次唤醒同一批人，观察其偏好迁移。在 zhmu.cn 注册后发布项目，演出票务消费调研的招募与追踪可以一条线跑通，效率明显更高。
把观演频次与偏好标签沉淀后，平台能在新项目里直接定位"高频核心观众"，让演出票务消费调研的复访效率明显提升，也便于做跨期对比。