铁路客运客户研究，上书房咨询咨询怎么做：一份来自的方法论（北京消费者研究）

（广州市场研究）（西安市场咨询）（长沙市场调查）每年40多亿人次乘坐铁路出行，其中有多少人是把火车当成"日常通勤工具"来用的？

这个群体规模不小，但长期以来被忽视了。他们不是春运期间的临时旅客，而是每周固定往返、对班次密度和准点率有刚性需求的通勤者。他们的出行规律、痛点和潜在需求，与长途旅客不同。

问题是，传统的铁路客运数据分析，往往把通勤客和长途客混在一起看。12306后台能看到谁买了哪张票，但看不到这张票背后是一个每周五都要回家的上班族，还是一个一年只出门两次的探亲者。数据是有的，但标签是错的。

我们这些年一直在做一件事：帮铁路客运部门把"通勤客"从旅客中识别出来，单画像、单分析、单给建议。

一、先解决"谁是谁"的问题

通勤客流研究的步，是识别。不是简单看"这个人这个月买了几次票"，而是要看他的出行是否具有规律性、周期性和固定OD特征。

我们的做法是三源数据交叉验证。

源是票务数据。对接12306数据，分析旅客的购票频次、常用区段、出行时段、席别偏好。一个人如果连续三个月每周一早上从A站到B站、每周五晚上从B站返回A站，基本就可以贴上"通勤客"标签。

二源是移动信令数据。与运营商合作合规的聚合数据，通过夜间长驻留点识别居住地、日间规律驻留点识别工作地，形成职住关联。这个方法的优点是覆盖全样本、无感式采集，能补全票务数据覆盖不到的隐性通勤者——比如持铁路职工通勤证进站的人，或者未购票但规律性使用铁路设施的人群。

三源是线下拦截问卷和线上调研。在车站早晚高峰时段定向拦截高频出行者，回收有效问卷；同时通过线上渠道扩大覆盖面。问卷设计聚焦通勤特征、出行习惯、服务评价和改进需求，与大数据形成"定量+定性"的互补。

三源数据不是各说各话，而是相互校准。问卷采集的居住地和职业信息，用来验证信令算法的识别精度；信令数据揭示的OD矩阵，用来指导问卷投放的地理分层；票务数据的购票频次，用来筛选高访谈对象。终输出的是一套带标签的通勤客群数据库，而不是三张互不相干的报表。

二、通勤链不是"从A到B"，而是"从家到工位"

很多人把铁路通勤研究简化为OD分析——从哪个城市到哪个城市。这太粗了。

一个完整的通勤链至少包含六个环节：居住地到出发车站、车站候车、列车运行、到达车站、车站到工作地、以及可能的轮渡/接驳中转。任何一个环节出问题，整段通勤体验就崩了。

我们的研究框架是"门到门"全链路拆解。

在出发端，我们统计接驳方式和耗时。地铁覆盖度高的车站，旅客平均接驳耗时可以控制在15分钟以内；公交覆盖不足的车站，网约车接驳比例会飙升到40%以上，直接推高通勤综合成本。这个差距，不在列车运行图里，但在旅客的真实体验里。

在列车段，我们不只看准点率，还看满载率。高峰时段部分区段满载率过130%，意味着车厢内密度过设计容量，通勤者每天经历的是春运级别的拥挤。这个数据对运行图优化有直接指导意义——不是"加车"这么简单，而是"在哪个区段、什么时段、加多少、用什么车型"。

在到达端，我们关注"后一公里"的解决方案。车站与地铁的安检互认、公交时刻表衔接、网约车落客区布局，这些细节决定了旅客从下车到进办公室还要花多长时间。

对于跨海通勤链（如海南进出岛），复杂度高。轮渡衔接等待时间、票务系统割裂、恶劣天气应急响应，都是立的研究模块。我们曾测算过，一段跨海通勤链中，轮渡衔接等待占总耗时的38%，而轮渡准点率在台风季会降到50%左右。这些数字，不拆到环节级别是看不到的。

三、痛点不是"满意度低"，而是"具体哪里卡住了"

满意度评分是一个结果指标，但它解释不了"为什么"。我们的研究关注痛点排序和归因。

通过问卷和访谈，我们通常会梳理出通勤者的TOP5痛点。常见的包括：热门时段无票、接驳不便、候车环境差、退改签规则不灵活、列车晚点频繁。但不同走廊、不同客群的痛点排序差异很大。

广深走廊的通勤者，痛的可能是"早高峰抢不到票"；长株潭走廊的通勤者，周末"反向通勤"的车次不足可能是主要矛盾；海南跨海通勤者，大的焦虑来自"到了港口才知道停航"。

我们的做法是分层归因。先按地理走廊分层，再按客群特征分层（企业职工、高校学生、商务人士），再按出行频次分层（每日往返、每周往返、每月往返）。同一项服务，对不同人群的不同。比如"20次计次票"，对每日往返者吸引力有限，但对每周往返两到三次的商务人士可能是刚需。

我们还会做票制产品的需求测试。不是直接问"你想要月票吗"，而是设计具体的产品参数——有效期多久、覆盖哪些区间、溢价幅度多少、退改规则如何——然后测试购买意愿和可接受价格区间。这种模拟产品测试，比抽象的"需求调查"接近真实决策场景。

四、竞品分析：铁路不是在跟自己比

通勤者选择铁路，是因为铁路比自驾便宜、比大巴快、比网约车稳定。但如果这些比较优势在缩小，客流就会流失。

我们的竞品调研覆盖三个维度。

公路客运。看与铁路线路重叠的班线布局、班次密度和票价水平。很多公路客运企业已经在做"铁路接驳+短途运输"的转型，它们的转型成效直接影响铁路车站的客流集散。

网约车/顺风车。城际顺风车的价格动态、高峰加价机制、门到门便利性，对铁路的冲击主要在两端接驳环节。我们曾测算过，如果铁路两端的网约车接驳成本过车票本身，铁路的性价比优势就被大幅稀释了。

私家车。跨城自驾的成本（油费、高速费、停车费）和时间，与铁路通勤做对比。私家车通勤的吸引力不是价格，而是时间灵活性和私密空间。铁路要抢回这部分客流，靠的不是降价，而是"公交化运营"——高密度发车、随到随走、无固定车次。

竞品分析的终产出，是"竞争力模型"：在哪些走廊、哪些时段、哪些客群身上，铁路处于优势区间；在哪些场景下，铁路正在被替代。这个模型直接指导产品设计和营销策略。

五、从数据到建议，中间隔着一道"可行性验证"

数据分析做完，报告不是终点。我们的研究后一步，是"可行性验证"——提出的建议能不能落地。

这需要内部访谈。与客运部门聊票额投放策略和供需匹配现状，与调度所聊运行图编制原则和加密车次的约束条件，与营销部聊票价浮动机制和竞争策略，与站段聊车站高峰时段的客流压力和接驳设施瓶颈。

内部访谈的，是把外部调研发现的"需求"和内部运营的"供给能力"对接起来。比如外部数据显示某时段运力缺口30%，但调度所可能告诉你，这个时段的线路能力已经用满，再加密需要增加车辆或调整长途跨线列车的级。这种"需求-供给"的碰撞，才能产出真正可执行的建议。

我们通常会形成"三化一联"类的优化路径框架：公交化运营（运行图优化）、票制产品化（计次票/月票/企业团体票）、接驳一体化（站城协同）、信息联通化（多系统打通）。每一条建议背后，都有数据支撑和内部验证。

六、我们的研究体系，长什么样

总结一下，我们的铁路客运客户研究体系可以概括为"三层四面"。

三层，是数据层、分析层、建议层。

数据层：票务数据+信令数据+问卷数据+访谈数据+竞品数据，五源融合。

分析层：客群画像+OD矩阵+出行链拆解+痛点排序+竞品对标，五个模块。

建议层：运行图优化+票制+接驳改善+信息打通，四个方向。

四面，是覆盖四个关键视角。

旅客视角：通勤者真正需要什么，痛点在哪里。

运营视角：现有运力、票额、调度能力的约束边界在哪里。

竞争视角：公路、网约车、私家车在抢哪些客流。

行业视角：地区（长三角、京津冀、国外都市圈）有哪些可直接借鉴的经验。

这个体系不是一次性的调研项目，而是可以持续迭代的数据资产。每季度新一次信令数据，每年做一次大规模问卷回访，就能形成通勤客流的动态监测能力。

铁路客运正在从"卖票"转向"卖服务"。通勤客不是一次性消费者，而是高频复购用户。他们的忠诚度，取决于每一次出行的体验是否稳定、可预期。

把通勤客研究清楚，是优化产品的前提。产品对了，客流和收入都是自然结果。

关于上书房信息咨询

上书房信息咨询，总部位于深圳，在北京、广州、上海、长沙、成都、重庆、西安、新加坡设有分支机构。公司聚焦市场调研、行业研究、三方立调研、项目可行性研究等领域，在交通出行、公共服务、城市管理等方向积累了大量项目经验。

在铁路及城市交通领域，我们曾执行全国高铁站人流量监测、站城一体化交通枢纽开发调研、城市轨道交通运营评估、公交乘客满意度调研等项目，具备多源数据融合分析、大规模问卷执行、深度访谈和策略建议的完整能力。

如需了解铁路客运客户研究的完整方法论或探讨合作，欢迎后台留言。觉得有参考的话，转发给做铁路客运产品或运营的朋友。他们可能正在找一套能落地的客群研究方案。