在进行问卷调研的时候，我们经常需要对不定项多选题进行排序，举例来说：
这类题目设计初衷主要是为了让用户基于自身体验对该品类下的品牌强制按照喜好度排序，最终分析得出品牌喜好度的竞争力。相较于让用户对每一个品牌进行喜好度打分，这种问题设计方法能够避免用户中庸性的打分导致品牌喜好度趋同，无法得出有力的品牌竞争力结果，同时，也能将多个品牌的打分题融合为1道排序题，大大缩短问卷长度和答题时间，提升用户的答题体验。
处理这类题目时，一般的做法是直接计算各品牌的排序序号平均值或中位值，按照计算所得的平均值或中位值进行排序得出品牌的竞争力。但事实上，这种处理方式存在一个缺陷：使用过2个品牌后将品牌A列为最喜欢 和 使用过5个品牌后将品牌A列为最喜欢 在这种处理方式下被认为是等同效果的。这似乎与我们的常识认知所不相符。
这里介绍一种数据分析方式，试图解决这一问题。
该数据分析方式是建立于这样一种假设：当用户使用过5个品牌后选择品牌A为最喜欢 的含金量 高于 当用户使用过2个品牌后选择品牌A为最喜欢。接下去以示例进行说明：
常见的问卷编辑网站，通常会将这类排序题的回收结果按照这样的形式呈现：
其中，数据为空代表该样本未使用过该品牌（Q1未圈选），数值越小喜好度越高（1代表最喜欢）
第一步：计算每个样本进行喜好度评价的品牌总数（即Q1圈选的选项数量）
第二步：以评价品牌计数对各品牌的排序值进行赋权，从而实现：品牌A 被使用过5个品牌的用户选为最喜欢（排序=1）；品牌B 被使用过2个品牌的用户选为最喜欢（排序=1）。在赋权后，品牌A被选择为最喜欢（排序=1）的权重= 5*品牌B被选择为最喜欢（排序=1）
第三步：由于第二步处理之后，各排序下所得数值越大，则该排序的选择率越高，因此需要对排序值重新赋值后再加权平均
最终得出排序结果，数值越高，喜好度越高。此方法的优势在于：能够消除基于多选题的排序题中，由多选不定项带来的排序偏差。
