看透数据,读懂人

时间:2022-08-12 08:45:21

看透数据,读懂人

在营销学中,市场的根本在于需求,需求由人而生。因此,“数据”的真正意义,是躲在背后的那些“人”。我们不应该就数字而数字、就算法而算法,应该自始至终关注“人”,市场研究则更是如此。

有人会说,“人”可不好说,有时说谎,有时偏私,真真假假。但,不是有種更简单的想法吗?我们自己本身就是“人”。作为市场研究者,大可不必将自己完完全全剥离在“人”这个概念以外,顶着看似客观的立场,作困兽之斗。

这个时候,也许有人会质疑,如果加入更多自己的想法,你的研究还客观吗?

没错,作为市场研究者,必须客观地看待事实,呈现事实。但事实是什么,如果总把自己孤立在另一边,恐怕这个所谓的事实,也不过是披着云雾的谜团。

事实的重要性,正是为了看清事实,我们必须“有方法”地在某些情况下,将自己看成是同一边的“人”,某些情况下,将自己独立为另一边的旁观者。

我们不妨恶俗地将自己比喻成“蛔虫”,主人都还没有想法,就算你是肚子里的蛔虫,也不可能会知道些什么。

所以,我们需要开放式问卷,引诱我们的主人试着讲他们的想法,哪怕只是一点点。这就是所谓的定性阶段。

读懂人而不是字

当问卷回收了,我们“看到”主人们用“文宁”写下来的话。这就有两个问题:

一是,开放式问卷数量很多,意味着主人很多,口味各不相同;

二是,文字的运用可能基于主人们的不同背景或个性有所不同,而由于有自己的背景,我们“看”的方式与主人们的表达方式也有所不同,结果必然导致信息传递的缺失。最形象的比喻是,接力“你比划我来猜”游戏,最终结果往往啼笑皆非。

这个时候,我们作为同一边的“人”,可以出现了。

看着那些留在卷面上的文字,试想一下,那个“你”到底想说什么?这个时候仿佛可以读懂些什么。但必须说明,这个时候的“你”只能是文字背后可能的那个人,而不应该有任何你的自我存在影响着判断。

举个简单的例子,有两个玩家同时说,你的游戏太耗钱了。请好好看看他们的等级、他们的角色、他们的收入以及职业等背景信息,你可能会发现一位是中级玩家,一位是高级玩家;一位是肉盾,一位是魔法师;一位是学生,一位是蓝领。

我们试着代入,如果你是中级肉盾,在这个游戏中会面临怎样的情境?因为游戏规则,你常常与高级玩家PK,结果是PK时常常输掉,挫败感过强。归根到底是因为你的角色只是中级,然后会想“如果我练到高级了,就不怕跟高级玩家PK”。最终,频繁花钱练级,花了钱,却发现永远不可能追上高级玩家,那时正好有个问卷弹出来,你毫不犹豫地说“这个游戏太耗钱了”。

另一个角色,如果你是高级魔法师,因为你等级高,攻击力强,很多人和你组队打副本,副本对你而言很简单,但手机端的页面总是复杂而庞大,一晚下来,流量用了一半。第三晚开始,队友喊你,你就得用套餐外流量去参与同盟军。两个礼拜之后,发现话费用了100块在超出的流量上,这时你收到一个问卷,你义愤填膺地说“这个游戏太耗钱了”。

上面的例子是想说明,当你读懂了文字背后的那个人,你会发现前者的“耗钱”根源很可能是玩法的成就感缺失,后者的“耗钱”根源很可能是页面的联网响应,二者讲的完全不是同一回事。

听懂用户的深意

有人可能会细心地看到,上面我用了“可能”下结论,说白了,这種代入只是“猜”,你没有任何证据证明这个假设是对的。如果说前面是如何用“代入”来大胆假设,后面则是如何用“代人”来小心求证。

有了一些粗糙的想法后,作为市场研究者,内心充满了激动和好奇,没有人比我们更想知道自己的假设或想法到底对不对。这个时候,千万注意,收起我们的激动和好奇。这種先入为主的情绪会成为我们发现事实的障碍。

前面只有文字接触,接下来不妨亲自与用户对话,形式是多样的,电话、面访、现场测试等。用近乎苛刻的连环追问,让用户自己把自己挖透彻,这个过程可能是痛苦而艰难的,所以你的“代入”变得很重要。只有让用户感觉到,作为同一边的“人”的你存在,他才会愿意做挖掘自己这種艰难的活儿。

分享一个案例,在一张桌上放着几款不同品牌、容量相同但材质不同的奶瓶。

请一位中低收入家庭的全职妈妈在挑选的两个中最终选出一个,并且说出原因。两个备选的奶瓶分别是:高端品牌PP材质、一般品牌玻璃材质。最终她选择了一般品牌玻璃材质。她告诉我们,PP材质不知道对小孩好不好,而且自己是全职妈妈,可以照料玻璃材质的,玻璃更安全。

几个环节之后,我们加入这样的内容:“为了感谢您,我们额外送您一个赠品,请你随便挑一个带走吧。”结果,她选择了高端品牌PP材质。

这时,你试着代人中低收入家庭的全职妈妈角色,似乎更能读懂她的行为,这个高端品牌可能还是值得信任的,根源可能不在材质上,而在价格上。

有了这个想法,追问她:“送人吗?还是BB用?送人我给你包装一下,BB用的话可能加个把手好一些。”

这时她告诉我:“谢谢你,那帮我加个把手吧,高端品牌就是讲究啊,我也给BB试试看。”

“试过如果好的话,可以回头光顾哦!”

她稍微用力眨了一下眼睛,扬起了嘴角:“呵呵,好,我们先试试。”

说到这里,你应该懂了。

将数字组合成“人”

从开放式问卷的广度,到与用户对活的深度,我们一直在拼凑和补充材料,“代入”除了帮我们读懂“人”以外,也帮我们描绘了可能存在的问题,可以通俗地理解为“准备上桌的菜”。这个菜到底能上不能上,材料是不是最终做出这个菜,还得继续“小心求证”。

来到定量问卷阶段,将你的材料组织好,送到用户面前,让他们决定,他们想要什么。用户反馈回来之后,我们进入数据清洗、分析、解读阶段。

这里说一下“解读”。

送到我们面前的是一堆数字,一堆图表,我们的任务不是告诉大家这个数字是多少,而是数字代表什么。

第一件要做的事是,将自己每種假设的相关数字聚集起来,考察它们是否可以串成链条,如果可以,很好,假设成立。如果不可以,研究一下,假设的漏洞在哪里,也许会发现一个新的结论。

第二件事是,将用户视角下的诸如行为路径、态度轨迹、需求满足过程等链条相关的数字串联起来,看看是否能完整描绘出“人”的形象。如果可以。很好,又一个结论浮现了,如果不可以,检查一下矛盾或缺漏点在哪里,也许会发现用户分类方法不对,另外一个细分维度可能更有效。

举个简单的例子,你有用户对某款产品皮肤的元素、颜色、风格、主题的偏好,串联起来,加上一个合适的细分维度对比分析,会发现年龄不同的用户,社会沉浸经历不同,总体风格偏好也存在差异。再类推延伸一下,会发现社会沉浸经历可能会投射在更多其他领域的偏好上。

有人可能会问,这里好像没看见“代入”。其实,在你做的两件事里面,就已经有“代入”。组织证据链、剖绘形象人这两件工作,需要很好地读懂选项占比以及填选项的人,才能做好。

上一篇:个人的商业模式设计 下一篇:打折不如加量好