分析解读数据的真正目的是什么?
最近我在马海祥博客上新开了一个数据分析专栏,主要是通过平时的一些数据解析来合理科学的提高网站的各项指标的。可能一说到“数据”,可能就会立马让人想到是数字、图表、模型、方程等容易让人怯步的词语。其实做数据分析的真正目的和意义,是躲在背后的那些“人”。
在营销学中,市场的根本在于需求,需求由人而生。因此,我们不应该就数字而数字,就算法而算法,应该自始自终关注“人”,市场研究则更是如此。
有人也许会说,“人”可不好说,有时说谎,有时偏私,真真假假。可对于我们来说,不是有种更简单的想法吗?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。
在这里,我必须强调,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。这个“方法”,正是这篇文章试图总结的东西。
1、在用户没有表达任何观点,或还不清楚用户的观点之前,不要有任何想法。
我们不妨将自己做个比喻,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。
2、拿着用户的文字反馈,尝试读懂这个“人”,而不是这些数据。
当问卷回收了,我们看到“主人们”用“文字”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(写的不同),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(看的不同),结果必然导致信息传递的缺失(最形象的比喻是,接力比划游戏,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。
案例分享:
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/职业等背景信息,你可能会发现一位是中级,一位是高级,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,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,很多人组你打副本,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,月结日发现话费用了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,二者讲的可能完全不是同一回事。
3、倾听着用户的话语,与其跟他说话,不如听懂他的话。
有人可能会细心地看到,上面我用了“可能”下结论,说白了,这种代入只是“猜”,你没有任何证据证明这个假设是对的。
没错,不记得哪位名家讲过“大胆假设,小心求证”。如果说前面是如何用“代入”来大胆假设,后面则是如何用“代入”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。这种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,现场测试等等。用近乎苛刻的连环追问(这里有技巧,追问的代价绝不能是用户厌烦),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种艰难的活儿。
案例分享:
桌面上放着几款不同品牌的,容量相同材质不同的奶瓶。
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,你试着代入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。”(表情轻松愉悦)
“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,你懂的!
4、与其单独看每个数字,不如串起来读下去,完整地读出一个“人”。
从开放式问卷的广度,到与用户对话的深度,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,将自己每种假设的相关数字聚集起来,考察它们是否可以串成链条(俗称“证据链”),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,这需要你很好地读懂选项占比以及填选项的人,才能做好。