本文作者為騰訊CDC用戶研究員風凌

一提到“數據”，可能經常會想到“數字”、“圖表”、“模型”、“方程”等容易讓人怯步的詞語。其實“數據”的真正意義，是躲在背后的那些“人”。

在營銷學中，市場的根本在于需求，需求由人而生。因此，我們不應該就數字而數字，就算法而算法，應該自始自終關注“人”，市場研究則更是如此。

有人也許會說，“人”可不好說，有時說謊，有時偏私，真真假假。但，不是有種更簡單的想法嗎？我們自己本身就是“人”。作為市場研究者，大可不必將自己完完全全剝離在“人”這個概念以外，頂著看似客觀的立場，作困獸之斗。

這個時候，也許有人會質疑，如果加入更多自己的想法，你的研究還客觀嗎？

沒錯，作為市場研究者，必須客觀地看待事實，呈現事實。但事實是什么，如果總把自己孤立在另一邊，恐怕這個所謂的事實，也不過是披著云霧的謎團。

在這里，我必須強調，事實的重要性，正是為了看清事實，我們必須“有方法”地在某些情況下，將自己看成是同一邊的“人”，某些情況下，將自己獨立為另一邊的旁觀者。

這個“方法”，正是這篇文章試圖總結的東西。

1. 在用戶沒有表達任何觀點，或，還不清楚用戶的觀點之前，不要有任何想法。

我們不妨惡俗地將自己比喻成“蛔蟲”，主人都還沒有想法，就算你是肚子里的蛔蟲，也不可能會知道些什么。
 

所以，我們需要開放式問卷，引誘我們的主人試著講他們的想法，哪怕只是一點點。這就是所謂的定性階段。

2. 拿著用戶的文字反饋，嘗試讀懂這個“人”，而不是這些“字”。

當問卷回收了，我們“看到”主人們用“文字”寫下來的話。這就有兩個問題：

• 一是，開放式問卷數量很多，意味著主人很多，口味各不相同；
• 二是，文字的運用可能基于主人們的不同背景或個性有所不同（寫的不同），而由于有自己的背景，我們“看”的方式與主人們的表達方式也有所不同（看的不同），結果必然導致信息傳遞的缺失（最形象的比喻是，接力比劃游戲，結果往往啼笑皆非）。

這個時候，我們作為同一邊的“人”，可以出現了。

看著那些留在卷面上的文字，試想一下，那個“你”到底想說什么？這個時候仿佛可以讀懂些什么。但必須說明，這個時候的“你”只能是文字背后可能的那個人，而不應該有任何你的自我存在影響著判斷。

舉個簡單的例子，有兩個玩家同時說，你的游戲太耗錢了。請好好看看他們的等級，他們的角色，他們的收入/職業等背景信息，你可能會發現一位是中級，一位是高級，一位是肉盾，一位是魔法師，一位是學生，一位是藍領。

我們試著代入，如果你是中級肉盾，在這個游戲中會面臨怎樣的情境？因為游戲規則，你常常與高級玩家PK，結果是PK時常常輸掉（挫敗感過強），歸根到底是因為你的角色只是中級，然后會想“如果我練到高級了，就不怕跟高級玩家PK。”最終，頻繁花錢練級，花了錢，卻發現永遠不可能追上高級，那時正好有個問卷彈出來，你毫不猶豫地說“這個游戲太耗錢了”。

另一個角色，如果你是高級魔法師，因為你等級高，攻擊力強，很多人組你打副本，副本對你而言很簡單，但手機端的頁面總是復雜而龐大，一晚下來，流量用了一半。第三晚開始，隊友喊你，你就得用套餐外流量去參與同盟軍。兩個禮拜之后，月結日發現話費用了100塊在超出的流量上，這時你收到一個問卷，你義憤填膺地說“這個游戲太耗錢了”。

上面的例子是想說明，當你讀懂了文字背后的那個人，你會發現前者的“耗錢”根源很可能是玩法的成就感缺失，后者的“耗錢”根源很可能是頁面的聯網響應，二者講的可能完全不是同一回事。

3. 傾聽著用戶的話語，與其跟他說話，不如聽懂他的話。

有人可能會細心地看到，上面我用了“可能”下結論，說白了，這種代入只是“猜”，你沒有任何證據證明這個假設是對的。

沒錯，不記得哪位名家講過“大膽假設，小心求證”。如果說前面是如何用“代入”來大膽假設，后面則是如何用“代入”來小心求證。

有了一些粗糙的想法后，作為市場研究者，內心充滿了激動和好奇，沒有人比我們更想知道自己的假設或想法，到底對不對。這個時候，千萬注意，收起我們的激動和好奇。這種先入為主的情緒會成為我們發現事實的障礙。

前面只有文字接觸，接下來不妨親自與用戶對話，形式是多樣的，電話，面訪，現場測試等等。用近乎苛刻的連環追問（這里有技巧，追問的代價絕不能是用戶厭煩），讓用戶自己把自己挖透徹，這個過程可能是痛苦而艱難的，所以你的“代入”變得很重要。只有讓用戶感覺到，作為同一邊的“人”的你存在，他才會愿意做挖掘自己這種艱難的活兒。

案例分享：桌面上放著幾款不同品牌的，容量相同材質不同的奶瓶。

請一位中低收入家庭的全職媽媽在挑選的兩個中最終選出一個，并且說出原因。兩個備選的奶瓶分別是：高端品牌PP材質、一般品牌玻璃材質。最終她選擇了一般品牌玻璃材質。她告訴我們，PP材質不知道對小孩好不好，而且自己是全職媽媽，可以照料玻璃材質的，玻璃更安全。

幾個環節之后，我們加入這樣的內容“為了感謝您，我們額外送您一個贈品，請你隨便挑一個帶走吧。”結果，她選擇了高端品牌PP材質。

這時，你試著代入中低收入家庭的全職媽媽角色，似乎更能讀懂她的行為，這個高端品牌可能還是值得信任的，根源可能不在材質上，而在價格上。

4. 與其單獨看每個數字，不如串起來讀下去，完整地讀出一個“人”。

從開放式問卷的廣度，到與用戶對話的深度，我們一直在拼湊和補充材料，“代入”除了幫我們讀懂“人”以外，也幫我們描繪了可能存在的問題，可以通俗地理解為“準備上桌的菜”。這個菜到底能上不能上，材料是不是最終做出這個菜，還得繼續“小心求證”。

來到定量問卷階段，將你的材料組織好，送到用戶面前，讓他們決定，他們想要什么。用戶反饋回來之后，我們進入數據清洗、分析、解讀階段。

這里說一下“解讀”。

送到我們面前的是一堆數字，一堆圖表，我們任務不是告訴大家這個數字是多少，而是數字代表什么。

第一件要做的事是，將自己每種假設的相關數字聚集起來，考察它們是否可以串成鏈條（俗稱“證據鏈”），如果可以，很好，假設成立。如果不可以，研究一下，假設的漏洞在哪里，也許會發現一個新的結論。

第二件事是，將用戶視角下的諸如行為路徑、態度軌跡、需求滿足過程等鏈條相關的數字串聯起來，看看是否能完整描繪出“人”的形象。如果可以，很好，又一個結論浮現了，如果不可以，檢查一下矛盾或缺漏點在哪里，也許會發現用戶分類方法不對，另外一個細分維度可能更有效。

舉個簡單的例子，你有用戶對皮膚的元素、顏色、風格、主題的偏好，串聯起來，加上一個合適的細分維度對比分析，會發現年齡不同的用戶，社會沉浸經歷不同，總體風格偏好也存在差異。再類推延伸一下，會發現社會沉浸經歷可能會投射在更多其他領域的偏好上。

有人可能會問，這里好像沒看見“代入”。其實，在你做的兩件事里面，就已經有“代入”。組織證據鏈、剖繪形象人這兩件工作，需要很好地讀懂選項占比以及填選項的人，才能做好。