数据分析：解读数据？解读“人”！

一提到“数据”，可能经常会想到“数字”、“图表”、“模型”、“方程”等容易让人怯步的词语。其实“数据”的真正意义，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。但，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。

2. 拿着用户的文字反馈，尝试读懂这个“人”，而不是这些“字”。

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。

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/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，你懂的了。

(话说回来，真诚建议市场研究人员也不妨修炼一下表情动作的心理投射)

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，需要很好地读懂选项占比以及填选项的人，才能做好。