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。