分析解讀數據的真正目的是什么？_數據分析師

最近我在客上新開了一個數據分析專欄，主要是通過平時的一些數據解析來合理科學的提高網站的各項指標的。一說到“數據”，可能就會立馬讓人想到是數字、圖表、模型、方程等容易讓人怯步的詞語。其實做數據分析的真正目的和意義，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?？蓪τ谖覀儊碚f，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。

我們不妨將自己做個比喻，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”，而不是這些數據。

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。

案例分享：

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?！弊罱K，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?！苯Y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。

有了這個想法，追問她“送人嗎？還是BB用？送人我給你包裝一下，BB用的話可能加個把手好一些?！?

這時她告訴我，“謝謝你，那幫我加個把手吧，高端品牌就是講究啊，我也給BB試試看?！保ū砬檩p松愉悅）

“試過如果好的話，可以回頭光顧哦！”

她稍微用力眨了一下眼睛，揚起了嘴角“呵呵，好，我們先試試~~~”。說到這里，你懂的！

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，這需要你很好地讀懂選項占比以及填選項的人，才能做好。