用數據說話和用事實說話是兩個不同的概念，用事實說話和用全部事實說話也是兩碼事。在實際市場洞察中，所有數據都是被人為定義的，基于某種標準量綱或統計標準的量化指標。因此數據的客觀性僅僅體現在統計標準之上，而非事實之上，更不是事實的全部之上。所以，當我們要求市場分析人員用數據說話的時候，我們關注到的未必是市場本來的面目。如果決策者在不了解統計標準本身的基礎上就盲目使用這些數據，洞察本身不僅不再可靠，基于洞察產生的行動也必然潛藏風險。但是，用數據說話又是我們多年來奉為真理的行動綱領，或者至少是某種政治正確。

舉一個例子，在如今我們研究汽車產品創新問題的過程中，“場景”終于成為了大家行動的共識。但為了繼續用數據說話，我們就必須對場景做各種量化。于是可能就有如下一種對場景的描述場景：我們調研了10,000個用戶，其中8,500人有固定的上下班路線，并且工作日基本都要自駕上下班。在這8,500人當中，上下班半徑超過20公里的有4,000人，他們當中60%會涉及高架路和開放式道路相結合的路段。對于上下班半徑超過20公里的人而言，上下班平均單程通勤時間超過30分鐘的有2,500人，超過60分鐘的有1,000人。超過30分鐘的人當中有900人每天在車上吃早餐，他們吃完早餐后有500人抱怨垃圾沒地方放……

看上去這是一個事實清楚、數據完整、邏輯嚴密的量化場景描述。至少在大多數習慣于用數據說話的人眼中是這樣的。但是，我們如何將這樣的一個場景洞察（統計）應用到產品定義和開發當中呢？不急，我們還可以對比其他場景。比如還是上述10,000個研究樣本當中，有1,500人周末經常和全家人一起開車去周邊景區。顯然，上下班場景的覆蓋度85%，使用頻率每周5次左右。周末自駕游場景的覆蓋度15%，使用頻率每個月1次左右……從指標上這個結論很確定，但這又說明什么？我們不能把一款車的資源分配按照這個頻率簡單對應吧？再如，還是上述10,000個研究樣本中，有2人出過嚴重車禍，經歷過氣囊彈出的狀況。那么這萬分之二的覆蓋度又是什么含義呢？

顯然，單純依靠覆蓋度和使用頻率這樣的指標不足以描述場景，更加不足以指導車輛開發的資源分配問題。于是就有人想到了增加維度的解決方案。比如我們可以詢問用戶對所有羅列出場景的關注度，或者這些使用場景對于用戶買車決策的影響程度等等指標。當然，在市場調研的操作中，確實可以這樣實施，也必然會有一組可以返回到統計報表當中的數據，而且這些數據是非常結構化的，如果展示出來也肯定可以符合大部分人眼中“事實清楚、數據完整和邏輯嚴密”這種評價標準的。但你真的認為這就是事實嗎？這能應用在市場預測或者產品定義需要符合的用戶生活方式、用車方式和選車標準預測當中嗎？

在變革周期，當整體性的參照系消失，或者至少是變得模糊，用戶的認知標準和認知能力也都在快速變化的時候，前面我們舉例的那種經典的，帶有濃厚刻板色彩的市場認知邏輯就必須改變。那么什么樣的認知邏輯更有可能幫助我們對市場做出更加深刻的洞察呢？矛盾論才是我們在動態的、快速迭代的市場中找到出路的最佳答案。

還是關于場景庫的案例，我們要比較的并不是每個場景的絕對量化關系，場景庫背后是人們生活方式和用車方式的變化。因此我們要尋找的是每個場景自身的演化方向、可能出現的新場景以及在各種場景上用戶需要面對的各種問題。場景之間簡單的頻次對比或者重要性對比并沒有實質意義，有意義的是不同場景下用戶意圖的相似性和差異性，用戶使用當前可以找到的解決方案（現有產品）面臨的主要矛盾以及矛盾的主要方面。如果疊加對未來生活方式、用車方式的變化，用戶使用現有解決方案面臨的主要矛盾以及矛盾的主要方面……在上述洞察當中，我們要關注的是問題本身，而不是對問題的量化抽象，更加不是對量化抽象的簡單量化統計對比。

用矛盾論的視角看問題，我們需要的就不再是把事實和結論隔離開的，靜態的“形而上”。因為只有當我們把全部，至少是主要精力放在問題本身，我們才能設身處地地理解矛盾，定義主要矛盾和矛盾的主要方面。進而才能更加準確地尋找解決矛盾的答案。

返回第一電動網首頁 >