數據 | 沒錢沒資源，怎麼做調研（一）

先去做個調研，收集一下用戶反饋。

在各種部門彙報工作的會議上，往往會聽到類似這樣一句話：

數據顯示這次活動的效果非常好 / 數據A和數據B可以看出我們的用戶是xxx樣子的。

和第三方服務公司開會時候，更會聽到：

我們和運營商合作，拿到的用戶大數據比其他公司更精準，分析更有價值。

「數據」更像是這些場合的語言遊戲。倘若不加嚴格拷問，通過「數據」得出的結論往往難以反駁。其中謬誤帶來的效率浪費，往往也比拍腦袋的來的更可怕。

謬誤1-調研採集的數據一定能分析出什麼來

這更多是心理上的問題，因為無論企業或大或小，面對的是或重或輕的問題，執行團隊都很難面對辛苦工作的結果往往沒有分析價值。

但無論是線上調研、線下調研抑或海量「運營商數據」也好，普遍存在兩個先天缺陷：一是樣本量不足，二是數據採集存在偏差。

樣本量不足很好理解，因為無論何種數據採集或調研方法，都難以真正做到「海量」。而數據採集偏差是調研經常犯的錯誤，常見表現形式是「在我們公眾號發個調研」&「你覺得我們的產品好看嗎？」。

即倖存者偏差和誘導性問題。首先我們在做數據採集的時候往往會受限於手頭的現有資源，公司樓下、新媒體的公眾號、我們的朋友等等，數據源本身就經過了一輪條件篩選；其次在採集數據過程中，大到埋點採集到數據的信噪比小到問卷里問題的順序和文字內容，都會影響到數據本身的準確性。就屁顛屁顛去問朋友「你覺得我們的產品好看嗎？」，只要不是太丑大部分人也都會礙於面子給個中上的評價。

謬誤2-有了調研數據就不用拍腦袋了

最典型的例子就是福特那句經典的「大部分用戶想要一匹更快的馬，而我給他們的是福特汽車」。

有這種想法的人往往身負決策壓力：一方面篤信數據價值的必然性，一方面認為拍腦袋是扯淡且容易擔責任。這事本身更扯淡，不僅因為「拍腦袋」的另一個名字叫做「洞察力」，只看數據不做分析和思考本身就是一種懶惰；還因為企業內部管理的核心準則之一是規避風險，機制上廣泛避免人犯錯是企業本能，某種程度也是一種無奈。

調研恰恰是洞察和決策的開始。

舉2個打分數的例子。

德國考試製度里分數是1~6分，1分最高，5、6分不及格。導致很多Googleplay里的優秀App在德國「慘遭」滑鐵盧。

另一個例子是在做硬體時經歷的。在一次電話回訪里要求用戶對我們空氣凈化設備的凈化效果和外觀設計分別打分。1~5分任意打分，最終調研結果2道題目都是3.5分左右。看似結論都是「設計和凈化效果表現都還可以」。

但在我自己調研的20個電話里有個有趣的現象：

在凈化效果方面用戶最多的反饋是

「我也不知道效果怎麼樣，好像還行，4分吧」。

而在設計方面大部分結論是

「4分」。

用戶大部分只會在極端情緒時候才更願意表達意見。所以在凈化效果上，無論分數，最大的反饋其實是「不知道凈化是否起作用了」，帶來的解決方向是「強化凈化效果的用戶感知」；而設計上大部分人沒有反饋，其實更多傳達的是一個比較無感或者大體上中規中矩的設計，反饋其實是「沒有太丑到不能接受也沒有好到讓我驚艷」。

謬誤3-如果有足夠多的數據，就能解決所有的問題

這其實是最本質的謬誤，妄圖用數據解決一切。

首先「足夠的數據」並不存在，因為你總能通過增加更多的條件得到更多的數據。

退一步講，假如有所有的數據，也並不能解決所有的問題。粗暴地劃分工作中的問題可以分成「我們該做什麼」和「我們怎麼才能做得更好」。在一個坐標系裡看待這兩個問題，前者類似曲線的截斷出，當前點是一個斷層；而後者更類似連續曲線的上的某一點，與前後是連續的。

「我們該做什麼」是典型先見性問題。而「我們怎樣才能做得更好」通常可以通過「我們以前怎麼做的、效果怎麼樣」來見微知著，典型後見性問題。還是福特的例子，如果他在思考「我該創業做什麼？」的時候，快馬的結論顯然對他幫助不大；而如果是一個馬商在思考「該如何把馬養的更快」的時候，顯然總結之前的養馬經驗和收集友商的養馬意見很可能是有效的。

在「數據能解決什麼」這個問題上，推薦2個互聯網金句：

在獵豹還是金山網路的時候，一位前輩曾經的分享：

數據不能給你告訴你想法，更多是幫你驗證想法

另一句來自《精益數據分析》：

漸進式的改變可以達到局部的極限，創新則可能導致全局洗牌

Ending

• 在糾結如何做調研之前，首先不要妄圖用數據採集解決一切，搞清楚面對的問題本質上是什麼最為重要

• 其次需要了解調研的天然限制（樣本量、採集偏差、分析與洞察），並不是採集到的所有數據都一定有價值
• 最後建議把數據當成思考的輔助工具，比數據更有價值的是你的獨立思考和判斷

好像沒說什麼實際的，下一篇盡量舉個實例

本文為原創，轉載和打賞無需告知請肆意妄為：），轉載請註明出處

題圖來自：unsplash.com

推薦閱讀：