技术如何赋能消费者洞察？

发表评论
文／宗瑞兴，云思科技CEO
4月底进行了有关《技术赋能消费者洞察》的第一次直播，这篇文章是直播内容中核心观点的论述。没有看直播的同学可以通过这篇文章了解核心观点。
  1. 传统市场调研模式已经落后于当前的营销发展
营销过程（包括品牌建设和销售达成）数字化程度越来越高，营销本身产生并应用大量数据，这些数据在业务过程中直接驱动行动。传统调研（包括定性和以问卷为基础的定量研究）已经被排斥在这个流程之外。随着数字化程度的增加，传统调研不会被完全取代（有些业务的数字化的过程会相当漫长），但其空间会被持续压缩。更长期来讲，企业的营销和生产过程可能会发生更加革命性的变革，比如C2M模式，在这种模式下，传统调研基本上会被完全颠覆掉。

  1. “市场研究”应该被重新定义
企业营销和运营数字化除了提升运营效率，另外核心的一点是有可能对消费者的需求有更深入理解。但是数字化并不意味有理解能力。消费者研究在数字化时代应该被重新定义，我认为企业市场研究团队的职责应该是基于传统业务模式或数字化运作的消费者理解能力建设和价值输出。
一些大型企业把研究团队称为CMI（Consomer and Market Intelligence）或CMK（Consomer and Market Knowledge），这个称谓我觉得是Market Research 或Marketing Research更加适合目前环境下这个部门的工作范畴和价值发挥。我觉得所有符合以下范围的工作都可以是这个团队的职责：
  • 以消费者为中心
  • 以证据为基础（evidence-based）
  • 同时符合以上两个条件的信息采集、管理、分析和决策产出
  1. 为什么业务的数字化并不能替代洞察团队的工作

  • 企业探索“未知”，支持战略性营销决策的依据

    业务数字化对消费者和业务的理解都是基于已经“运营”起来的流程，企业要探索未知则需要洞察团队来完成。比如是否要进入一个新市场、是否存在新但市场机会、竞争者的弱点在哪里。这些重要问题基于现有的数字化营销和运营体系是无法回答的。

  • 企业建立以消费者为中心，而非以产品技术为中心的能力

    当数字化业务和营销团队建立了产品体系并进行运作，其思路会更多以产品和技术为中心（能做什么），而非站在消费者角度进行思考（应该做什么）。这时候需要一个跳出具体业务进行数据采集、分析和决策支持的团队。这个团队是企业的数字化体系之上的大脑。

  • 企业级营销迭代能力

    企业应该具备企业级的营销迭代能力，各个能力之间进行信息共享、全公司一致的测量标准、跨部门的协同。企业数字化之后，各个业务部门会像八抓鱼的爪子一样，每个爪子都很敏捷，但之间可能并不协调，这种不协调会造成大量的浪费和问题。企业需要有数字化的大脑，这个大脑的数据和洞察能力需要有一个跳出具体业务的团队来建设。

  1. 技术赋能消费者洞察应该从传统市场研究数字化，以及和现有业务对接两方面去考虑
经典市场研究方法对企业仍旧非常重要，技术可以将部分高频标准化的研究工作数字化，节约大量的预算和日常执行时间，将资源用于更多探索和创新当中。
另一方面，消费者洞察应该通过技术手段与业务（数字化或非数字化）进行对接，采集和管理更多的业务数据，并将分析结果输出到业务和策略端。
在这个过程中，市场研究人员需要学习新的技术、增强产品思维，否则以传统研究的能力和思维无法摆脱原有的模式，只能在原有模式下进行局部优化。但是，产品和技术应该是服务于商业和研究的，不能脱离商业和研究的目标。
  1. PODOV模型 – 业务为先，技术赋能
云思提出所谓“PODOV模型”，用于指导洞察创新。
  • P – Plan 规划：要有脱离现有模式的中长期规划；
  • O – Data Operation  数据运营：先要把数据的采集、标准、分析方法、结果产出、反馈和测量等流程走通，然后再谈技术；而这个运营过程，有可能是需要采用新的思维方式来进行标准和流程的定义；
  • D – Deploy 开发和部署：对于可以产品化和数字化的部分，可以采用技术手段来实施；对于无法采用技术手段实施的部分，仍旧用传统方法来实现；
  • O – Product Operation 产品化运营：当有了数字化系统（开始可能是一个局部的、简单的工具），持续对系统进行运营，发挥系统的价值，持续迭代；让这套系统不断成长，生成更多的数据，创造原有模式下无法发挥的价值；D和O（第二个O）之间要持续开发反复迭代；
  • V – Value 价值输出：洞察系统持续给业务和策略输出价值，并获得反馈。
我们认为在这个过程中第一个O（数据运营）是最关键的，只有从现有业务中抽象出来可以数字化的部分，然后离线建立标准和流程，才可能有数字化可能。
  1. 发现和创造规模化应用的场景
PODOV模式如何入手？在研究工作中，要从那些有规模化应用的场景下入手，规模化应用的识别就是两点，高频和强需求。频率一定要高，偶尔应用的场景就用传统模式完成即可，没有必要数字化、上产品。强需求是指雪中送炭（must have）而非锦上添花（nice to have），判断的标准是询问“如果这个事情不做/数据不看/不做分析，业务或老板是否能够进行决策？”。如果答案是可以，那么不一定要做数字化。
之所以从高频强需求入手，一方面是技术的启动成本非常高，如果应用场景不够高频、解决的问题不够“痛”，开发了也很难落地；另一方面，技术（比如AI、数据库技术、可视化、机器学习）是适合支持大规模应用，数据量大了才会发现数据背后的规律，规模小了无法发挥技术的价值。
而对于高频强需求的工作，可以先做“简单输出”。即先用工具完成数据采集、数据输出等工作，业务上直接可用，先不做复杂的分析和模型。等到累积到足够数量自然会产生质变。

发表评论

电子邮件地址不会被公开。 必填项已用*标注