方四一：在数字时代，您认为市场研究行业有哪些比较明显的变化？

黎沛姿：

首先我想厘清一个概念，就是如何正确的来理解市场研究工作、行业。市场研究是干什么的呢？用比较通俗的话说，就是数据驱动的、以用户为中心的决策支持。数据驱动是基本特性，以用户为中心是出发点，帮助企业完成更高质量的营销决策这是目标。所以，本质上，市场研究就是识别市场机会和解决市场问题的。

从这个意义上说，无论是在传统时代，还是现在的数字时代，这个需求没有变。过去的企业有这个需求，现在的企业仍然有这个需求，不仅有，而且还更强调了，现在讲用户为王、用户体验、一切以用户为中心嘛，那你不研究市场、不研究用户，怎么才能以用户为中心呢？

同时，市场研究贯穿于产品的整个生命周期。以食品为例，在机会识别层面，我们就要研究目标人群的偏好和需求，找到市场机会；然后，会对产品进行概念测试；然后在产品研发过程中，再对产品、价格、口味、包装这些进行组合测试；到了产品上市、品牌传播阶段，就要沟通概念广告，对广告效果进行监测，对渠道表现进行监测；产品上市后，还要收集用户的反馈和意见，对产品进行满意度调查等等一系列的研究工作……你看是不是产品全生命周期都要参与？这一点，在今天仍然没有变化，只不过是方式有些变化，研究手段更丰富了，比如大数据参与进来了。

在新的技术环境下，市场研究的效率和效果也得到了比较大的改善。在传统的市场研究阶段，有些地方是存在先天的不足的，比如做不到快速和敏捷，你要抽样、要收集数据、分析，最终这个结果是不容易很快拿到的，通常需要几个月，而现在，数据采集、分析的效率都有了根本性的提升，自然就更加的快速和敏捷了，这是第一点变化。

那第二呢，从洞察到行动——也就是转化效果，现在的广告投放都是可以精准的统计分析的，也就是效果可衡量。所以，市场研究或者推导出来的策略，到底有没有用，有多大的用，可以通过数据来进行衡量了，这在过去也是办不到的。

第三呢，当然就是对新技术的理解和应用，我就不多说了。

第四呢，就是今天我们的市场研究具备了多数据融合的能力和条件。比如，现在我们做市调，其实我们采集数据的方式不是仅仅有问卷、座谈这些方式了，而是有了多种的方式和选择，也会收集上来更多维度的数据，这些数据在一定程度是可以并表或者ID打通的，数据链更完整，更丰富。

方四一：相比传统的市场研究方式，大数据这种方式在市场研究中的优势是什么？

黎沛姿：

在传统研究层面，研究的准确性会受到多种因素的影响，比如问卷本身的质量，访问员的技巧，被访者的态度等等。特别是，如果我们想做一个定性的访谈，你的访问员特别特别重要，如果访问员能力不行或者技巧不够，他就收集不到很好的信息了，质量会很受影响。

同时现在还面临一个问题，现在的失访率不断攀升，比如说由于住宅安防的加强，很多时候你要找人去访问，事实上你很难接触到目标对象了，所以针对某些特定群体的市调代表性会受到越来越多的影响。然后就是数据标的一个有限，有一些细小群体的信息价值很容易被忽略，这就是所谓的长尾数据。我们知道有一个著名的长尾理论，那这个长尾的信息怎么收集到？你用小数据是很难看到长尾的这个价值的，而大数据在研究长尾的时候，价值就显得非常突出了。

那相比传统方式，大数据具体有什么优势呢？

我认为，第一个，更能收集到用户的真实行为数据，因为用户做了就是做了，没做就是没做，在后台数据库上会直接反映出来。比如我们调查某个广告的曝光数据。传统方式，就是发放调查问卷，然后问一些人群看没看到，看到了几次？你可以想象这个场景，这样基于记忆，而且是靠人手工填出来的数据，是相当不准确的。首先每天接收那么多广告他很容易混的，张冠李戴的情况很常见；然后并不是每个人都会有耐心的来回答你的问题，你不能保证他不随便划拉一下敷衍你。但基于大数据的广告曝光、点击行为、浏览行为、购买行为，基本上都是实打实的。

第二个呢，大数据通常可以更精确的做出一个预测，其实这个是大数据被认为最有价值的一个部分，因为在海量数据的条件下，做市场预测还是更靠谱一些。

第三呢，就是市场研究对营销进程可以做到实时性的干预和优化。实时的营销就需要实时的信息来帮助你去决策，所以需要一个实时的数据洞察，那在这一点上，大数据的确是更方便了。再比如，刚才讲到长尾数据的这个价值，那某些情况下它比传统研究更经济、速度更快，比如说从舆情数据发现客户对产品或品牌的不满，那你就能够更快的做出反应。在过去传统方式下，我们做一个营销活动真正的效果出来可能要下个月才能看到，但大数据驱动的营销效果可以做到实时化监测。

方四一：哪些市场研究问题更适合用大数据这种方式？

黎沛姿：

我特地做了一个归纳，总的来看，在市场细分、市场策略研究、广告测试、广告效果监测及归因、创意测试、广告代言人的选择等这些场景，大数据使用的效果是比较不错的。

比如市场策略研究，像用户在媒体上的触媒习惯。因为现在很多媒体都数字化了，那用户到底在使用哪些媒体App，在媒体APP内使用了哪些栏目、功能，浏览了哪些页面……等等，都可以完全通过大数据来获得。用户的购买习惯也是一样，比如说他的家庭日用品多长时间加购一次，每一次买多少，哪些SKU是组合在一起买的。比如我们都知道那个非常经典的案例——就是啤酒和尿布的例子，这样的信息在大数据这个层面，获得就非常简单了，因为你从数据后台一看，你就知道他买啤酒的时候是不是也同时买了尿布了？用户生活习惯和兴趣爱好也是一样，比如你是一个喜欢瑜伽的人，那你在网上就会关注一些瑜伽相关的公众号，读一些瑜伽主题的文章，去参加一些瑜伽相关的课程，Keep这样的APP里也会记录你有没有做过瑜伽。

再比如广告代言人的选择，当选择代言人的时候，不是拍脑袋了，喂，你觉得周迅怎么样？我们可以用大数据说话，看她的粉丝数量怎么样，粉丝的质量、标签和你的这个目标人群是否匹配？这都是可以分析的，因为明星的粉丝们都有标签——profile，有了这个我们就可以分析明星粉丝的画像，比如性别、年龄、地域、偏好等等。因为有的时候，品牌最怕请到的就是那种过气的明星，那就可以通过大数据来综合分析研判。

再比如广告的定向和效果的监测场景也是非常有效的，当然这里重点说的是数字广告。有了用户的profile标签，那我们在做投放的时候，就可以精准投放了。以我们腾讯的社交广告为例，它有比较强大的用户画像标签体系，比如说人口学的、兴趣爱好的、行为的、行业垂直类的、设备的、地理位置的等等。还包括用户购买行为，虽然腾讯不做电商，但和京东有战略合作，可以拿到京东的用户购买数据，这样一来数据的丰富度就大大增强了。那有了这套标签体系后，就可以根据自己品牌或产品的特性，来做更精准的投放，获得更好的ROI效果（Return on Investment，即投资回报率，编者注）。当然，在对ROI进行统计分析时，涉及到广告归因的问题，大数据基本上也能够解决，也就是说当广告曝光开始和用户发生接触后，那么用户后面的一系列行为，都是可以关联起来的，比如点击、浏览、咨询、下单、评价等等。

这里我说个案例，玛莎拉蒂这款车当时要上市促销，他们找到我们，说我怎么才能够找到消费力强的这个人群进行高效的触达呢？这个诉求其实就比较好达成了，那就去筛选标签呗，比如爱买奢侈品的用户，高端商学院的学员（这是基于地理标记算出来的，比如北大光华商学院有固定的校区，那我就从用户的行为轨迹上去看，他是不是经常去那里？如果是，那可以推断他就是商学院的学员），再比如是不是住在别墅区，他的社交圈子是不是富人比较多（人以群分）等等，把这样的标签找出来后，再定向投放，那看到广告的大概率就是玛莎拉蒂的目标用户，最终玛莎拉蒂的投放转化效果提升了40%。

方四一：对不起我插您一句，那线下广告呢？大数据是不是就无能为力了？

黎沛姿：

这是一个好问题。线下广告的确不太容易监测，但也并不是完全无能为力，在有些场景中，是可以借助它来达到某种效果的。

我还是举个实际的场景吧，在广告投放中，广告主经常有一个需求，就是“频控”，也就是将同一个人接触广告的频次控制在一个范围内，太少了不行，刺激强度不够，形不成消费；而太多了也不好，一是成本会增加、无效广告消耗会增加，二是过度曝光会引起用户反感。所以，频控的需求就出来了。但问题是，广告主投放广告，在一个时间段内，经常是线上、线下同时投放的，线上投放的频次相对好监测，但要是叠加了线下呢？他在线下看了多少次，无法统计呀。那怎么办呢？现在就可以通过基于地理位置（LBS）的技术来实现，简单说，线下广告牌都是有地理位置信息的，那经过广告牌的人，我就认为他是有机会看到这个广告的，所以线下的广告曝光频次也可以得到了——当然这并不是完全准确，但作为一个参考，总比一点都不掌握要强。这样，在做频控的时候，我们就有了更强的依据性。

方四一：嗯您这样一说我就明白了，最后再问您一个问题：用大数据做市场研究，有哪些需要注意的地方没有？

黎沛姿：

在我看来，主要有这么一些点要注意。

第一，数据量大不等于代表性好，由于信息的碎片化等原因，能够代表所谓总体的数据几乎不存在，定义并理解你的目标用户，并科学的抽样很重要。虽然说大家现在都崇尚这个大数据，但我觉得数据其实没有大小高低贵贱之分，事实上，有的问题你其实可以用小数据来解决就好，真的没有必要去用这个大数据了。所以你的衡量准则还是说你如何能够准确、快速、经济的产出洞察，解决你的营销增长问题，然后再来说需不需要使用大数据。适合自己的才是最好的。所以大家还是要理智客观的来对待这个大数据，有的时候小数据能解决的问题，我们真的没有必要去用这个大数据来解决。

第二，数据一定要详查出身，去伪存真，数据再小有长处，数据再大也有软肋，应该用其所长，避其所短。有句话叫“英雄不问出处”，但我要说的是“数据一定要详查出身”。当我们拿到一份大数据报告的时候，首先就是应该问这个数据是什么数据，是什么时间段的，比如报告上说App的活跃用户有多少多少，那这个活跃是什么概念？是日活、周活还是月活？一天活跃了几次？这性质都是完全不一样的。把来龙去脉弄清楚，把数据的性质和状况弄清楚，我们才会知道这个数据他是不是能够或者说在多大程度上能够代表真实的市场状况，避免被误导，从而做出错误的市场决策。

第三，数据要融合，融合不是简单地数据合并，不同挖掘逻辑产生的数据通常不适合直接合并，而是用不同的数据组合解决同一个营销问题，这样的融合有大小数据融合、不同类型的大数据融合、借助Panel进行数据打通等等，总之要有意识的培养自己的数据“混搭”能力。

第四，数还是自己的好，没有人比你更了解自己需要什么，帮助品牌实现增长是所有研究的最终目的。我还是主张企业一定要建立品牌的私有数据库，可以通过打通内部的CRM数据、数字营销数据、市场数据以及电商数据等，建立企业自己的消费者数据库。继而与外部大数据融合，丰富用户标签，形成更完整的客户画像，用于具体项目的洞察研究。

最后，一定要透过数据看到本质，就是通常所说的洞察。在业务中，只会呈现一堆数据，这是远远不够的。要从数据中得到洞察，其实具体地讲，就是要从四个维度去看，分别是数据、信息、分析、洞察。比如说我的市场份额是15%，这指的是数据；然后，说这个指标和去年同期相比掉了两个百分点，这就是信息；什叫分析呢？就是分析我的市场份额为什么下降了，比如说是不是有新的竞争者进来，或者我今年做了什么不一样的事情等等，到底是什么原因；那什么叫洞察呢，就是得到更本质性的发现，比如具体是哪个细分客户群体致使了这一结果，哪些客户流失了、流失的原因是什么，这些流失的客户去了哪儿，为什么去了那些地方，对我们业务改进和优化有什么重要的启示？具体要怎样做采取什么策略？等等。你看，这四个维度是不是非常的不一样？所以从数据到洞察，还有比较长的路要走，如果停留在表层上，那我们就很难在调研研究上有深入的理解和策略产出。