首先，这是一篇今年夏天要写的文章，当时写了一半。主要原因是等待SoCar （那个时候还叫CarVoice，在下也刚刚开始叫老中医） 数据的不断优化。因为我要准备一个系列的文章，向大家全面展示大数据给传统市场研究带来的颠覆性影响。

随着 SoCar · Data & Consulting 的发布，我们已经向全行业开放了数据，而且是免费开放的。正如之前公告所说，选择免费开放，我们是为了降低大数据的使用门槛，让更多人有机会接触到这些数据，体验这些数据。只有这样才能让我们这个行业尽快告别低效、高成本、精度和深度都严重不足的传统研究方式。既然如此，老中医就要持续向大家展示这些数据究竟与传统数据有哪些不同。

今天我们先向大家展示一个案例，就是关于购买关注因素的排序问题。不要以为这是一个简单的问题，虽然他确实是非常基础的问题。但多年的市场研究经验告诉我，如果使用问卷调查的方式，只要你把提问方式改一改，结果就会完全不同。

过去研究购买关注因素排序问题，通常有4种主流的调研方法：

1、无提示，让用户自己谈他关注哪些内容，然后再按照一定的指标整理；

2、列出所有指标，让用户给每个指标的重要性打分；

3、列出所有指标，如果指标不是很多，让用户自己排个序；

4、应用一种叫做最大差别法的研究模型（Max-diff）

前3种方式凭字面意思就知道要怎么做，我们不再赘述。直接看第4种吧，应当说这是一个设计巧妙，而且数学逻辑很完备的方法，下图就是哈弗商业评论对这一方法的介绍。

然而老中医毕竟做了太多相关项目，而且质疑是老中医一个非常重要的习惯。当我使用最大差别法四五次以后，我发现一个非常糟糕的现象：几乎所有项目得到的结论都没什么区别。例如把产品指标定义为安全性、动力操控、外观之类的内容，安全性永远是排在第一位的，而且通常占指标权重的15~20%（共计11~14项指标），排在最后一位的几乎永远都是与娱乐装备有关的指标。而大家普遍关注的外观、内饰设计通常仅排在中间位置。

在下对比了过去几年来十几次应用，普遍都是这个结果，而且这些项目横跨多个细分市场，涉及到的用户也有很大差别。为了让大家能够更直观地感受到不同研究方法的差异，我在两年前的一个项目中还特意同时使用了除用户自主排序以外的所有方法，另外还增加了一个用户选择目前这部车的原因这个问题。结果就如下表展示这样：

上述这3种方法当中，差别最大的就是外观内饰造型这个指标的排序，在Max-diff当中他的顺序低的显然不合理。其次就是安全性，虽然很多用户在口头上都表示关注安全性，但真正买车的时候，他们一方面分不清什么车安全，什么车不安全，另一方面他们也未必充分考虑安全性这个指标，所以在购买驱动因素当中安全性仅列第5位。

如果我们单靠经验还无法判别哪种排序更合理的话，我们就用一个产品定义结果来对比一下调研结论和最终厂家的选择究竟有多大差异。

下图是某一个车型（当然如今已经上市了），当年做产品定义研究时，应用最大差别法做出来的指标关注度排序。右侧则是最终定义的开发目标。

你会发现一个非常可悲的问题，市场调研得到的排序与最终开发目标确定的重要性排序两者间匹配度只有20%多！如果只有20%多，调研的意义何在？直接拍脑袋得到的结果都比这个准，毕竟右侧的选项只有三个，而且排名前四的指标在最终定义时都被做成了最低目标。这意味着找只猴子来都比市场调研得到的结果有用。

上面这个案例告诉大家，至少Max-diff在解决汽车不同产品指标的排序问题上是无效的。而以前那些传统研究方法也没有好多少，至少近年来的竞争焦点应用调研是得不到有效支撑的。

问题出在哪里？

在老中医看来，所有调研过程都忽视了一个根本问题：任何用户买车都是受实际预算以及市场当中的可选车型两大条件制约的。这就意味着任何购买决策都是一个妥协结果。其实在经济学上研究这种有约束条件的妥协决策问题，最成熟的方法就是边际效用：当用户把最后一分钱花在各指标上带来的效用增加相等时，他就达到了最优决策。

老中医尝试着把上面这两段话说得通俗一点：由于有预算作为约束条件，每个人在买车的时候都只能在有限的产品当中选择相对最适合自己那一款。于是，用户的购买关注因素其实不是这些因素本身，而是他看的这些车在这些因素上的实际表现与用户自身期望之间的差距。如果超出了用户的期望，用户可能会感到更加满意，如果没打到用户的期望，用户会感到失望。最终用户的决策就是在自己的期望与所有指标的实际表现之间寻找一个最佳的平衡点。

然而问题还不止这么简单，因为不是每个指标在自身客观技术水平提升的过程中，带来用户满意度的提升都是相同幅度的。甚至不同指标自身技术水平提升过程中，带来的用户满意度变化也不是线性的。

下图展示了两种典型的指标：第一种指标在达到用户期望之前，随着产品技术水平的提升，带来用户满意度的提升很小。但一旦该指标超越了用户期望，带来的满意度提升则越来越显著。我们把这类因素叫做激励因素。造型、影音娱乐装备都是这类因素。另一种因素则恰恰相反，当该指标超过用户期望以后，满意度提升幅度不大，而且越来越小。但反过来，如果该指标没有达到用户期望，用户满意度就会极具下降。通常这类指标构成用户买车的门槛指标，我们叫他保健因素。安全性就是一个典型的保健因素。

正是因为有上述指标属性的差异，Max-diff在测试时再把这些因素混为一谈，才会导致最终调研结果的巨大偏差。

然而调研过程是解决不了上述问题的，因为首先你无法准确描述什么叫边际效用，你不能说在你看到的这些备选车型基础上，每个指标发生边际改变一点点，你更期待这个改变发生在哪个指标上面。因为这句话估计本文的读者都没有几个能听懂的。

然而在大数据条件下，要研究所谓的边际效用问题就变得简单多了。我们以 SoCar Data &Consulting 上面的数据举例。由于我们知道每个车型的竞品，以及每个车型用户自己表达出来的购买关注因素。于是我们可以做一下计算：

1、 每个车型用户直接表达出的购买关注因素

2、 该车型的竞品圈

3、 该车型各竞品的购买关注因素

4、 根据竞争关系，把该车型竞品用户整体的购买关注因素加权

5、 计算该车型与竞品用户购买关注因素的差值，这个差值就是该车型用户实际购买过程中产生的边际效用。

如下图所示，我们列出了宝骏560用户的边际效用。

基于上图可以看到，最终推动宝骏560用户选择这个车最重要的因素就是经济性，其次是感知品质，第三是安全性。最重要的抑制因素TOP4分别是外观、安全性、越野能力和质量可靠性。如果考虑到宝骏560用户一方面对比的是那些自主的A SUV，比如哈弗H6、大迈X5之类的，另一方面对比的是宝骏730之类的低端MPV，上述这个排序显然更符合该车型的特点。

上面这个例子只是 SoCar Data & Consulting 最简单的一个应用案例。未来3周，老中医将继续和大家分享其余3个案例：

1、 准确捕捉产品形象画像15%的差异

2、 开放式话题探索，大数据产品应用的又一利器

3、 如何预测用户产品期望的变化？再次挑战行业难题

至于这些问题说的是什么，请持续关注我们。