没有大数据的支撑，如何发现用户需求？（付费课程学到的干货笔记）
（本文纯干货，是作者付费课程学习到的东西，做的笔记分享）
发现用户需求
在如今大数据盛行的情况下，我分享一下在没有大数据支撑的情况下，我们该如何发现用户需求。
“匹配度”打通产品与用户需求，帮助你**走进用户需求、探寻用户需求、从需求中发现机会，如同荒野猎人的生存指南**。匹配意味着连接与打通，包括打通产品与产品、产品与人、产品与商业，这也是从技术、需求与市场出发不可忽略的开发与推广的核心点，亦即为产品找到精准的用户，为特定的人群做出超出预期的产品。
产品经理做的事情，本质是打通问题（用户需求）与解决方案（产品），从而优化这个世界。用户需求与产品的匹配过程是产品定位的重要环节，需求驱动产品与运营，不了解用户需求很难做好产品经理。
☂ 那么问题是，如果没有大数据的支撑，你如何去发现用户需求？
传统的市场调研随着互联网的普及变成用户需求洞察，手段和形式都发生了很大变化。用户需求、产品、技术的实现方式，场景的选择，如何在这些千丝万缕的关系中找到最合理的优化路径，是决定一个产品未来潜力的决定性因素。
用户需求的挖掘过程如果用一个形象的比喻的话就好比一个荒野猎人的生存指南，你需要知道出门前要做哪些准备（包括正确的心态和认识）、出门之后如何逮兔子以及打猎回家之后怎么根据这些原始食材做出一顿富有营养的晚餐。
需求是产品存在的原因，产品只是满足需求的方式之一。
大江南北的人在口味上似乎都 开始喜欢吃辣，享受那种爽快的口腹之欲。虽然嗜辣是一种需求，但市场上满足这种需求的 菜品却在不断创新，川菜、火锅、麻辣香锅，不断有新的菜品进入这个市场，而每一类菜品在市场上总是各领风骚没几年。
这种情况在科技界更是如此，以家庭视频为例，从早期的电视，到录像机，到光盘、蓝光盘、流媒体，直到现在的视频网站、网络高清机顶盒，短短二三十年间，产品一直在不断创新，在家观看视频这个需求却一直存在。
企业如果过分关注产品，会把重点放在不断改进产品性能上，但可能会忽视掉其他满足用户需求的方式和机会，直到被淘汰的时候才恍然大悟。企业如果过分关注需求，则会鼓励员工用更好的方法去满足用户，而不仅仅是改善现有的解决方案。
需求的解决方案总是会随着技术和社会的发展不断变化形态，但产生需求的原因却是稳定的。当新技术进入市场以后，只要以需求为根，把技术及成本嫁接到需求上，就可能预测出未来产品的发展趋势。
用户需求挖掘方法在市场上一直以碎片化的形式存在，微信创始人张小龙说：“互联网产品应该是由用户推动，而不是产品经理来推动。产品经理的作用只是找到四两拨千斤的地方稍微用点力。”而这些四两拨千斤的信息，往往就零星地分布在这些碎片后面，把他们整合起来进行梳理，是了解用户需求的必备工作。
最近易信 CEO 胡琛就推荐一本这样的书《匹配度》。
这本书的出发点是教产品经理分析不在技术的难点而在于方案的构思：
首先，你需要建立一个信息分析的框架模型，根据模型帮助你洞察用户需求。
其次， 你需要知道为了能够运行这个信息分析模型，你需要找到哪些数据。
第三，你需要知道如何找到这些数据，并能够按照要求整理好这些数据。
我曾经做过一个项目是评价各个 App 的市场需求，其核心就是想知道在某段时间内 用户对哪些 App 比较喜欢，哪些 App 会有爆发式需求的可能。
大家都会考虑采用应用市场的下载排名来进行分析，不过由于各个应用市场都有推 广及刷榜的影响，可信度都会打折扣。所以，我设计了一套简单的模型，对各大应用市 场的数据进行加权处理，降低刷榜的影响——万一有哪个 App 在所有应用市场都刷榜呢， 不过首先我觉得一般的 App 没有这么大的手笔，另外如果这个App真的这么刷榜，的确说明这个 App 可能有爆发的潜质，用钱堆出来的爆发的潜质。
除了应用市场的数据加权，我还把App的名称作为关键词引入到友盟、微博指数、百度指数进行分析，体现App在媒体公关等软推广上的营销推广价值。
最后，为了获得以上数据，我请了一个朋友。他花了一天时间帮我开发了一个爬虫程序，每周都能够从各大平台按照要求把我所需要的数据从平台上爬取下来，并进行整 理。这种自动化的方案让整个项目的工作量成倍减少，从而使我有更多的精力聚焦在分析上，而不是聚焦在数据搜集和整理上。
如何做没有大数据的支撑下用户分析？
从模型和算法出发，打通产品与用户需求，从产品、场景、运营、消费心理几大方面深入分析“需求策略”如何决定了产品的市场与形态，让很多人从最初的闭着眼睛臆测用户需求到系统掌握需求挖掘方法。
当你在互联网行业工作了几年，偶尔有幸去一些创业项目的路演现场，可能经常会听到这样的专家评价：
“这个产品设计没有真正满足用户需求！” “产品经理压根没搞懂用户需求是什么。” …… 等等……听起来“用户需求”似乎是一个特别“高大上”的词，也是一个非常适合在点评对方产品时抛出来的必杀用语。
此时创业者往往会很勉强地自我辩护说：“我当然了解用户需求，因为我做了调研 / 访谈 / 研究/统计……” 其实，创业者已经掉入了评委老师的谜之圈套，因为不管他说什么，评委老师都会轻蔑 地一笑，“你” 以为做了 ……，就是了解用户需求了吗？
这种直击心灵的片儿汤话屡试不爽，往往能够迅速拉开双方的“段位”，并对创业者形成专业上的精神碾压。
用户需求固然很重要，但在实际运营中，却常常会被下意识地与用户反馈相混淆。
我们常常会听见负责产品策划的同事说：“下一期的产品迭代中会增加功能 A/B，因为最近用户在一些社交软件和用户群里一直吵着要这些。” 可是，当开发部门真的 把这些功能加上去之后，往往实际的使用比率表现却很差，这时候内部各团队往往会开始相互指责：策划部门说交互和视觉部门做了改动，所以导致用户不爽而用得少；交互和视觉部门会说开发部门做了妥协牺牲才导致不能如效果图那般完美；开发部门说这个锅我们不背，因为这是测试出的问题应该让 QA 团队负责；甚至有可能会得出这是因为市场宣传部门没有找 到真正喜欢这一功能的用户群的结论。
但是，没有人会说用户根本没有这个需求。因为虽然你可以像专家一样很轻松地说出“没有需求”这四个字，但当你需要去证明“没有需求”的时候，你会发现你不仅缺少“炮弹”，甚至连对方的“阵地”都不一定搞得清楚，一句“这些都是用户自己说的需求”就能让你放弃进一步的辩论。
用户需求仿佛变成了一个令人心怀敬畏的概念，人们的态度走向两极化：有人奉若圭臬，把它“神化”却无法落地，在人人都是产品经理的年代，谁嘴上都会挂着它充门面，而任何产品上的问题似乎都可以一 言以蔽之；有人视若敝履，消极否定它，却忽略掉它本来的核心价值。
不过，总有人想揭穿这层神秘的外衣，让它真正地落地，让它清晰可见、触手可及。
如果你也曾似懂非懂，现在也还有点心虚的话，不妨翻阅《匹配度》这本书，《匹配度》在这方面做了非常有益的努力，通过这本书，从用户研究的起承转合中去一步步地了解和学习它。
大部分谈论需求洞察的书，往往会给读者一种“叶公好龙”的感受。这主要是因为那些过于理论化的提炼，虽然有助于方法论的塑造，但仍然不能给予读者一种实战手册的说明指导。
这本书从问题设计到案头研究，从选择用户到角色定位，从项目执行到最后的成果展示，作者将需求洞察中的很多隐性知识都毫无保留地揭示出来，如果你是产品经理、用户体验研究员，或者有一定的用户研究经历，会更容易与这本书产生共鸣。
在我看来，需求洞察的能力可以分为三个段位：
◆段位一： 倾听用户。倾听用户的心声，发现用户想要表达什么。虽然用户说的常常和他想要的东西不一致，但是很多企业甚至连放下身段 去倾听这一点都没有做到。◆段位二：理解用户。理解用户需要“同理心”，需要获得用户内心的感受。但在实际的工作中，我们或许会看到更多关于“同理心”的反向滥用，“我应该像用户一样思考”，变成了“用户应该会像我一样思考和使用产品”。◆段位三：洞察用户。洞察用户需要超越用户去思考，看到用户需求的本质，这不仅仅需要用户的参与，更需求你自身不断地探索和实践，找到用户都不知道的真正需求。
在日常工作中我们时常还会遇到因为知识体系差异而导致的团队内的观念冲突。在大型组织中如何推动组织认可需求洞察及进一步施用，往往是专业工作者的个人短板，甚至常常被视为惑众的奇技淫巧。作为用户需求的发现和提炼者，必须深刻理解发展相应能力的必要性，才能走出“真理掌握在少数人手中，然而并没有什么用”的孤独窘境。
当你具备了需求洞察的能力，你将重新构建自己的认知框架，你看待世界的每一天都会是全然不同的。你和那些曾经神秘飘忽的需求之间，不再是被动的偶遇，而是具备了主动追求的可能。这仿佛是失而复明的盲人，你会发现每一个客观物体仍然矗立在那里，但颜色上似乎又特别鲜艳，正在悄然释放令你兴奋的暗语信号。
需求洞察应该找什么样的目标用户？
目标用户
需求洞察最重要的就是要找到合适的用户样本，我们希望找到的用户有需求问题，同时愿意交流并善于交流。
需求洞察选择的用户与定量调研不一样，定量调研一般要求随机性抽样，样本应该体现真实分布。而需求洞察则是要发现用户需求，我们希望能够找到那些有强烈需求的用户，虽然这些用户比例很少，但是他们很有可能代表着未来的需求趋势。
一般来说，当你需要寻找用户的时候，你可以考虑：
一、典型用户
典型用户是一提起产品或者服务，大家脑海中立刻会浮现出的用户形象。比如提起保健品大家首先想到的就是老年人，提起化妆品，大家首先想到的是年轻女性。这部分用户应该是产品最核心的使用群体。在需求洞察中研究典型用户，可以帮助你最快速地了解行业、产品，你可以发现最常见的行为，了解最普遍的使用心态，并建立一个主流使用者的标准，这可以在后续研究极端用户的时候对照使用。
二、极端用户
极端用户一般是指非主流用户。如果用一个正态分布曲线来表示的话，极端用户位于曲线的两端。但是描述用户的维度很多，所以可以根据不同维度划分出不同的极端用户。比如，同样是手机用户，根据专业水平能力可以分为专家型用户和新手用户，根据收入人群分为高收入用户和超低收入用户，根据年龄层次分为退休用户和少儿用户。有时候还可以把与主流用户相对的小规模用户定义为极端用户，例如在 PC 领域，我们可以把使用 Windows 系统以外的用户看成极端用户，例如 Mac 用户。
在需求洞察中研究极端用户，其主要目的就是寻找一些重要的细节。这些细节如果放在整体用户中看并不明显，只有把极端用户抽取出来单独看的时候，才能看到这些变化。
相对来说，极端用户总是最早体现新需求的用户，因此通过极端用户对比典型用户的行为，寻找行为之间差异，就有可能发现未来的需求趋势。另外，研究那种落后的极端用户，就好像把那些对典型用户有影响的因素用放大镜放大一样，能够更清晰、更准确地把握住影响用户的原因。
比如研究老年人使用移动互联网的障碍，其实这种障碍对中年人，甚至于知识水平比较低的人来说可能都是有影响的。
在极端用户中，从技术水平来区分会分为专家型用户和新手用户，这常常是需要重点关注的极端用户：
➀ 专家型用户，这些用户本身对产品有非常深入的了解，同时他们对产品使用频繁，未来随着其他用户逐渐变成专家型用户，他们的需求有可能就会成为普遍需求。另外，对专家型用户来说，他们可能还会运用现有的产品，采用一些变通的技巧来满足其需求，而这些变通技巧可能正好也是需求洞察中需要发现的关键诀窍。
➁ 新手用户，如果把用户比喻成一条流水线，那么整个流水线上，用户基本都是从非用户变成新手用户，接着是初级用户、高级用户，直到最后的专家型用户。因此，新手用户是整个流水线的动力推动装置，它担负着把非用户转变成用户，把用户转变为初级用户的作用。如果新手用户的转化或流失太严重，则会降低整个流水线的效率，出现断档。研究新手用户的需求，重点是洞察阻碍用户成为新手用户的原因，对高频业务的用户来说，研究新手用户还肩负着研究他们使用几次后不再继续使用的原因（流失原因）。
三、趋势用户
趋势用户是指那些容易引领消费趋势的用户。社会发展的趋势常常会在这类用户中首先体现出来，然后再逐步扩散到全社会。在中国有四类典型的细分人群最容易成为趋势引领者，也是在需求趋势研究中应该重点关注的对象：
①大学生。中国的教育体制下，十二年小初高的规范式教育后，升入大学，中国年轻一代才开始能够放松下来，有了自由的时间，就可以按照自己的兴趣爱好进行发展。这个时期，大学生的自我意识逐步觉醒，而且，由于普遍有家庭的资助，不用为生计发愁，再加上年轻人特有的爱尝鲜的心理以及拥有的知识能力储备，使得大学生成为一个典型的新需求尝试者。
②北上广深都市外企白领。这一类人群相对收入较高，从事的也是要求技能与水平较高的职业，她们虽然工作压力较大，但相对能够保证一定的个人时间，由于与从事职业的关系，她们有足够的机会接触国外的最新趋势，也有足够的能力和渠道获取国际产品。例如，最近国内流行的海淘行为最早就是由这批人推动的。
③创意设计行业从业者。这一类人主要从事艺术、广告、建筑等需要高度创意类的职业，自由职业者是这一类人的典型代表，这批创意人有着良好的美学修养，对时尚潮流有着敏锐的判断和洞察力。同时，他们有着更强烈的反主流文化的基因，因此更容易获得一些亚文化团体的接受和认可。尤其是对音乐、动漫等文化类产品。这一类人常常有着超前的预判能力和实践能力。
④ IT 从业人员。这一类人就是大家常常说的“程序猿”，这类用户属于智商、收入双高用户且又年轻，技术对他们完全没有门槛。他们常常是科技产品的狂热追随者，他们的行为往往代表着电子类产品的发展趋势。
四、关联专家。
还有一种情况，就是寻找关联专家的交流。所谓关联专家并不一定是要有硕士、博士学历或者是著作等身的老教授。寻找关联专家，并不是要研究这些关联专家的需求，而是要通过这些专家寻找一些看待需求的新视角。比如，假如你想设计一款手部的护肤品，你可能需要找的人包括手模、钢琴家、皮肤科专家、骨科专家、做手部护理和按摩的人、美甲专家，这些人可能并不是你的核心目标用户，但是这些人可能对手部的保养有着独到的见解，能够帮助你从他们所专长的角度发现用户的潜在需求。
邀请用户过程中的陷阱寻找用户的过程本身就有可能造成用户偏差或者缺失，而且，这种问题的产生存在着某种隐蔽的不可发现性。
✎ 一种陷阱是发生在获取用户的渠道上。由于获取渠道和你的需求洞察存在着一种隐含的相关性，导致部分用户被遗漏，样本产生偏差。比如电话调研是一种常见的调研形式，一般会选择一个号码区段，然后根据样本情况，按照一定比例抽样进行电话调研。这种调研的抽样方式应该是随机的，但是如果你的调研内容是研究不使用电话用户和使用电话用户的差别时，显然这个调研方法就会产生缺失，你怎么可能会通过电话调研这种形式找到不使用电话的用户呢？
✎ 另外还有一种陷阱发生在用户选择标准上，由于标准隐含的条件也可能将一部分用户排除在外。比如，你在邀请用户的时候，刻意与用户多交流一下，从而去选择那些愿意交流，比较外向的用户入组，这在后期访谈的时候可能会更容易一些。但这样其实是变相地将性格内向的用户给排除在外，假设你研究的是关于抑郁症用户的需求，那么很有可能就会把最典型的用户给排除在外。
为了避免偏差，在邀请用户的时候，需要做到：
①在需求洞察前进行总体规划。在很多情况下，研究者并不知道自己一开始需要研究哪些人群，这时候最好提前进行用户总体规划。将用户细分，并且在每个细分群体中抽取一些用户，确保用户样本能够满足各个细分群体。
②多种渠道获取用户来源。比如，你希望通过网络募集用户的时候，不要只在一个网站上发布募集信息，要在多个网站发布募集信息。如果你希望找朋友来进行研究， 那就不要只找你自己的朋友，可以让与你有差异的同事也帮忙找他们的朋友试试。通过多种渠道获取用户只能在一定程度上增加用户的多样性和随机性，这是在低成本条件下改进用户样本质量的方法，但是并不能绝对降低风险。毕竟，你找到的都是上网的用户，你和同事之间差异也许并不大，大家的朋友也可能非常接近。
③做好用户甄别工作。如果有明确的用户标准，可以制作一份简单的用户甄别问卷，对用户进行一些简单的甄别。在甄别过程中，要仔细评估你的甄别问题， 查看这些甄别问题是否会和你的需求洞察内容有关联，以避免造成样本偏差。
设计甄别问题时，不要简单地把甄别标准直接转成问题，而要将甄别标准转换为一些可衡量评估的行为进行询问。比如，如果你希望找一个“手机超级玩家”来进行访谈，你的甄别问题不应该问，“你觉得你是手机超级玩家吗”，而应该问，“您目前手机上大概有多少个应用”“您的手机是否刷过机”“每天使用手机有多长时间？”“您向别人推荐过什么你觉得很独特的应用。”
用户说的一定是真的吗？
设计了好的问题，用户给出了足够的反馈，这时候需要去发现用户的需求真相。
不要以为用户会直接说出自己的痛点，不要把访谈看成是一个记录用户回答的体力劳动，如果你根据记录的内容去制定产品开发计划，那么我只能祝你好运了。
你需要寻找的是事实，这个事实需要你自己在访谈中去探索，用户说的话不一定真实的，你需要琢磨用户的心理，猜测用户的态度，去伪存真。整个访谈有时候就是一个你与用户斗智斗勇的过程，你需要打开你的雷达，细细的捕捉用户的各种细节。
漏斗形思考
在访谈信息传递过程中，信息经过一层层的过滤，就像一个漏斗一样，从你的问题传递给用户，最后直到用户回答你的问题，每一次都可能经过了认识、歧异或者聚敛。面对信息传递漏斗，你需要用各种方法来确保信息的每一次传递都产生尽量少的偏差。当用户理解错你所提出的问题的时候，你要根据用户的回答及时制止用户，对于歧异问题要学会聚敛思维，并明确提示用户你想要的回答和用户提供的回答之间有什么差异。
➙ 当用户不愿意回答你的问题时，你需要像心理医生一样疏导用户情绪让他放松，再通过一些试探性的问题，逐步把握用户的底线，或者通过一些侧面的问题迂回获得答案。
➙ 当用户不能回答你的问题的时候，你需要重新组织你的问题，通过示例或者类比的方式让用户理解，唤起用户的回忆。
➙ 当用户不能用语言表达的时候，你需要设计合适的道具，引导用户说出更多的信息。最后，你理解了用户的意思，你需要把核心的内容再重新复述一遍，以确认你的理解没有出现问题。
弦外之音
①不要相信代替别人的回答。你在问一个 18 岁的小姑娘是否会使用你的产品的时候，她的回答是 “我妈妈应该会喜欢这种产品”，千万不要觉得你产品的目标用户群是30~40 岁的中年妇女，这只是小姑娘在暗示“你的产品实在太土了，我们这一代人怎么可能用这么土的产品”。对这一类回答你应该再问一下“那你呢？你自己会考虑使用吗？”
②不要相信不掏钱的回答。如果用户很坚决地回答说“我不会购买这个产品”，这是比较可信的，但是如果用户很坚决的回答说“我会”，请保持质疑。因为这种情况下用户的思维和真实购买是不一样的。
比如，当你问用户是否会考虑购买 3D 电视的时候，用户其实并不是真的在考虑购买决策，而是在思考“电视如果要换的话，当然会换一个功能更好的。3D 电视至少是一个选择吧”。事实上，当他真到商场的时候，想法可能是“这个 3D 电视看上去并没有什么特点，而且片源又少，比普通电视还贵 1000 元，还是换一个互联网电视吧”。对这一类问题你应该让用户掏钱来决策。比如，你准备推出新的产品，如果用户愿意购买，你就让用户交一点预约金。看看用户是否有这个意愿——根据我的经验，很多用户都会退缩。
③对所有说“我会改变”的回答表示怀疑。当你问用户类似于“你会换一个”或者“你会尝试使用”或者“你会改变你的习惯”等问题的时候，如果用户表示“会改变”，你要有所质疑。 因为这时候用户可能只是看到了改变中比较好的方面，而没有考虑这些改变中他需要付出的代价，所以会很轻松地做出决定。记住，在心理学中， 人们永远是更愿意保持原有的状态而不是去改变。语气蕴含着重要的信息研究显示，人类全部的信息表达=7%语言+38%声音+55%身体语言。
在实际访谈过程中，除了笔录，我还会建议进行录音，因为有时候笔录并不能准确地表达用户的信息，有时候甚至南辕北辙。戏剧学院教台词就有类似的课程，同一个词，比如“算了吧”或者“再见”，要求演员在不同的场景下用不同的方式表达出来，结果常常会表现出十几种，甚至几十种处理方式，短短的几个字蕴含着复杂的信息和情感。
关键词至关重要
要学会在访谈中抓住关键词，因为这些关键词往往代表着用户进入了一种新的思维模式。
比如，用户在回答问题的时候，使用了类似于“我通常会考虑……”或者是“我基本上每天都 会……”这种语句的时候，用户自己其实已经进入了一种总结的思维模式，用户会自己进行归纳，提取出共同部分的内容。这时候就有可能损失掉一些并不经常发生，但是却有意义的细节。
当在访谈中发现用户已经进入到“总结模式”的时候，可以适时让用户去描述一下最近发生的具体案例，把用户从总结模式中拉出来。
除了总结模式外，在实际过程中我还遇到过：
观察模式，用户描述的不是自己的体验，而是自己的观察。这种模式的关键词是“根据我的观察、我发现好多人、其他人”，这种模式下，如果用户的观察正好是你需要的内容，可以让用户详细描述一下这类人的特点，或者让他介绍几个人，方便进一步访谈。如果用户的观察与你的需求不符合，这时候你可以让用户描述一下自己的经验，让他从观察模式中离开。
专家模式，用户把自己当作真正的专家去交流。这种模式的关键词通常是“我告诉你，这个我太懂了”，这种情况下，用户往往会以一种技术的角度来阐述问题，为你提供很多解决方案或者提出一些具体改进举措。
学会看懂用户的肢体语言
即使仔细倾听用户的回答，你也仅仅是把握住了不到一半的信息，倾听还包含对用户行为的倾听。
我在对某一些企业高层进行访谈的时候，常常会注意他们的坐姿： 如果他们靠着椅子背，跷着二郎腿跟你交流的时候，他们大多会是一个指导者。这时候他们讲的多是他们自己的经验，但当他们身体前倾，半坐在椅子上的时候，你们交流的东西可能才是他们感兴趣的内容。用户在前一种情况下提到的内容虽然是需求，但可能早有方案可以满足，而后面关注的内容往往才是尚未满足的痛点需求。
抓住矛盾和预期不符的地方当你感觉到用户的回答“好像有点说不通”或者“和别人的观点不太一样”的时候，说明你可能发现了矛盾点。这种矛盾会体现在一个用户前后谈话内容之间，也可能体现在不同用户之间，还有可能体现在用户和常识经验之间。当访谈中出现一些前后矛盾或者与常识、与普通预 期不符的地方的时候，一定要深入追问下去。
关注矛盾一方面是判断用户是否真实表达，用户有可能撒谎；另一 方面则可能是矛盾的双方都有道理，可能存在一种新的理论去解释矛盾， 这时候深入追问常常会给需求洞察带来一些新的视角。
在一次针对用户移动上网的调研中，发现用户一方面说流量不够用，但是另一方面发现用户的流量其实每个月都没有用完。进一步交流发现，用户说流量不够用是因为他们在使用过程中会一直担心流量超出套餐，不能随心所欲地使用，必须要“悠着点”用。也就是说用户所谓的流量不够用，并不是真的不够用，而是心理上的不够用，害怕流量超出套餐造成额外的支出。
善于捕捉与假设有关的证据
不管什么样的访谈，在访谈前，你总是会提前设计一些假设，在访谈过程中去验证这些假设。比如，你可能会觉得孕妇很关注自己的健康， 会主动记录自己的生理指标，但是在实际访谈中，你会发现孕妇的确关注自己的健康，但是他们更多的是通过询问医生来确保自己的健康，而不是通过主动记录来关注。
这些内容就有可能否定了前述中用户对自己健康管理观念的假设：孕妇对健康的关注不是未雨绸缪，而是水来土掩。 用户需求是如何被产品满足的这部分是深入到每一个细分用户的内部，去了解该细分市场上不同企业是如何运作的。每一类细分用户都有一些服务的诀窍和套路，这个阶段的目的就是要把这些诀窍提炼出来。
毕竟，如果能尽快地了解用户已经被满足的需求，才能在此基础上更好地发现用户潜在需求。
在这个环节里面，需要获取的内容包含两部分：
一方面需要了解用户使用服务的各个环节。
另一方面需要了解产品涉及的前后产业链包含的环节，环节之间的关系和利益分配是如何设置的，每个环节的关键因素有哪些内容，每个环节目前的主流参与者是谁。
这一步骤的研究本身是具有很大难度的，也是整个案头研究中最困难的部分，因为很多企业运营的诀窍其实是隐含的，很少有人透露，也很少有人会形成文字。即使有相关的内容，也很有可能因为缺乏相应的背景而被忽略。所以在资料搜集过程中，如果有可能，最好能够找到一些行业资深人士的文章进行分析，同时也需要研究人员本身要具备一定 的商业分析框架，这个阶段的研究在很大程度上需要考验研究人员的自身分析和归纳能力。
你应该做的分析
分析
✈ ①以用户为中心，按照一定的框架找出每个环节的关键性影响因素。
目前常用的是 AIDMA（传统传播模型：注意、兴趣、欲望、记忆、行动） 和 AARRR（基于移动互联网的运营模型：获取、活跃、留存、付费、分享） 等分析框架。具体使用哪个并不重要，关键是能够将用户的行为模式的各个环节中的关键因素给提取出来。
✈ ②抽象出产品内的商业模式。
这包括有几个利益攸关方，他们相互之间的需求是如何被满足的，资金流是如何流动的？在这个环节，你可以使用“商业模式画布”的工具进行分析归纳，具体的使用方法可以参考相应的书。
✈ ③梳理每一个环节之间的价值和利益分配形式。
分析产业链的各个 环节的作用，哪些环节是主要的不可替代的环节，哪些环节是容易被替代掉的，利益是按照什么方式在环节之间进行分配的，这种分配方式是否稳固。
✈ ④产品之间在哪些环节存在着相互竞争关系，是否存在替代作用。
比如，月子会所和月嫂在一些环节会引起竞争吗？前者是否更多地通过医院宣传，后者是否更多地通过口碑宣传，哪一个宣传领域更容易被对方侵占呢？月子会所会逐步替代月嫂吗？还是月嫂会逐步替代掉月子会所？还是两者都有各自稳定的用户群，短期内无法相互替代。抓住核心需求的发展趋势。
这一部分的分析目的有两点：
第一，需要分析这个目标用户群的需求会发生什么样的变化；
第二，有哪些外部因素可能会导致这些需求发生变化。
这一环节需要搜集的信息主要是：
①行业内外，包括投资机构和消费者研究机构等对该领域发展趋势的预测，可以将这些预测按照条目整理和归类。
②社会整体的趋势性报告，包括技术、经济、生活、消费、文化等 方面的内容，根据领域的具体内容来确定。
③领域内一些细分环节超常规增长或者衰退的情况。
➜ 分析发展趋势的成因，哪些因素导致这种趋势的发展，这些因素是否能够持续？
例如，随着人们收入水平的提高，妈妈们是否会考虑选择更专业化的月子会所，来替代掉传统的月嫂在家照顾月子的模式。
➜ 根据社会整体的趋势报告，分析哪些趋势有可能会导致领域内需求发生改变。这些突变是否会导致各个分支的增长速度有差异？
这些改变会让哪些环节的核心资源减值，或者让哪些资源增值。例如：随着全面二胎的政策发布，生第二胎的妈妈会越来越多，针对二胎妈妈，坐月子的需求是否会有什么改变？
➜ 预测需求的拐点是否会到来。用户的某种需求是否得到了充分满足，是否 “反需求”已经产生。所谓“反需求”是指一种需求发展到极 致后，用户会产生一种对需求的逆反需要的情况，这体现出一种需求的 螺旋形上升的情况。例如，随着“综合购物平台”的发展，当这种需求 已经得到了充分的满足，“反需求”—— 要求一种专业的“垂直购物平台”的需求开始有所发展。
在月子期妈妈这个细分人群中，所谓反需求有可能就是当坐月子的需求得到比较充分满足的时候，新的健康观念可能就会形成，从而彻底改变中国人坐月子的习惯。 大规模信息分析有时候，在进行案头分析的时候，你会获得很多的数据，来自于各个论坛，博客， 朋友圈，这些数据并没有经过系统的整理，只是简单地放在了一起，在论坛中，很多能够反映用户痛点的内容分散地存在于吐槽的帖子中，其中有些问题被一再地重复，没有经过整理。
这时候问题并不是在于缺乏信息，而是在于信息太多了。你知道有用的信息就在这里面，但是你却没有办法从中把有用的信息提取出来。
在案头研究阶段，大规模的信息分析有时候是一个有利的武器，因为当信息过多的时候，如果不通过计算机处理，那每个人只能看到信息中的一部分内容，没办法把所有的信息都汇总在一起，呈现出信息的全局。
大规模信息分析能够帮助需求研究者转变视野，实现对案头研究资料的鸟瞰，从更高的角度去理解案头资料。
你可能会觉得，大规模信息分析需要采用大数据分析技术。如果你有一个强大的技术合作团队，的确可以使用一些大数据分析技术，但是在绝大多数情况下，需求洞察其实并不需要特别强大的技术能力。
如果一点技术能力也没有，的确很难处理这些信息，但对计算机来说，这点信息并不算什么，对人脑来说，除非你有一些简化法则，否则这些信息足以让你头昏脑涨。为了处理这些信息，你可能需要学一些简单的脚本语言，掌握一些基本的分析方法。
学习脚本语言，例如 Python，主要目的是为了能够帮助编写一些爬虫程序，通过网络定向爬取一些信息，然后运用这些信息进行进一步的深入分析。你不需要有特别高深的理论和实践水平，只要你知道一些基本的方法，网上其实有大量的教程和源代码示例，你只需要拿来稍作修改，基本上就能满足需求。
关于分析方法，如果你或者你的公司专门是从事为企业提供基于数据分析的服务，为了提高数据分析的价值，你可能需要用到很高深的人工智能、机器学习等等，可能需要掌握复杂的数学知识，但在研究用户的痛点过程中，则没有这么苛刻，不需要你具备编制出类似于 Google 开发的阿尔法狗这种能够与世界冠军下围棋的分析程序。
数学基础好的确对分析很有帮助，但是并不是绝对的。事实上在作者实际工作中，分析方法主要还是使用中学数学所讲授的那些内容为主，比如多维交叉分析、漏斗分析或者留存率分析，这些分析方法中学生就能理解。分析中有时候也会用一些大学时学的数学，不过用得比较少，基本上是一些数理统计方面的内容。
大规模数据分析的难点并不在于技术的实现，无论 IT 技术还是分析技术，这种分析方法的难点在于方案的构思。
文／阿光会发光吗（简书作者）原文链接：://www.jianshu./p/2ce80f5ae42c著作权归作者所有，转载请联系作者获得授权，并标注“简书作者”。
