大数据没用？！张小龙：我们很少看统计数据！今天我们就通过案例来看看张小龙等几位

导读：关于大数据的应用案例我们已经推送过很多，但大数据不是万能的，因为大数据只是研究数据之间的相关性，解决不了因果性。相比之下，身段更灵活的“小数据”反而更善于看穿因果性。因果性就在于日常的小数据中的，在于人的情绪、人的选择、人的爱好、文化等综合因素之中。

今天我们就通过案例来看看张小龙等几位高手是如何玩转小数据的。

这个世界所发生的事实，正在深刻的呈现出我们所要探索的一切科学规律，通过一个小数据代表的事实，可以发现现实中的规律。

马丁?林斯特龙在他的畅销书《痛点：挖掘小数据满足用户需求》中，专门阐释了如何找到痛点。马丁?林斯特龙认为，一滴血里包含的数据，可以展示将近1000种不同的病毒。想要转变一个品牌或一家企业，不用研究几百万名顾客，只要研究10个人就够了。

马丁?林斯特龙是迪士尼、百事可乐、雀巢、红牛等多家著名企业的品牌顾问。2015年，在一项涵盖三万名营销人员的独立调研中，林斯特龙被誉为全球首席品牌营销专家。

▲营销大师马丁?林斯特龙

我们来看一下，林斯特龙指出的如何挖掘小数据的方式。

林斯特龙挖掘小数据的方式是实地探访，为了提供产品的价值点，在15年中他家访过77个国家的人，一年有300天在飞机上或宾馆里度过。

他会在征求主人的允许后，住进别人家里或出租屋里，跟他们一起听音乐，一起看电视，一起吃饭。在这些拜访中，经过主人允许，他会查看冰箱，打开抽屉和橱柜，寻觅书、杂志、音乐、电影和下载文件，查看皮夹钱包、网络搜索历史、脸书页面、推特记录、表情使用、Instagram（一款图片分享应用）账户和Snapchat（“阅后即焚”照片分享应用）账户。还会检查他们的微波炉、玻璃杯和塑料回收罐。

因为“

小数据可能存在于微波炉、药盒或脸书相册里。

它可能在以色列特拉维夫市浴室的牙刷架上，或者是巴西北部浴室墙上的一卷厕纸；它可能出现在走廊的鞋柜里，或者是组成个人电脑密码的无序字母和数字。”

他甚至去人们的垃圾桶里寻找没挤完的牙膏管、剥掉的糖纸和过期的优惠券。

在小数据洞察事实，发现用户需求或产品价值点的地方，林斯特龙推崇“7C框架”调查法。“7C框架”是指：搜集、线索、连接、关联、因果、补偿和理念。通过这个框架，

可以从冰箱贴、陶瓷青蛙灯小数据中得到一条或几条结论，甚至将它们变成一个致胜理念的实践方法。

搜集：

你的观点是如何反映在一栋房子里的？去到用户家里、工作场所或者有密切的接触，观察生活里的点点滴滴。

线索：

你观察到的独特情感反应是什么？一切现象都不是无意义的，都是有理由的。每件东西的摆放都是有理由的，无论是墙上挂的艺术品，还是浴室柜里的内部情况，尤其是客厅。

连接：

情绪行为能产生什么后果？一条线索可能是物质方面的，也可能是情感方面的。但是如果我们的方向没错，应答者的肢体语言通常会展现出不自在或完全的不安，这也表明你要有新发现了。

关联：

这种行为或情绪第一次出现时，是什么时候？需要寻找顾客行为上的转变，也就是所谓的切入点。

因果：

它能激发什么情感？小数据挖掘。一般来说，林斯特龙会在一张大公告板上贴满照片和发现，制作一个时间轴。这时候，公告板反映了所发现的情感基因和因果关系，把这些发现和照片放在一起可以找出共同特征。

补偿：

还有什么欲望没被满足？验证完因果关系，就该提取最强烈的情绪本质，就是欲望。

观念：

针对你发现的顾客欲望，能有什么“创意”补偿？产品如何满足用户的情感。

这七个步骤，是从小数据中观察人性、人们生活中的情感、事实等，帮助发现隐藏的规律。

我们下面，看一些案例，看他们是如何通过小数据，来洞察新的认知的，找到产品的发力点。

01 微信通过小数据探索需求

张小龙有一次说，“近期有个同事找我聊，问我是如何通过统计数据来看用户的喜好，通过数据来做一些东西。结果我的回答是，

其实我们很少看统计数据，也几乎没从统计数据里看到用户的喜好。

根据统计数据来找需求和方向是挺难的。

我们也不会去了解手机QQ的统计数据来指导微信的工作。

”

但是，应该如何去区分不同的人，比如男性女性或某个地方的人，去为他们提供针对性服务呢？

对此，张小龙的回答很抽象很专业，“你可以把所有用户看作是一个人，这个人是没有性别、年龄、区域、教育程度的属性，他就是一个对象，他包括了所有用户，他是所有用户共同需求的交集。”

这也是一种小数据的思维方式。为什么小数据方式，可以成为一种很关键的方法呢？

因为大数据只是研究数据之间的相关性，他解决不了因果性，因果性就在于日常的小数据中的，在于人的情绪、人的选择、人的爱好、文化等综合因素之中。

小数据背后承载的是情感，消费的欲望，以及文化的因素，责任等因素。这些在大数据里面，是没有办法分析出来的。

宜家公司的拥有者和创始人英瓦尔·坎普拉德，经常会到宜家，坐在一台收款机前，做收银员的工作。问他为什么要这么做，他说：“因为这是最便宜，最有效的研究方式。我可以向每个买家询问他们选择和放弃某样产品的原因。”

这就是典型的小数据观察的方式，通过个例，找到问题所在。

02 利用小数据来洞察竞选

1936年，美国举行大选，是民主党人艾尔弗雷德兰登和时任总统富兰克林·罗斯福竞选。

当时有两家机构进行预测，一家就是《文学文摘》（The Literary Digest）杂志，从1916到1932年，该杂志连续五届准确地预测了美国总统大选的结果，因而受到人们的普遍信任和赞誉。一家是盖洛普，盖洛普（Gallup， George Horace）是美国数学家，抽样调查方法的创始人，他于1935年成立第一个“真正的”民意调查机构。

这次，《文学文摘》采取的是民意调查方法，把调查的范围拓展得非常广，认为数据集合越大，预测结果越准确，可见对其方法越来越执著。于是《文学文摘》计划寄出1000万份调查问卷，后来收到了240万份回执。统计的结果是艾尔弗雷德兰登和富兰克林·罗斯福的比率是55：41，罗斯福会败选。

而真实的结果是罗斯福以61：37的优势获得胜利。

而新民意调查的开创者乔治·盖洛普，仅仅通过一个3000人的问卷调查，就准确的预测到了结果

，罗斯福将获胜。盖洛普的调查，是针对样本的精心挑选，科学地抽样，保证抽样的随机性，根据选民的分别特征，根据职业、年龄、肤色等在3000人的比重，再确定电话访问、邮件访问和街头调查等各种方式所在比例。

▲

文学文摘预测1936年1000万份调查

1936年《文学文摘》错误预测选举结果公布之后，《文学文摘》声誉扫地，不仅再也没有做民意调查，而且几个月后就宣告倒闭。

而1948年以前，盖洛普民意测验采用的样本容量一般为5万。改进以后，一般采用1500人的样本。盖洛普民意测验建立了一整套的原则和程序，虽然是小数据，但是精确度依然是非常高。

年份

盖洛普的最后调查

（预测总统选举获胜者所得选票%）

选举结果

（得选票%）

盖洛普的偏差%

1996

克林顿52.0

50.1

1.9

1992

克林顿49.0

43.3

5.7

1988

布什56.0

53.9

2.1

1984

里根59.0

59.2

-0.2

1980

里根47.0

50.8

-3.8

1976

卡特48.0

51.1

-3.1

1972

尼克松62.0

60.7

1.3

1968

尼克松43.0

43.4

-0.4

1964

约翰逊64.0

61.1

2.9

1960

肯尼迪51.0

49.7

1.3

▲

盖洛普民意测验准确性记录

而《文学文摘》采取的方法，并不是错误的，问题应该出在样本本身上面，例如240万个回执里面，可能支持民主党的人更愿意寄回回执，或者在样本选择上只选择了一个局部的特征。

当然《文学文摘》的数据可能会更加充分，如果在今天，以大数据的方式来进行，对这些调查的人的特征进行分析，再根据大数据的技术来做分类，做预测，可能会更加科学。

这个问题的实质不在于大数据，而在于数据挖掘和分析的处理方式的差异化。大数据也可以做出这些深入的分析，但是现实的情况是，大多数决策所需要的全数据几乎是很难获得的。

人们利用大数据决策，经常会依然需要小数据的支撑。

03 如何利用“小数据”提升汽车的销量

林斯特龙曾经受一个中国汽车生产商委托，为其提高品牌销量并创建一个中国汽车的概念。

由于中国市场上，中国人都觉得中国的汽车不如欧美的品牌，销量比是1：3，那么如何帮助一个中国品牌的汽车打破这个困境？

面对这个问题，大部分设计师，有可能是根据一个专业设计理念来进行设计，他们的起源点来自自己的专业，而不是来自用户在生活中的事实反馈。

林斯特龙

通过深入观察中国人的家庭生活，以及通过日常生活中的细节，来发现大数据看不到的规律

，例如在调查中，他发现这些规律：

中国人刷牙的力道比西方人轻，但是速度比西方人快；

中国人更喜欢用肥皂洗澡；

中国人为了抵御雾霾会买各种物件遮住口鼻，但是却没有床罩；

中国人的吃饭速度特别快，都争当第一个吃完的人；

在博物馆中，游客们的平均行驶速度在全球是3英里/时，而中国人的速度大约是4-5英里/时；

相较于西方女性和孩子的购车发言权，中国买新车的客户大多数都是男性；

中国的家庭还会在车上放些吃的，开车或坐在后座上时会吃东西，这是少数中国人“不匆忙”的时刻。很多车上，会有家庭内部的一些元素，例如包括垃圾袋、小电冰箱以及小茶壶。

这些调查的结果，可以得出来一些共性的特征，就是：

直接、快速、当下、匆忙。

所以，结合这些分析，整个团队设计了一种特殊的车内环境：

针对上车动作，团队设计了一种背景灯，在车门打开时亮起，关门暗下，有一种像进入录音棚听到的音响效果，放大男性的象征；因为大多数是男性买车，节奏快。

在车座上进行了抬升，给开车人一种掌控全局的感觉。

仪表盘类似于飞行驾驶台，让开车的人面对大量数据，感到更有男子气概和掌控感，并结合快速开关的车门和电动车窗。

经过这样设计之后，从销量上看，销量大幅提升。

因为这些小数据的观察，反应了生活中的情感、责任、权威、习惯、文化等各种因素，这些反应的是因果关系，而不是大数据的相关关系。找到因果关系，就可以从因上下手，找到解决方案。

04 挽救乐高的竟然是一双旧运动鞋

乐高是积木领域的领导厂商，从1981年开始，世界上第一款掌上游戏《大金刚》上市，乐高公司内部就产生了辩论，未来儿童都把时间花在游戏上，对组装玩具的未来而言，任天堂这样的游戏平台是不是乐高最大的竞争对手？这对乐高来说，未来是不是没有市场空间了。

为了应对这种情况，1990年开始，乐高从核心的积木产品，进行多元化拓展，例如主题公园、儿童服饰、视频游戏、图书杂志、电视节目和零售商场等。

随着电视，计算机等的快速发展，乐高公司又多元化以后，乐高的发展陷入了困境。2003年，销售额下降30%，2004年，销售额又下降了10%。

再随着电脑的超速发展，无论是常识，还是大数据，人们都很容易得出来的一个结论，信息时代的群体，他们没有时间和耐心玩乐高。

于是乐高找来了世界知名的营销大师马丁·林斯特龙，希望能够找出办法走出困境。

当下，大家都大谈大数据，但是马丁·林斯特龙认为，大数据连接了千百万的数据点，可以准确地产生相互关系。

但是，当人类按照自己的习惯行动时，大数据分析通常不会十分准确。

所以挖掘用户需求时，在大数据之外，更重要的是通过对一个小群体的亲身观察和小数据常识，捕捉到这个社会群体所体现出的文化欲望。满足这些用户需求，击中痛点，则意味着将掌握无限的商机。

2004年，林斯特龙开始负责乐高的整体品牌战略。由于积木是乐高的核心，所以还是不想放弃。2004年，他们到德国一个小城市，见到了一个11岁的男孩。

这个小孩是狂热的乐高迷，还是狂热的滑板爱好者。大家问他，最钟爱的东西是什么，他拿起他那双已经穿破了的阿迪达斯运动鞋，鞋跟磨平了，鞋帮也磨坏了。但这双鞋，是他的战利品，证明了他是这个城市最棒的滑板运动员。

同样他喜欢乐高，也喜欢滑板，他对滑板非常有成就感，这一点启发了乐高的高层。孩子们，他们需要的是存在感，是一种高超的技能，只要他们获得了这种感觉，他们就会热爱。

乐高通过此，决定重新回归积木这一核心。首先，出售了主题公园，把分散的逐步处理。为了重新燃起孩子的自豪感，它签下了《哈利·波特》《星球大战》和《巴布工程师》的品牌特许权。

最后，乐高削减了产品数量，增加了游戏的难度，提升产品的质量。他一步步的激发着孩子们克服困难的热情，让他们获得一种克服困难的体验和成就感，只有掌握更科学的分析方法，才能获得好成绩。

2014年，乐高重新回归，成为全球最大的玩具生产商。

小数据有时候是洞察力的来源，这个故事从一个小孩出发，找到热情、热爱的发力点，并为乐高的整个战略奠定了方向。

总结

通过这些案例的分析，我们可以看出，小数据可以体现人性，也可以体现出因果性，帮助找到问题的原因，从而可以为产品给出方向性的指引。

人们对自己的观点都会非常坚持，而这些观点不一定就是科学的，但只有现实中发生的具体事实，才能让他们知道自己确实犯了一些错误。

很多产品，都是人们依据自己的贪嗔痴来做出决定的，很大一部分都是因为自我的傲慢等原因，来做决策的。

如果没有和用户打交道，没有听到用户的抱怨，没有听到用户的愤怒，人们的自我执著就会增长。

很多管理者和产品人很傲慢很自我，经常会陷入一些自我执著的陷阱，例如，

为了证明自己是正确的、为了证明自己有经验、为了自己的岗位晋升，而做出很多产品决策

，这些决策都是一厢情愿的，而且他们也听不进周围的意见。

在做产品过程中，要观察自己的微观动机，例如有些人对平台很执著，一心想打造一个运营平台，而实际上连种子用户的声音都没有听到过。有些人喜欢验证一个自己很看中的理念，为实践和证明这个理论，一直在实验。有些人可能因为不同观点所产生的情绪，然后导致情绪化决策。体现自己的技术很好，体现能力很强等等，这些都是执著。

这些都是影响产品的大忌，产品的最终评估，是以服务用户为标准的，如果管理者或产品人，以自我为中心，打造自己的产品，这样导致为了自己的自尊心而努力打造产品，而不是为了服务用户为中心。

关键是这种自我的执著，自我视角的坚持，也是非常隐蔽的，当局者几乎很难发现。

解决办法就是通过事实的观察，发现问题所在，依据事实来纠正自己的我执视角或者错误的想法。

是的，就是现实中我们不太关注的事实，很有可能可以改变我们的执著。

关于作者：彭耀，象形科技联合创始人兼CTO，典型的产品型和技术型管理者。资深的大数据专家、人工智能专家和产品专家，有近20年的开发和产品经验。

本文摘编自

《升维：争夺产品认知高地的战争》

，经出版方授权发布

。