12匹配度-抓住核心需求的发展趋势

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。

你应该做的分析

①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。

②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？

③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。我有一个师弟，当年的毕业论文是研究国家政策对创新的态度，他的其中一个研究方法就是搜集了历年国家政策文件，统计每一年文件中“创新”两个字的出现次数，并通过图表表现出这种频次变化，从而展现出了一种新的观察问题的维度。

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：

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。

案头研究勿迷信

案头资料不能替代你自己直观的理解和认识，一般来说，案头研究只是用户洞察的第一步，其主要作用是：

①迅速学习，了解现状，初步建立自己对该需求的整体知识框架。

②明确下一步需要发现和探索的方向和要点。通过案头研究，有可能会发现一些新的机会点，比如找到新的细分市场、获得新的潜在需求，明确下一步的研究方向。

“纸上得来终觉浅，绝知此事要躬行。”案头研究有价值，但也不能过于迷信案头研究的作用。不能把案头研究得出的结论当做最终结论，毕竟没有经过真实用户的检验。案头研究的结论应该作为下一步验证痛点的基本假设。

完成案头研究后，现在你已经掌握了一定的行业背景，用户情况，并且有了一些初步的机会假设，这时候你一定迫不及待地想找到用户，去进一步探索需求。不过你还要稍微有点耐心，因为你还需要完成进入现场的准备工作。

明天开始更新第五章-找到用户，做好准备。你准备好了么