高德扫街榜很好的证实了，没有定性的定量研讨，是不成靠的

[db:作者]

定量数据能告诉你“发生了什么”，但定性洞察才能诠释“为什么”。本文以高德扫街榜为例，拆解定量研讨在缺少定性支持时的范围，帮助你构建更完整的用户了解框架。


比来，高德舆图公布的“扫街榜”，无疑是数字时代的又一场流量盛宴。它凭仗本身强大的数据底蕴，为“去哪儿玩”这个永久的困难，供给了一份看似客观、高效、威望的答案。榜单公布后，在旅客群体和城市摸索爱好者中敏捷传布，成为了新的“城市周游圣经”。从产物运营和市场传布的视角看，这无疑是一次教科书般的成功。
但是，几近在同一时候，另一个风趣的“舆情发酵”正在发生。在各大交际媒体的批评区，在当地生活社群，甚至在我自己的朋友圈里，大量的当地居民——那些真正生活在这些城市肌理当中的人们，却纷纷发出了截然分歧的声音：“这是哪儿？”“认真的吗？”“我们当地人历来不去这里。”
一边是旅客的狂欢，一边是当地人的困惑。这类激烈的“认知撕裂”，作为一个沉醉在一线多年的用户研讨员，让我感应非常兴奋。由于，这并非一次简单的“翻车”变乱，而是一个绝佳的、公然的、全民介入的“用户研讨”案例。它以一种极具戏剧性的方式，将我工作中频频向同事们夸大的焦点概念，活生生地推到了公众眼前——
冰冷的数据可以告诉你“是什么”（What），但只要暖和的洞察才能告诉你“为什么”（Why）。不以定性研讨为根底的定量分析，不可是全面的，甚至能够是危险的。
这篇文章，不想去评判高德榜单的功过。恰恰相反，我要感激它供给了一个现在活泼的“活体样本”。我希望借此机遇，以一位从业者的真诚，循序渐进地与你分享，我们到底该若何看待数据？若何从数据表象走向用户真相？以及，若何构建一个真正“以用户为中心”的认知系统。
我们为何如此迷恋一份榜单？在批评性地审阅这份榜单之前，我们必须首先了解并认可，它为什么会成功？为什么它能如此精准地切入公共的“爽点”？这背后，是定量数据与生俱来的三大“光环效应”。
1. “决议”的光环：数据是信息过载时代的“救生筏”让我们先来做一个思惟尝试。假如你是一个计划去一座陌生城市旅游的人，你的焦点使命是什么？是找到这座城市“最值得去”的地方。你会怎样做？
在曩昔，你能够会翻阅厚厚的《孤独星球》，大概询问去过的朋友。而在明天，你会翻开无数的APP，面临的是瀑布流一样的信息：头部博主的“必去清单”、海量的用户点评、各类机构公布的榜单……信息不单没有帮助我们，反而制造了庞大的“决议疲惫”。
这时，高德“扫街榜”出现了。它用一种极为简洁、看似无可置疑的方式告诉你：“别纠结了，这是大数据选出来的，去就对了。”
这在用户体验理论中，完善地处理了用户的“使命”。著名创新理论“JobstobeDone”（JTBD，待办使命理论）告诉我们，用户“雇佣”一个产物，是为了完成某项特定“使命”。对于旅客来说，这个焦点使命就是**“在有限的时候里，高效、牢靠地完成一次不留遗憾的城市精华体验”**。高德榜单，正是这个“使命”的完善处理计划。它用数据，为用户在信息陆地中供给了一艘“救生筏”。
2. “客观”的光环：数字带来的“科学感”与“平安感”“大数据显现”、“基于亿万用户行为”……这些字眼天生就带有一种威望感。诺贝尔奖得主丹尼尔·卡尼曼在《思考，快与慢》中提到，人的大脑有两套系统，系统1（快思考）偏向于依靠直觉和简单的启发式法则。而“数据”和“排名”，恰正是系统1最喜好的“捷径”。
它缔造了一种“个人聪明”的幻觉，让我们相信这个挑选是经过不计其数人“考证”的，从而获得了庞大的心理平安感。相比于某个美食博主能够“恰饭”的保举，一份基于海量匿名数据的榜单，显得非常“客观中立”。
这类对数字的自然相信，是刻在人类基因里的。在不肯定的天下里，数字是我们捉住简直定性。
3. “效力”的光环：贸易方针的“最优解”从高德本身的贸易视角来看，这份榜单也是一次高明的“阳谋”。它不可是一次成功的市场营销活动，更是一次对本身焦点才能的完善展现。

强化品牌心智：将高德从一个“导航工具”向“生活办事平台”的定位上，又推动了一大步。

驱动焦点数据：榜单的分享和利用，间接拉动了利用的日活跃用户（DAU）、搜索量和导航请求次数。

构建内容生态：围绕榜单，可以衍生出无数的POI（爱好点）保举、用户UGC（用户天生内容）和贸易合作，构成了一个可延续运营的内容资产。所以，不管从用户使命、心理学还是贸易逻辑上看，“扫街榜”的成功都绝非偶然。它是一次策划精巧、逻辑自洽的“定量数据利用”的典型。它清楚地告诉了我们 What——哪些街道在数据维度上最受接待。
但是，故事到这里，才刚刚起头。
数据真相与体验现实假如说榜单的成功是“料想当中”，那末当地人截然分歧的反应，则揭开了数据光环下的另一面——一个关于“体验”的“罗生门”。
数据没有扯谎，它实在地记录了人流的轨迹。但它却像一个沉默的证人，对关键题目连结了沉默。这类沉默，振聋发聩。
1. “动机”的沉默：是“心之所向”，还是“情不自禁”？定量数据能记录“行为”，却没法洞察“动机”。
一条街道人流量庞大，数据上显现为“火爆”。但这份“火爆”的组成是什么？

能够性A：这里有城市最焦点的交通关键，不计其数的上班族天天被迫“经过”这里，他们的情感是焦虑和慌忙的。

能够性B：这里是一条著名的“网红”贸易街，旅客们慕名而来，他们的方针是“打卡”和“摄影”，对街道自己的历史文化并无爱好。

能够性C：这里藏着当地人从小吃到大的苍蝇馆子，或是承载着几代人记忆的社区公园，人们来这里是为了“生活”和“感情安慰”。高德的算法，将这三种截然分歧、甚至体验上相互冲突的动机，简单地“拉平”成了一个单一的“热度”目标。它看到了通勤的洪流，却将其误读为休闲的向往。当地人之所以发出“问号”，是由于他们是亲历者，他们清楚地晓得，自己为这条街进献的数据，并非出于“爱好”，而是出于“需要”。
2. “感情”的沉默：是“打卡代价”，还是“感情代价”？定量数据能权衡“流量”，却没法权衡“感情”。
在用户体验设想中，有一个典范的“体验金字塔”模子。它将用户体验分为几个条理：最底层是**“有用的”（Functional），往上是“牢靠的”（Reliable）、“可用的”（Usable），而最高层是“愉悦的”/“成心义的”（Pleasurable/Meaningful）**。
高德榜单很好地满足了“有用”的条理，它确切能把你带到一个地方。但当地人评价一条街道的黑白，常常是从金字塔的顶层——“愉悦”与“成心义”动身的。
一条网红小吃街，在数据上能够是顶流。但当地人的实在体验能够是：过度贸易化、陈旧见解的连锁店、拥堵的情况、以及是以落空的“场所感（SenseofPlace）”。“场所感”是一个地理学和修建学概念，指的是人与一个地方之间构成的感情纽带。这类纽带由配合的记忆、怪异的文化空气和人际交往组成。
定量数据没法捕捉这类“场所感”。它只能告诉你这家店有几多人排队，却没法告诉你隔邻那家开了三十年、老板能叫出一切老街坊名字的杂货铺，对这个社区意味着什么。前者是“消耗代价”，后者是“感情代价”。
3. “视角”的沉默：是“旅客快照”，还是“居民长卷”？定量数据能聚合“公共”，却没法区分“人群”。
这是最焦点的一点。这份榜单最大的题目，是它默许了一切用户都是一个“标准用户”，具有一样的需求和评判标准。但现实上，最少存在两类视角截然分歧的用户画像（Persona）：
旅客画像：

方针：快照式体验，追求效力和精华。

行为：目标地导向，按图索骥，完成打卡。

评价标准：著名度、出片率、交通便当性。居民画像：

方针：沉醉式生活，追求舒适、便当和感情共鸣。

行为：无目标周游，平常经过，社区互动。

评价标准：生活力味、怪同性、小我记忆、社区空气。高德的榜单，本质上是一份“旅客体验报告”，它精准地办事了第一类画像。但当它试图用这份报告去界说一座城市的“炊火气”时，就不成避免地冒犯了第二类画像的用户。由于“炊火气”这个词，恰正是一个需要“居民长卷”式视角才能去界说的、布满定性色彩的辞汇。
若何缝合数据与现实的裂缝？讲到这里，我们已经清楚地看到了题目地点。那末，作为一位用户研讨员，我们该若何处理这个题目？我们的“工具箱”里，到底有哪些工具可以帮助产物，既具稀有据的广度，又不失体验的温度？
答案是：建立一个“定量”与“定性”相互合作、循环考证的研讨系统。
这套系统，可以用典范的“双钻模子（DoubleDiamondModel）”来类比，它分为四个阶段：发现（Discover）、界说（Define）、成长（Develop）、托付（Deliver）。
阶段一：发现（Discover）- 用“定量研讨”发现线索这个阶段的方针是“发散”，尽能够多地找到能够性。这正是大数据发挥感化的舞台。
方式：数据挖掘、A/B测试、问卷调研。
利用到“扫街榜”：
[ol]

数据挖掘：通太高德的海量数据，初步挑选出全国范围内“热度”最高的Top1000条街道。这是我们的“线索池”。

问卷调研：对高德用户停止大范围问卷投放，询问他们“你以为最具炊火气的街道需要具有哪些元素？”，选项可所以“美食多、历史感、合适散步、交通便当”等，经过数据接管，对“炊火气”这个模糊概念停止初步的量化界说。[/ol]这个阶段竣事后，我们会获得一张“热门舆图”和一份“用户偏好报告”。我们晓得了 What。可是，我们仍然不晓得Why。
阶段二：界说（Define）- 用“定性研讨”洞察本质这个阶段的方针是“收敛”，深入了解题目背后的本质。我们需要从“线索”走向“洞察”。
方式：用户深度访谈、焦点小组、人种志研讨（田野观察）。
利用到“扫街榜”：
1）用户深度访谈（In-depthInterview）：从上一个阶段的数据中，招募分歧画像的用户。比如：

去过榜单上街道的“旅客”

居住在这些街道四周的“当地人”

经常去这些街道消耗的“城市年轻人”停止一对一的、半结构化的访谈。我们会问一些开放式题目，比如：“可以聊聊你上次去这条街的履历吗？”，“当你想到这条街，你脑海里会出现哪些画面和词语？”，“假如让你给朋友保举一条‘实在的’当地街道，你会保举那里？为什么？”
2）人种志研讨（EthnographicResearch）：这是定性研讨的王牌。我们的研讨员会亲身去到那些“热门”街道，停止实地蹲点观察。我们会像一个记载片导演一样，记录下：

人们在街上的行为：是仓促走过，还是落拓安步？

人们的互动：是与同伴交换，还是各自看手机？

街道的“声音”：是汽车鸣笛声，还是小贩的叫卖声和邻里的欢笑声？我们甚至会和街边的店东、下棋的老人聊天，去挖掘数据完全没法触及的“活”的故事。
这个阶段竣事后，我们会获得几个焦点洞察（Insights），比如：“洞察1：通勤数据在‘热度’计较中权重太高，形成了‘伪热门’现象。”、“洞察2：旅客与当地人对‘炊火气’的界说存在本质差别，前者偏向‘新奇异’，后者偏向‘平常感’。”
阶段三/四：成长与托付（Develop & Deliver）- 融合洞察，缔造更优解
有了前两个阶段的铺垫，我们就能成长出真正处理用户题目标计划。
利用到“扫街榜”：
算法优化：在“热度”模子中，加入“逗留时长”、“周末/工作日人流比”、“餐饮/购物等休闲POI占比”等更能反应“休闲志愿”的因子，下降纯通勤数据的权重。
产物创新：这才是最冲动听心的部分。我们完全可以超越“一张榜单”的思维。

推出“千人千面”的系列榜单：比如《旅客初见榜》、《当地人私藏榜》、《深夜食堂榜》、《老城安步榜》。让分歧需求的用户，都能找到自己的“圣经”。

引入定性内容：在榜单的每一条街道下，不但仅是POI的罗列，而是可以引入当地KOL的访谈视频、记录这条街声音的“声音舆图”、或是普通居民的口述故事。让数据和故事，配合组成一条街道的“灵魂”。经过这样一个完整的“双钻”流程，我们托付的，将不再是一份能够激发争议的榜单，而是一套真正了解并办事于分歧用户的、有温度、有深度的城市生活指南。
做有灵魂的产物我们常说“数据驱动增加”。这句话自己没有错，但我们必须警戒它滑向“唯数据论”的圈套。一个真正巨大的产物，它的驱动力，不应仅仅是冰冷的、回首性的数据，更应是暖和的、前瞻性的“用户了解”。
“数据驱动”的本质，应当是“数据提出题目，洞察给出答案”。
作为一位用户研讨员，我的工作，就是尽力成为数据和实在天下之间的“翻译官”。我始终相信，在每一个看似死板的数据点背后，都藏着一个新鲜的、有着复杂感情和动机的人。而我们的使命，就是穿过数据的迷雾，去看见并了解那一个个具体的人。
作者：Kaysen用户研讨 公众号：Kaysen用户研讨
本文由 @Kaysen用户研讨 原创公布于大家都是产物司理。未经作者答应，制止转载
题图来自Unsplash，基于CC0协议
该文概念仅代表作者本人，大家都是产物司理平台仅供给信息存储空间办事