摘要：如何基于“小”数据和统计学就能精准定义细分目标用户的独特亮点产品需求

随着市场竞争的加剧，常规可设想到的需求场景已经被各个Stakeholder做的日趋完美。只有能精准地知道各类细分人群的个性化需求，才能让我们的产品在面向不同客户的时候可以展现出个性化亮点，为其精准地定义价值主张。简单来说，价值主张的组成要素包括几个关键点： 你的用户是谁？你能为用户提供什么样的产品或服务？你能满足用户哪方面的价值需求？

为了帮助各个企业在激烈的市场竞争中占据一席之地，制定更契合的商业模式，Thoughtworks基于诸多过去的项目经验，创造了一种基于统计学和“小”数据就能实现精准定义产品价值主张设计方法，即SPVD（Statistic based Precious Value-Proposition Design）。下面，我们就将这套方法分享给大家。

一、为什么企业需要精准定义产品的价值主张？

当企业想要创造一款解决方案来服务特定的用户群体时，必须要精准地知道哪个细分人群有怎样的痛点和期望，才能想到合适的解决方案，来准确地满足这些用户。但想要实现这一点，需要精准掌握用户特征、需求场景等相关信息，而这往往是企业在刚进入该领域前所不具备的。

在新进入某一领域时，企业可能面临的情况是：

• 只从需求侧出发：你有非常熟悉的一群用户，你发现他们有未被满足的需求，但是还不了解用怎样的技术。
• 只从供给侧出发：你掌握了某种尖端技术，希望能够把这种技术提供给某些你设想的人，但是对这些人群并不是太了解。
• 两边都不沾：你既没有尖端的技术，也没有熟悉的用户。对于给谁提供什么，你都只有一厢情愿的猜测。

在这三种情况中，第一种情况的目标是最为清晰的，但很多企业往往面对的是后两种情况。为了解决这一困境，就需要精准的用户数据来支持决策。不过，不能等到把产品完全做出来，才去收集使用过程中的定量数据，再来做决策。这就陷入了一个逻辑悖论中。

因此，当我们想要撸起袖子加油干之前，很需要一种能够只需投入有限的时间/资金，就能准确匹配用户需求的解决方案。此时，有一套能够精准定义产品的价值主张设计方法就显得十分重要。

二、什么是SVPD ？

为了帮助企业挖掘目标用户的需求，Thoughtworks结合诸多过去的项目经验，创造了基于统计学的精准定义产品的价值主张设计方法，即SPVD（Statistics based Precise value-proposition design）。它可以让企业在非常有限的研究资源（时间、人力、用户量）投入下，从一开始对目标群体懵懵懂懂，到最终得出一个精准的价值主张模型。在这个模型里，企业可以挖掘出目标群体的需求，并且准确地得知细分群体的个性化需求。这些研究成果可以为企业接下来构建解决方案提供明确的投资方向指引。

SPVD包含4个步骤，分别是：

1、猜想初始用户假设

基于对用户的初始粗略了解，提出对目标用户群体特征的初始假设

2、做好一手研究，探索可能机会

根据初始用户假设，招募少量用户亲身做一手研究

3、建立价值主张假设

根据亲身研究中发现的用户痛点/期望，识别机会点，猜测哪些特征的人会更有需求，构思概念解决方案

4、精准验证价值主张

基于数百人规模的“小”数据进行统计学假设检验，验证价值主张中用户特征、需求、解决方案的影响力关系。

三、SPVD的四大步骤

为了让大家对这套方法有更清晰的了解，下面，来详细讲解SPVD的四个步骤，以及每个步骤中的关键点。

步骤一 猜想初始用户假设

在该阶段，需要初步回答好两个问题：谁是用户？在什么场景下会有需求？对于解决方案及技术方案的细节，则不需花太多精力细想。花太多精力去想解决方案会让你过早爱上自己的方案，从而只关注能支持这个方案成立的信息。

1、谁：具备哪些特征的人最有可能是你的用户

• 这时候可按照“大胆设想、小心求证”的原则，尽可能地去设想具备哪些特征的人在未来更有可能使用你的产品。
• 在选择特征时，要保持适度的聚焦，也要留有容错的空间。
• 例如：谁最有可能需要2座的A00级电动车？答案可能是：月收入5000以下的人？ / 没有孩子的年轻人？ / 有孩子的女性？

2、什么目的情景：当他们想达成什么目的时，会用我们所提供的产品/服务？

• 任何一个产品/服务，一定要能满足用户的某种目的，才会真正被用户在达成该目的的场景下使用。
• 在一开始，如果不熟悉这类用户，那么在这个目的下用户会做什么、会遇到什么问题、会经历什么、有什么感受，我们都难以想出细节。为此，进行相关调查就很有必要。

3、技术有哪些抽象总结好的应用价值模式：新产品/服务有哪些机会空间？

• 你所掌握的技术究竟能给用户带来什么价值呢？
• 整合应用技术的方向是什么？
• 适合的、不会犯错而且又不会错过机会的做法是什么呢？可以抽象总结一下这些技术以往的优势应用模式，看看在设想的情景下，用户的需求和应用模式是不是有结合的机会。

步骤二 做好一手研究，探索可能机会

为了更好打造产品和服务，必须要抓住用户细节，深入了解假想用户在设想的目的场景下是如何生活的，他们有哪些行为习惯，哪些困扰、抱怨和期望，这其中是否有切入的新机会等。为此，我们需要走入一线，去尽可能直接接触用户多彩的真实生活，去寻找超出自己以往想象的真实细节。

1、抽取样本

我们可以在假想客户中抽取一个小样本进行研究。一般我们会进行20人左右规模的访谈。对于假设关键特征，要尽可能充分的体现，比如年龄、性别、婚育状态。对于这些关键特征，可以按照其水平，进行“被试间设计”，即A特征的各个水平不影响B特征的各个水平，从而让我们在对比A特征各水平间的差异时，不会受到B特征各水平的影响。

例如，对于有三种预期特征：年龄，3水平：20-30 / 30-40 / 40-50性别，2水平：男 / 女孕育状态，4水平：未婚无子 / 已婚无子 / 已婚有子 / 离异有子

在理想情况下，最佳的样本是：3 2 4=24，每个交叉维度下有1个个体。这样选出来的样本会有最大的丰富度。但有时因为两个特征之间有相关性影响，比如年龄和婚育状态，导致40-50岁的群体中未婚无子的总人口数就很少。此时，可结合研究目的，看下这个少数群体是否是重点研究对象，可根据情况略做调整。

选择样本时，尽量选择典型用户，拉开不同水平间的差异。比如20-30岁群体尽量选25岁，30-40岁组尽量选35岁附近，才能让两组之间的人拉开差距。

2、访谈

在这个环节，推荐使用半结构式访谈，时间大概两小时。在访谈前制作一份提纲，列出一些你首先能想到的主题性问题。通过这些问题的启发，让用户讲述更多你所不知道的细节信息。比如对于购车者，聊聊“通勤、送孩子、接待客户、自驾游”这些主题，具体细节再展开。

聊完主题性问题之后，需要像聊天一样针对用户所述语句中有特色的部分进行深入挖掘，比如，“为什么你会这样想呢？”、“当时的过程是怎么样的，可以给我讲讲么”、“为什么你会选择这种方式呢”。

通过访谈，就能够从每个人身上收集到一些个性故事。这些故事反映了某种人的一些独特视角。而要想对这一领域有全面的认识，可以把几十个个性化样本的故事拼凑在一起获得一个多样化的全景。

3、跟拍和实地探访

跟拍和实地探访是对访谈的有效补充。访谈可以快速获得一些关键要点，但是过于抽象，缺少细节。使用影像记录仪到现场持续跟拍，可以收集到更多细节，这些细节可以启发我们寻找新的机会点，也可以用来支撑访谈中已发现的机会点。在组织汇报的时候，展示视频也是获得共情的有效方式。

4、分析用户需求场景，提炼共性

随后我们可以把收集到的这些碎片化信息进行概念化，分析出人们做出各种行为的不同选择，以及做出这些偏好和选择的前因后果。

例如，我们可以从中抽取的是：

• 人们在同一目标场景中会有哪些不同的行为习惯的选择：打发无聊听音频：听音乐/听儿歌/听小说/听知识教育约人吃饭找餐厅：上车前查好 / 边开车边查 / 车上其他人查
• 对于一些比较独特的行为习惯，其背后的触发原因是什么？路边停车被罚款：要去路边买水买烟 / 着急办事儿没有停车位
• 当做一些决策选择的时候，会重点参考什么信息？请人吃饭找餐厅：环境 / 当地特色表演自己找餐厅：方便停车找出去玩的地方：适合小朋友 / 方便充电
• 现在有什么痛点/期望，希望改变现状？带孩子出行：孩子路上吵 / 孩子睡觉吹空调会冷

在这些行为习惯和思考方式上，既能看到大家的共性，也有某些个性。共性，往往体现了所有人的通用需求。而个性化需求，则需要进一步推测此人的哪种特性导致了该个性。这些个性化需求，往往也是整个行业的其他从业者很难发现的需求。

步骤三 建立价值主张假设

1、构思解决方案

基于访谈过程中发现的机会点，我们终于有了较为明确的靶子，可以开始构思用怎样的解决方案帮助用户解决难题，创造新的价值。此时，应该引入更多的技术角色和资源方，一起来构思应该如何帮助用户解决这些难题。盘点自己所掌握的技术和资源，可以丰富构思解决方案的*器武**库。

例如：

小程序：跨终端地建立与用户的渠道

AI：自动对图片、人脸进行归类识别，自动驾驶

IoT：远程控制设备或者获取信息

VR：构造一个虚拟现实的沉浸式场景

NLP: 理解语言的含义，输出特定意义的语句

2、建立正式的特征假设

在基于机会点来构思了价值主张解决方案后，我们要留意的是，我们还没有搞清楚具备哪些特征的人会对这些价值主张（比如20个）中的哪些（比如5个）会格外需要。

只有精准地发现特征与需求的决定性关联关系，我们才能精确地掌握未来想要着重服务哪个细分群体，可以为其提供哪些价值主张。有一些价值主张是所有人都需要的，但往往这些价值主张易于被所有公司发现，而这些深入的个性化价值主张更有助于我们对某些特征群体打造针对性亮点。

基于前期用户研究，我们可以猜想，男性比女性，或者一线城市比三四线城市，或者老板比基层员工，更加需要某种价值主张。那么就可以把这些特征作为下一步进行大样本统计时的自变量，识别其与需求场景的关联关系。

步骤四 精准验证价值主张

至此，我们已对目标用户的生活方式、机会点有了详细的了解，也针对构思了很多新的解决方案。但是在展开大规模投资之前，我们还是不了解这些解决方案的用户评价，也没法精确地知道具备哪些特征的细分人群会对哪些功能会更有兴趣。基于前面访谈小样本得出来的猜想，必须基于一个更大的样本来进行定量验证，才能在将产品/服务应用到海量用户的真实生活中。

1、第二次定量研究样本抽样

在抽样时，主要是对于各个变量的各个水平进行抽样。对关键变量的各个水平的比例进行严格控制，可以确保在各个水平上都有足够丰富的样本，降低误差。但这也意味着成本更大。因此，需要根据实际情况斟酌。

2、问卷调查

问卷的设计可以分成三个部分：

• 基本特征

首先收集我们所关心的关键自变量。有些项目可以直接单选，而另一些项目则可以是数值。对于数值型的变量，可以让用户先填写原始数值，之后再将其转化为分组变量。

• 目的情景

目的情景是对用户的需求场景进行的第一层具象化。不同类型的用户会在怀有不同目的时，想要使用我们所提供的产品/服务。比如，我们提供的产品是矿泉水，那么用户会在开长途车/打球/跑步/逛商场时有需要。

• 机会点和解决方案

对机会点和解决方案的描述，尽可能地把“目的情景”带上。这样可以唤起对应的目标用户对这个场景的认同。其基本模板可以使用：

当<某目的情景时>，我会遇到<痛点>/希望获得<期望>，这时我可以使用<产品功能/服务项目>某个产品功能/服务项目可能会在多个目的情景下有用。这时也不妨每种目的情景下都具体了解。

3、变量影响力的统计检验

某个机会点/解决方案的需求度分值，在整个样本的总得分常常只是表象，还需要知道具备特征的人群是否会对某个机会点/解决方案有更强的需求。因此，需要把样本整体的得分按照某个自变量给拆开来，看看不同组之间是否有显著的差别。

为了能够科学地度量这个影响力的显著性，我们可以使用统计学的方法，检验不同种类的自变量对因变量的影响。每种检验的算法最终都能给出一个P值，即相信自变量对因变量有影响的话，所犯错的概率有多大。由此，我们可以使用这些算法来检验每一种自变量用户特征对所有用户需求选择的影响力，从而发现哪种自变量所具备的影响力更强。

对于“各个分组的典型用户特征是什么”这一问题，也可以看看不同分组的用户群体，其差异化的最大特征是什么，从而找到其典型特征。

结语：

基于以上的方法，我们在面对一个新领域的时候，才能从一开始对哪些用户需要什么以及我们应该研制什么一无所知，一直到完全摸清楚哪些用户更需要哪些特定功能。这就像玩游戏时用侦察兵的少量投入，去完全摸清楚地图全貌，从而为后续的研发资源投入搞清楚方向。只有经过这样的系统性研究，才能确保不会漫无目的地战术疲惫以及基于已知有限红利的竞争内卷。

更多精彩洞见，请关注微信公众号Thoughtworks商业洞见。