今年3月底，老中醫(yī)曾寫過一篇《用戶研究新構思：弱化用戶人群畫像，增強場景分類》，建議在汽車產品戰(zhàn)略研究和營銷策略研究中更加關注“場景”概念。此后很多人問我在這方面的具體研究案例和數據分析發(fā)現。其實這在當時更多是汽車數據工場研究團隊在理論層面的一些設想。但此后我們開始圍繞這個設想展開了很多工作，包括今年7月18日成立的VISE中心（車輛智能場景評價中心）。意味著我們正式開始為場景研究建立一套規(guī)范的方法和測試體系。

當然任何前瞻性的探索都不會是一朝一夕可以取得突破的事情，但通過這半年來與業(yè)界多位專家和汽車企業(yè)一線人員的溝通，老中醫(yī)越來越堅信場景研究本身蘊含的巨大潛力。既然此前我們把“開放”作為汽車數據工場企業(yè)價值觀當中非常重要的一條，這一次索性我們再多公布一些思考和進展，詳細和大家談談如何基于場景進行汽車產品定義這個話題。

傳統(tǒng)汽車產品定義研究方法的不足

在傳統(tǒng)方式當中，汽車企業(yè)進行產品定義是以人群分類和人群畫像作為第一步的。在此前那篇文章中老中醫(yī)也提到過，這種方法往往存在一個巨大的邏輯悖論：人群定義越精準的產品，其實賣的往往越差。與此相反，那些賣得超好的產品，往往沒什么個性，購買這些產品的用戶群在幾乎所有指標上，通常只是那個價位上所有用戶的平均值。

上面那個現象說明，并非人群分類和人群畫像不重要，而是很多時候大家為了所謂的精確而操作過度了。明明用戶群分類只是按照性別、年齡段、收入段、城市級別等少數幾個非常顯著的字段劃分就足夠了，但大多數研究人員并不滿足這些粗糙的分類，而是不斷深入探索，最終走過了頭。還是舉那個老中醫(yī)最常舉的例子，一個買速騰的人和一個買?？怂沟娜耍烤鼓苡卸啾举|的區(qū)別？很有可能他們是同齡的兩個非常熟悉，又臭味相投的同事或者哥們。不買一樣的車僅僅是因為不想兩個人總是開一樣的車出去而已。

另一方面，多年來大家賴以進行人群分類的數據本身是有缺陷的。尤其是價值觀研究，受制于傳統(tǒng)調研技術本身在實際操作中的大量執(zhí)行問題，這些數據并不可信?；诓豢尚艛祿归_的研究本身也就成了問題。

上面兩個問題導致一方面人群并不能與產品形成穩(wěn)定的映射關系，另一方面數據本身也很難支持所謂精確的人群分類。因此基于人群定義產品這個方法本身是很難進一步深入發(fā)展和更加精確的。

傳統(tǒng)產品定義研究方法的可繼承之處

如同最近幾篇文章，老中醫(yī)一直強調繼承與發(fā)展這兩個主題一樣，在產品定義方法論上，過去的經驗同樣存在大量閃光之處。在老中醫(yī)看來，傳統(tǒng)方法最為關鍵的經驗總結其實是產品特征目錄。老中醫(yī)把他稱為汽車產品管理的通用語言。

在這里不妨和大家全面介紹一下產品特征目錄本身。要定義一款汽車產品，我們就需要把用戶需求翻譯成為產品開發(fā)語言。然而汽車本身是一個異常復雜的系統(tǒng)，普通用戶在介紹需求的時候往往無法站在系統(tǒng)的高度上進行穩(wěn)定、完整、前后一致的表達，他們的語言大多數也都是非專業(yè)的。因此需要一個所謂的翻譯過程，特征目錄就行進行這種翻譯的語言體系。

為了實現用戶語言到技術語言的轉化，產品特征目錄是由多個層級的指標構成的。第一層級通常按照專業(yè)領域進行的分類，他描述的是戰(zhàn)略性語言。例如動力性、舒適性、造型設計、感知質量等等。第二層級則是用戶語言，也就是用戶能夠直接感受到的內容，例如感知質量當中的內飾材質感受、工藝、紋理等等。第三層級則是對用戶語言進行的技術拆解，變成方便向產品開發(fā)提供要求的指標。如下圖所示，當然為了進一步細化，通常還有第四甚至第五層級，這些則是更進一步的技術細節(jié)描述甚至驗收標準。

本質上說，產品特征目錄是一門用來描述汽車產品的語言。因為要全面表達產品開發(fā)目標，因此就需要全面、系統(tǒng)地把一部車描述出來。

汽車數據工場的團隊可以說與產品特征目錄有極深的淵源，這一體系原本是我們的合作伙伴，EFS咨詢的雷霆生先生創(chuàng)建，2003年被張文杰先生引入國內，并最早應用于新寶來產品的定義過程當中。此后老中醫(yī)在國內多家自主品牌的產品定義過程中應用這一方法，先后參與了40余款車的定義過程。之所以老中醫(yī)更愿意把產品特征目錄上升到一種語言的高度，是因為以下幾個原因：

1、對于全面貫徹特征目錄的車企，特征目錄不僅可以定義一個時點的開發(fā)目標，更可以在產品定義環(huán)節(jié)基于特征目錄定義整個生命周期以及下一代產品的開發(fā)目標。然后在開發(fā)過程中不斷滾動調整，這樣產品生命周期管理就會更有節(jié)奏感和方向感。前提是描述指標的語言需要前后一致，這恰恰是特征目錄的優(yōu)勢。

2、特征目錄不僅可以描述一部車的開發(fā)目標，更加可以描述一個企業(yè)整個產品組合的開發(fā)目標或者產品特征。如此一來，應用特征目錄的車企更加容易實現從產品戰(zhàn)略到品牌戰(zhàn)略的轉化。具體操作方法老中醫(yī)在此前一篇文章《從產品戰(zhàn)略到品牌戰(zhàn)略，新創(chuàng)汽車品牌有哪些必經之路？》當中亦有描述。其邏輯那個如下圖所示：

3、如果把特征目錄上升為一種語言，他可以實現車企內部，甚至不同車企之間溝通成本的大幅下降。為跨部門或者跨企業(yè)戰(zhàn)略合作提供一個溝通平臺。

基于場景進行產品定義的進步之處

相比基于人群分類的產品定義，從場景分類角度入手，其優(yōu)勢在于場景與汽車用途或者產品需求的映射關系更加穩(wěn)定。而只要場景本身是可窮舉、可定義以及可計算的（例如在不同場景之間劃分權重等等），那么我們就可以把每個細分場景下的產品定義結果疊加起來，變成完整的產品定義結論。

這種進步需要幾個前提：

1、需要對場景本身進行清晰的定義。因為不同人對場景的理解是不同的，梳理和劃分場景的方法也是不同的。

2、需要找到獲得場景研究的有效數據，否則理論永遠只能停留在理論層面。

3、需要在研究方法上有效繼承此前產品定義的經驗和優(yōu)勢方法論，這樣才可以少走彎路。

如何基于場景進行產品定義？

前面等于我們交代了很多前提，接下來才是老中醫(yī)的正題?；谇懊婺?個問題，首先需要回答的就是如何定義場景？

場景定義需要基于數據獲取這個大前提，例如目前智能汽車上可以更加方便地通過導航、OBD或者T-Box獲得車輛位置、時間、路況、車況、用戶操作等方面的數據。因此我們首先可以從這些數據出發(fā)，用這些最整齊的數據劃分并描述場景。

老中醫(yī)認為三個指標是最需要關注的：時間、地點以及車況。這里時間包含的信息既包括絕對的時間概念，也包括時間背后的信息：例如周一到周五早上8點，在絕大多數城市意味著早高峰。地點同樣包含很多背后的信息，例如基于地圖，這個位置是在高速公路上還是在砂石路面上，又或者這是在城市還是在鄉(xiāng)村。

基于這三個維度，我們完全可以把場景準確描述出來。并基于研究本身的顆粒度要求，把場景分類或分層。這里老中醫(yī)同樣有一個觀點：場景不宜劃分過細，因為太細了就和人群分類一樣，走向因為追求精度反而喪失精度的漩渦里。恰到好處的場景分類是：在這個場景之下，用戶的產品需求與另一個場景有顯著差異。同時，數據也可以準確把這個場景的權重描述出來。

接下來的問題就是我們需要定義不同場景之間的權重了。在這里我們又需要重新引回用戶分類的概念，只不過這個分類的顆粒度要遠遠粗于現在廣為流行的那些。我們只需要關注用戶畫像當中最為顯著的那幾個即可：性別、年齡段、收入段、所在城市、車輛用途……因為不同用戶面臨的場景其實是完全不同的：一個一線城市的商務人士與一個三線城市的玩具批發(fā)商肯定面對完全不同的場景結構。如果不把這兩個人群分開，這個研究便不會精確。

其次是基于每個人群，研究不同場景出現的頻次、所占時長以及這些場景的重要性，定義每個場景針對這類用戶群的權重。當然具體劃分權重的指標其實需要不斷測試和迭代優(yōu)化。我們以S代表場景，那么不同場景的權重可以用一組數據代表：S1、S2、S3……Sn 

第三個步驟是研究每個場景下，不同用戶群的產品需求。這是汽車數據工場的獨特之處，因為我們對產品特征目錄有很深的理解，我們也一直倡導把產品特征目錄作為一種通用語言。因此在描述用戶需求方面，我們更傾向于繼續(xù)圍繞特征目錄展開，這樣研究結果才能最充分落地，并且繼續(xù)保持原有的系統(tǒng)性和完整性。

在研究具體場景用戶需求的過程中，我們可以基于Kano模型，把特征目錄的各指標在該場景下的屬性描述出來。這個就需要結合更有針對性的用戶評價數據了。要獲得這些數據，恐怕還需要做更多工作，要把用戶評價與具體場景匹配起來，這需要從廠家或者車輛運營者層面建立一套長期的跟蹤體系。最終每個場景下的用戶需求可用下列矩陣代表，其中A/B/C……X代表產品特征目錄的各項指標。我們需要測量每個場景下，用戶對每個指標的需求程度。

S1 ：【A1、B11、C1、D1、……X1】

S2 ：【A22、B22、C22、D22、……X2】

S3 ：【A3、B32、C32、D3、……X3】

……………………………………………………

Sn：【Ann、Bn、Cn、Dn、……Xnn】

基于S11至Sn下用戶對各指標的需求程度，再結合各場景的權重，可以形成最終產品的定義結果。實際上，場景細分的產品定義等于分別針對每個場景定義了一輪產品特征，再把這些場景加權起來，形成一個綜合結果。場景結構的不同，就會帶來產品開發(fā)目標的差異。 

下一步需要解決的問題及前景展望

首先進一步梳理一下場景定義的優(yōu)勢：

1、場景細分下的汽車產品的第一個優(yōu)勢就是結果更準確，而且容易打通產品定義、賣點包裝、營銷定位與廣告和品牌傳播之間的關系，因為本質上這些都可以圍繞場景準確描述用戶利益，整個過程的話語體系非常一致。

2、場景定義的第二個優(yōu)勢是更適合未來的分享車模式，因為這些車的功能定位更加純粹，但用戶群更加復雜。功能定位對應場景，因此場景研究更有優(yōu)勢。

3、基于場景定義產品的方法可以把未來大數據的優(yōu)勢進一步釋放出來。目前汽車行業(yè)90%以上的大數據營收仍停留在精準營銷層面，但對產品本身的優(yōu)化依然有限。但基于場景的產品定義方法可以徹底改變這一局面，而汽車行業(yè)畢竟本質上還是產品為王的，因此這一方法在未來會更有市場。

下一步需要解決的問題：

1、需要建立支撐上述方法的完整數據體系

2、基于數據體系形成完整的場景庫

3、基于未來產品的變革方向，改造產品特征目錄，使上述過程變得更貼近未來產品變革的方向。在這方面汽車數據工場正在構建完整的VISE指數體系，本質上就是把未來將會出現劇烈變革的指標改造成為VISE指標。

如果上面這些全都達成，我們將會形成一個整體的產品定義框架：基于用戶大數據，形成準確的用戶差異化需求，另一方面，基于對現有成熟產品結構的研究，形成產品大數據。未來的產品定義繼續(xù)通過產品特征目錄進行橋接?；谶@樣的體系，我們便可以徹底實現按照用戶的意圖和需求準確定義汽車產品。而這才是互聯網造車或者更時髦一點，“智能造車”模式的終極夢想。汽車數據工場接下來的方向便是打通用戶大數據與產品大數據之間的關系，場景研究和產品特征目錄這兩個工具都將真正釋放大數據的優(yōu)勢。

返回第一電動網首頁 >