如何基于场景研究优化汽车产品定义?

分享

今年3月底,老中医曾写过一篇《用户研究新构思:弱化用户人群画像,增强场景分类》,建议在汽车产品战略研究和营销策略研究中更加关注“场景”概念。此后很多人问我在这方面的具体研究案例和数据分析发现。其实这在当时更多是汽车数据工场研究团队在理论层面的一些设想。但此后我们开始围绕这个设想展开了很多工作,包括今年7月18日成立的VISE中心(车辆智能场景评价中心)。意味着我们正式开始为场景研究建立一套规范的方法和测试体系。

当然任何前瞻性的探索都不会是一朝一夕可以取得突破的事情,但通过这半年来与业界多位专家和汽车企业一线人员的沟通,老中医越来越坚信场景研究本身蕴含的巨大潜力。既然此前我们把“开放”作为汽车数据工场企业价值观当中非常重要的一条,这一次索性我们再多公布一些思考和进展,详细和大家谈谈如何基于场景进行汽车产品定义这个话题。

传统汽车产品定义研究方法的不足

在传统方式当中,汽车企业进行产品定义是以人群分类和人群画像作为第一步的。在此前那篇文章中老中医也提到过,这种方法往往存在一个巨大的逻辑悖论:人群定义越精准的产品,其实卖的往往越差。与此相反,那些卖得超好的产品,往往没什么个性,购买这些产品的用户群在几乎所有指标上,通常只是那个价位上所有用户的平均值。

上面那个现象说明,并非人群分类和人群画像不重要,而是很多时候大家为了所谓的精确而操作过度了。明明用户群分类只是按照性别、年龄段、收入段、城市级别等少数几个非常显著的字段划分就足够了,但大多数研究人员并不满足这些粗糙的分类,而是不断深入探索,最终走过了头。还是举那个老中医最常举的例子,一个买速腾的人和一个买福克斯的人,究竟能有多本质的区别?很有可能他们是同龄的两个非常熟悉,又臭味相投的同事或者哥们。不买一样的车仅仅是因为不想两个人总是开一样的车出去而已。

另一方面,多年来大家赖以进行人群分类的数据本身是有缺陷的。尤其是价值观研究,受制于传统调研技术本身在实际操作中的大量执行问题,这些数据并不可信。基于不可信数据展开的研究本身也就成了问题。

上面两个问题导致一方面人群并不能与产品形成稳定的映射关系,另一方面数据本身也很难支持所谓精确的人群分类。因此基于人群定义产品这个方法本身是很难进一步深入发展和更加精确的。

传统产品定义研究方法的可继承之处

如同最近几篇文章,老中医一直强调继承与发展这两个主题一样,在产品定义方法论上,过去的经验同样存在大量闪光之处。在老中医看来,传统方法最为关键的经验总结其实是产品特征目录。老中医把他称为汽车产品管理的通用语言。

在这里不妨和大家全面介绍一下产品特征目录本身。要定义一款汽车产品,我们就需要把用户需求翻译成为产品开发语言。然而汽车本身是一个异常复杂的系统,普通用户在介绍需求的时候往往无法站在系统的高度上进行稳定、完整、前后一致的表达,他们的语言大多数也都是非专业的。因此需要一个所谓的翻译过程,特征目录就行进行这种翻译的语言体系。

为了实现用户语言到技术语言的转化,产品特征目录是由多个层级的指标构成的。第一层级通常按照专业领域进行的分类,他描述的是战略性语言。例如动力性、舒适性、造型设计、感知质量等等。第二层级则是用户语言,也就是用户能够直接感受到的内容,例如感知质量当中的内饰材质感受、工艺、纹理等等。第三层级则是对用户语言进行的技术拆解,变成方便向产品开发提供要求的指标。如下图所示,当然为了进一步细化,通常还有第四甚至第五层级,这些则是更进一步的技术细节描述甚至验收标准。

本质上说,产品特征目录是一门用来描述汽车产品的语言。因为要全面表达产品开发目标,因此就需要全面、系统地把一部车描述出来。

汽车数据工场的团队可以说与产品特征目录有极深的渊源,这一体系原本是我们的合作伙伴,EFS咨询的雷霆生先生创建,2003年被张文杰先生引入国内,并最早应用于新宝来产品的定义过程当中。此后老中医在国内多家自主品牌的产品定义过程中应用这一方法,先后参与了40余款车的定义过程。之所以老中医更愿意把产品特征目录上升到一种语言的高度,是因为以下几个原因:

1、对于全面贯彻特征目录的车企,特征目录不仅可以定义一个时点的开发目标,更可以在产品定义环节基于特征目录定义整个生命周期以及下一代产品的开发目标。然后在开发过程中不断滚动调整,这样产品生命周期管理就会更有节奏感和方向感。前提是描述指标的语言需要前后一致,这恰恰是特征目录的优势。

2、特征目录不仅可以描述一部车的开发目标,更加可以描述一个企业整个产品组合的开发目标或者产品特征。如此一来,应用特征目录的车企更加容易实现从产品战略到品牌战略的转化。具体操作方法老中医在此前一篇文章《从产品战略到品牌战略,新创汽车品牌有哪些必经之路?》当中亦有描述。其逻辑那个如下图所示:
3、如果把特征目录上升为一种语言,他可以实现车企内部,甚至不同车企之间沟通成本的大幅下降。为跨部门或者跨企业战略合作提供一个沟通平台。


基于场景进行产品定义的进步之处

相比基于人群分类的产品定义,从场景分类角度入手,其优势在于场景与汽车用途或者产品需求的映射关系更加稳定。而只要场景本身是可穷举、可定义以及可计算的(例如在不同场景之间划分权重等等),那么我们就可以把每个细分场景下的产品定义结果叠加起来,变成完整的产品定义结论。

这种进步需要几个前提:


1、需要对场景本身进行清晰的定义。因为不同人对场景的理解是不同的,梳理和划分场景的方法也是不同的。

2、需要找到获得场景研究的有效数据,否则理论永远只能停留在理论层面。

3、需要在研究方法上有效继承此前产品定义的经验和优势方法论,这样才可以少走弯路。

如何基于场景进行产品定义?

前面等于我们交代了很多前提,接下来才是老中医的正题。基于前面那3个问题,首先需要回答的就是如何定义场景?

场景定义需要基于数据获取这个大前提,例如目前智能汽车上可以更加方便地通过导航、OBD或者T-Box获得车辆位置、时间、路况、车况、用户操作等方面的数据。因此我们首先可以从这些数据出发,用这些最整齐的数据划分并描述场景。

老中医认为三个指标是最需要关注的:时间、地点以及车况。这里时间包含的信息既包括绝对的时间概念,也包括时间背后的信息:例如周一到周五早上8点,在绝大多数城市意味着早高峰。地点同样包含很多背后的信息,例如基于地图,这个位置是在高速公路上还是在砂石路面上,又或者这是在城市还是在乡村。

基于这三个维度,我们完全可以把场景准确描述出来。并基于研究本身的颗粒度要求,把场景分类或分层。这里老中医同样有一个观点:场景不宜划分过细,因为太细了就和人群分类一样,走向因为追求精度反而丧失精度的漩涡里。恰到好处的场景分类是:在这个场景之下,用户的产品需求与另一个场景有显著差异。同时,数据也可以准确把这个场景的权重描述出来。

接下来的问题就是我们需要定义不同场景之间的权重了。在这里我们又需要重新引回用户分类的概念,只不过这个分类的颗粒度要远远粗于现在广为流行的那些。我们只需要关注用户画像当中最为显著的那几个即可:性别、年龄段、收入段、所在城市、车辆用途……因为不同用户面临的场景其实是完全不同的:一个一线城市的商务人士与一个三线城市的玩具批发商肯定面对完全不同的场景结构。如果不把这两个人群分开,这个研究便不会精确。

其次是基于每个人群,研究不同场景出现的频次、所占时长以及这些场景的重要性,定义每个场景针对这类用户群的权重。当然具体划分权重的指标其实需要不断测试和迭代优化。我们以S代表场景,那么不同场景的权重可以用一组数据代表:S1、S2、S3……Sn

第三个步骤是研究每个场景下,不同用户群的产品需求。这是汽车数据工场的独特之处,因为我们对产品特征目录有很深的理解,我们也一直倡导把产品特征目录作为一种通用语言。因此在描述用户需求方面,我们更倾向于继续围绕特征目录展开,这样研究结果才能最充分落地,并且继续保持原有的系统性和完整性。

在研究具体场景用户需求的过程中,我们可以基于Kano模型,把特征目录的各指标在该场景下的属性描述出来。这个就需要结合更有针对性的用户评价数据了。要获得这些数据,恐怕还需要做更多工作,要把用户评价与具体场景匹配起来,这需要从厂家或者车辆运营者层面建立一套长期的跟踪体系。最终每个场景下的用户需求可用下列矩阵代表,其中A/B/C……X代表产品特征目录的各项指标。我们需要测量每个场景下,用户对每个指标的需求程度。

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下用户对各指标的需求程度,再结合各场景的权重,可以形成最终产品的定义结果。实际上,场景细分的产品定义等于分别针对每个场景定义了一轮产品特征,再把这些场景加权起来,形成一个综合结果。场景结构的不同,就会带来产品开发目标的差异。

下一步需要解决的问题及前景展望

首先进一步梳理一下场景定义的优势:


1、场景细分下的汽车产品的第一个优势就是结果更准确,而且容易打通产品定义、卖点包装、营销定位与广告和品牌传播之间的关系,因为本质上这些都可以围绕场景准确描述用户利益,整个过程的话语体系非常一致。


2、场景定义的第二个优势是更适合未来的分享车模式,因为这些车的功能定位更加纯粹,但用户群更加复杂。功能定位对应场景,因此场景研究更有优势。

3、基于场景定义产品的方法可以把未来大数据的优势进一步释放出来。目前汽车行业90%以上的大数据营收仍停留在精准营销层面,但对产品本身的优化依然有限。但基于场景的产品定义方法可以彻底改变这一局面,而汽车行业毕竟本质上还是产品为王的,因此这一方法在未来会更有市场。

下一步需要解决的问题:

1、需要建立支撑上述方法的完整数据体系

2、基于数据体系形成完整的场景库

3、基于未来产品的变革方向,改造产品特征目录,使上述过程变得更贴近未来产品变革的方向。在这方面汽车数据工场正在构建完整的VISE指数体系,本质上就是把未来将会出现剧烈变革的指标改造成为VISE指标。

如果上面这些全都达成,我们将会形成一个整体的产品定义框架:基于用户大数据,形成准确的用户差异化需求,另一方面,基于对现有成熟产品结构的研究,形成产品大数据。未来的产品定义继续通过产品特征目录进行桥接。基于这样的体系,我们便可以彻底实现按照用户的意图和需求准确定义汽车产品。而这才是互联网造车或者更时髦一点,“智能造车”模式的终极梦想。汽车数据工场接下来的方向便是打通用户大数据与产品大数据之间的关系,场景研究和产品特征目录这两个工具都将真正释放大数据的优势。

关注So.Car官方公众号

掌握So.Car最新观点动向

张晓亮
张晓亮SoCar CEO

从事汽车市场研究咨询工作20年,专注于产品战略研究,先后服务于一汽大众、一汽集团、北汽集团、上汽集团、广汽集团和吉利等十余个品牌,参与40余款新车的产品定义工作。

最新报告更多