作為產品經理，領導總讓我們挖掘用戶需求，咋個挖掘法？ 特別是手頭還沒什么數據，最多只有一個用戶購貨記錄，感覺挖不出東西。本文對此系統解答一下。做用戶需求挖掘上，有很多很流行的無解，今天也一并澄清。

用戶需求挖掘的錯誤做法

這個段子很多人都聽過：

• 一個小哥來五金店買釘子
• 買釘子是因為他想掛一幅畫
• 掛一幅畫是因為他很孤單
• 他很孤單因為他很想找女朋友
• 所以他真正的需求是個女朋友
• 應該給他介紹個女朋友

故事很好聽，可卻是大錯特錯……從業務上看，一個五金店老板，如果不想著怎么賣金屬器械，而是研究牽線搭橋的話，那小店離倒閉也就不遠了。

從數據上看，想不想找女朋友，估計連自己七姑八姨都懶得說，又怎么會輕易告訴陌生人（況且他還是個賣鋼筋的）。這是個普遍的錯誤：誤以為，用戶需求挖掘，非得挖到別人不知道的八卦奇聞，才算有深度，非得滿足很深層的需求，才算是真需求。

實際上，只有極少數行業能如此深度的了解用戶，能無限度的滿足用戶。比如金融行業，針對極高端客戶的私人服務，或許能做到這一點（分行行長親自開車送大客戶兒子上學也不是啥新鮮事）。但，大部分企業業務范圍有限，面對的是海量用戶。因此，不能脫離業務實際，做太細膩深刻的挖掘。無論是業務上還是數據上，都做不到，也沒有必要做到。

所以，用戶需求挖掘的本質，是：從有限的數據里，篩選關鍵區分維度，提升用戶響應概率。我們要做的，不是搞清楚每個用戶的，每個層次的需求。而是通過區分，提高用戶響應概率，識別核心用戶群體。讓用戶對我們的業務響應率，比閉著眼睛瞎做要高。每高出來一個百分點，都是數據分析師對企業的貢獻。

用戶需求挖掘的五個步驟

第一步：區分核心用戶

還拿五金店老板舉例。在精力有限的情況下，先抓住大客戶才是關鍵，分類是很必要的。

五金店的用戶分類，可能是：

• 第一等：物業維修部、裝修隊、工地（B2B類客戶）
• 第二等：裝修、改水電、維修的客戶（B2C類大客戶）
• 第三等：偶爾買一個燈泡、插座、釘子的散客（B2C類小客戶）

問題在于，當一個小哥進門，五金店老板并不知道他到底是哪一類。如果置之不理，可能損失掉一個大生意。但如果每個人都上來問一大堆問題，估計會把客人嚇跑。這里就開始了第一步的用戶需求挖掘，挖掘的問題很簡單：“您想買點什么”

第二步：對業務分類

小哥回答：“我想要買釘子”——你聯想到了什么？這個回答聽起來很簡單，可透露了很多信息。因為，每一類業務，可能有固定的商品組合和消費特點，比如對五金店而言：

• 工程類業務：大量的鋼筋、各種物料（不會零散采購）
• 水類改造：水管、扳手，防水膠帶
• 電類改造：電線、開關、插座
• 墻體維修：水泥、刷子、油漆
• 物件維修：釘子、錘子、鉆機

這叫：業務強相關性。即使不做關聯分析，這些商品也是天生捆綁出現的。并且根據業務規模大小，有固定消費量。做好事先業務分類非常重要。當我們無法采集大量用戶信息的時候，可以通過僅有的一點點購貨記錄，利用業務相關性去推斷用戶需求。

比如這里老板聽到小哥需要釘子，可以很快推斷：不是B類用戶，和維修有關。但是老板仍不知道，小哥到底是C類大客戶還是散客，還需要第二步挖掘。問題也非常簡單：“您買釘子做什么”。

第三步：抓關鍵信息

小哥回答：“我想要買釘子，在墻上釘一副畫”——聽到這句，你是不是馬上想到要說什么了！是滴，我們可以看到，做好用戶分群和業務分類以后，再做需求挖掘的時候是非常容易的。

基于前邊的分類，讀者們聽到釘一幅畫，也能立即反映出來：這是個散客，價值不高。釘子和錘子、鉆機是高度關聯的，有交叉銷售機會。這里借助2個簡單的問題，我們已經完成了抓關鍵信息。

當然，實際業務中，傳統企業靠銷售、導購、業務員去抓關鍵信息，互聯網企業靠埋點、推送/反映、問卷、瀏覽頻次等抓關鍵信息。

第四步：推送商品/活動

現在有了假設，我們可以嘗試驗證，推一個商品/活動試驗下。這時候五金店老板就不會花大力氣去問小哥是不是想談戀愛，而是說：“你需要釘畫的話，用1寸小釘子比3寸的大釘子好看，容易釘還不顯眼?！边@樣就能鎖定小哥的需求，比那些不理不睬的老板成功幾率高。

同時，還能做個交叉推薦：“你有錘子了嗎？可以買個小鉆機，比錘子省事，修其他東西也能用”如果推薦成功，就能成功的把客單價從1塊錢提升到200塊，也是小賺一筆。

第五步：驗證推送效果

有推送，就有成功和失敗兩種可能，因此需要驗證效果。需求挖掘，本質上是個概率問題。需要通過數據驗證我們推送，進而驗證我們選擇的挖掘維度，挖掘方向是否正確。對五金店老板而言，這里有兩個維度要驗證：

1. 釘墻推薦1寸釘子（假設：基于用戶需求考慮，更容易成交）
2. 釘墻的男性推薦風鉆（假設：男性喜歡機械，有機會成功）

這實際上已經是個小型ABtest了。如果有一個數據可記錄的話，老板會看到，這兩個假設可能成立，也可能失敗。比如做了200組，發現用戶根本不考慮美觀，都是什么便宜買什么，那以后的策略，就是散客來了直接丟最便宜的東西給他。

當然，也有可能發現這個策略可行，10單能交叉賣出3單鉆機。那以后就按這個策略走。到這里，我們的需求挖掘結束。我們找到了一個區分方向，驗證了一個可提升成交的機會點，從用戶買釘子挖出了鉆機的需求。這么做，可比天天琢磨小哥到底有沒有女朋友，是喜歡蘿莉還是喜歡御姐要靠譜的多。

雖然只是一個搞笑的例子。（實際上五金店老板才沒這個耐心，五金店也沒有數據可以記錄）。但是它很形象的展示出了挖掘用戶需求的工作流程：

1. 區分用戶類型
2. 區分業務類型
3. 抓關鍵信息
4. 推送商品/活動
5. 驗證推送效果

這套方法論事可以推廣到各個行業的，特別是數據記錄較少的情況下。注意，這里先區分用戶還是先區分業務，是有行業差異的。一般傳統企業的業務類型比較固定，傾向于先區分業務?；ヂ摼W企業業務比較靈活，甚至能無中生有創造新場景，往往傾向于先區分用戶，甚至有可能針對一個用戶不同場景做文章。

但無論怎么做，區分用戶與業務都是第一步預動作，也是最重要的一步。通過分類可以清晰后續挖掘的方向，明確挖掘深度，為驗證挖掘是否有用提供標準。

所以這一步下邊會單獨拿出來講。很多同學做用戶需求挖掘毫無頭緒，都是因為缺少分類。而很多同學陷于Abtest，缺少整體判斷，也是因為缺少分類。

用戶/業務區分的注意事項

一提用戶分類，很多文章都扯RFM，這是非常錯誤的。并非所有的業務都需要高頻次消費，也不是所有業務都累積高金額，甚至有可能一個業務同村存在一次消費和高頻消費。

如果從頻次和金額的角度來看，常見的業務可以歸納如下：

傳統企業的業務相對聚焦，在業務分類相對容易。比如房子，分置業、投資。置業再分首次、二次改善，養老。二次改善又有面積改善、環境改善、配套改善、資源改善等若干。家裝、汽車、貸款等等業務都有類似歸類法（文字太多，先不展開了）每一種對應的用戶需求會很聚焦。因此傳統企業的用戶需求挖掘，沒有那么依賴“大數據”。更多是類似五金店老板，做好業務分類，在前端銷售、導購、業務員做好關鍵信息采集。

互聯網公司需特別注意：一個平臺有可能同時融合多種業務，這些業務看似相似，可實際對應的用戶需求，相關的業務，完全不同。（如上圖紅圈所示）一個訂票平臺，對商旅客人，可能就是高頻次高金額頻繁發生的事，這時候可以用RFM來進一步細分。

但對新婚游，可能就是個很低頻的需求，找的關聯業務就是酒店、租車、回程以后休閑地（出趟國，十幾二十天回來真的很累，需要補假）。類似的，電商平臺，賣的同時有零食、手機、充值卡、電視等等，在挖需求的時候也要區分常見，而不是一鍋燉了了事。

用戶分群的具體操作內容太多，需要單獨開一篇文章寫，這篇已經3000字了，怕大家讀著累。

推送/驗證的注意事項

做產品經理的同學，往往和做數據的同學一起做ABtest的很多，但做的很被動。往往是業務拿著方案，數據只是機械操作。自己提假設，自己進行驗證的能力差。

這里關鍵是：提假設。很多同學對著交易數據沒感覺，數據庫里評論、需求、瀏覽數據又太少。這里舉個簡單的例子。比如我們看到一個購物單，我們可以大膽做假設：

所以你看，不需要特別多數據，也能提假設。當然，不是所有假設都有必要投入ABtest，我們可以先從數據上作區分。比如從一個用戶身上發現的假設點，先看：是否該用戶有強烈的特征，比如我們假設他是優惠驅動，那么他參與優惠訂單》n次，優惠力度》50%的活動參與率》X%，總之，他得真的表現出對優惠有特別興趣。再看是否有足夠數量用戶有類似特征，如果用戶數量太少，那即使是個機會點，也不一定被業務所用。如果符合以上兩點，可以考慮提建議，讓業務做方案，上Abtest了。

需求挖掘，做到多深合適

看到上邊，有的同學可能會問：既然有這么多方向可以挖，該從哪里挖起？答：從目前業務發展最緊迫的問題開始。業務上，需要：

• 提升轉化率：挖用戶首次購買的產品
• 提升客單價：挖用戶交叉品類需求
• 提升交易金額：挖重度用戶
• 提升復購率：挖二次購貨需求
• ……

有明確目標指引的情況下，更容易找到答案。當然，也有可能挖了一圈發現沒啥收貨，數據上找不到機會點。但至少也能反向證明：花里胡哨的砸錢營銷沒啥屁用，那也能指導運營做一些節省成本的工作，也是功勞一件。

以上就是挖用戶需求的基本思路，大家可以看到，它融合了用戶分群，假設檢驗，ABTest等具體工作，是個綜合性很高的事，同時也能看到，它不是一蹴而就的，而是需要大量基礎工作打底，再結合大量的嘗試才能得到結論。

挖用戶需求，不是像路邊擺攤的算命師傅那樣，銅錢一丟就無所不知了。去粗取精，去偽存真，反復迭代，逼近真相，這才是產品經理利用有限數據做需求挖掘的價值所在。

#專欄作家#

接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

本文原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議