數據和模型解決不了的問題,可以試試「意會法」

2020-12-24 澎湃新聞

原創 韓焱精選 湛廬文化

你好,這裡是韓焱精選。今天,我要為你推薦的書,叫作《意會時刻》。

在商業世界裡,數字是個讓人又愛又恨的東西。

一方面,我們很依賴它。各種圖表模型,都是建立在數字的基礎上,是我們做出各種決策的好幫手;但是另一方面,我們又常常埋怨它。因為很多時候,不管是在銷售數據、用戶滿意度還是供應商的評分表裡,你都很難確切地發現問題的真正原因到底是什麼。

《意會時刻》這本書的作者克裡斯琴·馬茲比爾格就說,商業最捉摸不透的地方恰恰就在於它的模糊性。當你覺得通過數據進行理性分析得出的結論,依然不能解決你的問題,這個時候就要使用一種完全不同的方法了,那就是「意會法」。

推薦閱讀

點擊書封即可購買

「意會」,就是「只可意會,不可言傳」的那個「意會」。「意會法」是要在一種高度複雜或不確定的情況下,做出決策。它是一種綜合了各種人文科學的研究工具,比如人類學、社會學、心理學、藝術、哲學、文學等等。

這些人文學科的共同特徵,就是它們都是研究「人是如何體驗世界的」。所以,「意會法」特別適合用來挖掘複雜的用戶需求、確定產品定位。

具體要怎麼用呢?最重要的是要掌握「意會法」的三個關鍵點。

第一個關鍵點,如何正確地看待用戶和產品的關係?

生產玩具的樂高公司曾經有一段時間遇到過很嚴重的危機,銷售額持續下降。他們突然覺得,好像搞不清楚孩子們想要的是什麼了。

在那段時間,樂高做的所有調研和數據分析,都只把「玩具」和「孩子」當成了孤立的研究對象。他們會去了解「玩具」的流行趨勢、競爭對手的產品;他們也會研究孩子們喜歡玩什麼,會在玩具上花費多少時間,等等。這種研究得出的結論是:孩子們的大量時間都被電子遊戲擠佔了,所以樂高要生產的玩具也要像電子遊戲那樣給孩子們即時反饋才行。

正是因為如此,樂高就轉移了他們的發展重心,從積木轉而去開發電子遊戲、興建主題公園等等。但是,業績並沒有因此好轉,反而持續下滑,他們開始懷疑,之前的研究得出的結論也許是錯的。

於是,樂高就改變了原來的研究方法,開始使用「意會法」。

「意會法」強調的是,不要把用戶當做「孤立的個體」,而是要關注他們所處的「社會文化」。也就是說,要重點研究用戶和其他人之間的關係,還有用戶和產品、環境之間的關係。

拿樂高來說,他們要做的研究,應該能解決這樣的問題:也就是「孩子們是怎麼玩的」「在什麼環境下玩」「和玩具之間的關係是什麼」,對這些問題的研究才更有意義,才能真正幫助樂高做出更受孩子們歡迎的玩具。

接下來,就要用到「意會法」的第二個關鍵點了,那就是收集「厚數據」。

「厚數據」講究的是,既要收集傳統的可量化的數據,又要收集那些和環境、關係、氛圍、故事情節有關的數據。

比如,星巴克有一款白色的馬克杯,上面印著一個綠色的美人魚標記,這就是「薄數據」;而如果我們說,一個三十多歲穿著職業套裝的女士拿著星巴克的咖啡杯在早高峰的地鐵站裡,匆忙地趕時間,這就是「厚數據」。

「厚數據」需要研究者儘量不帶有色眼鏡、不夾雜先入為主的觀念,純粹地去觀察和記錄研究對象在具體環境下所發生的一切。這些數據也許不能完全被量化,但卻能解讀出更深刻的意義。

在樂高開展的「意會法」研究當中,他們就走進了孩子們的生活。連續好幾個星期,孩子們去哪兒,研究小組的成員就跟到哪兒:

玩具商店、室內遊樂場、戶外球場等等;研究者們拍下孩子們的日常活動,做成帶圖片的日記;採訪了孩子身邊的所有人:父母、老師、小夥伴;還觀察了孩子們的社交生活,看他們跟爺爺奶奶去購物,和跟小夥伴們去購物,兩者相比,行為會有哪些不同。

最終,研究者形成了一份孩子們在真實生活場景中的「厚數據」,包含了他們寫下的文字,畫過的畫,還有錄音文件、影像資料、觀察日記、採訪手記等等,雖然看似雜亂無章,卻是研究者最後得出關鍵結論的重要依據。

「意會法」的第三個關鍵點,就是使用「非線性思維」去理解和解釋「厚數據」。

「線性思維」是單向的、缺乏變化的,而「非線性思維」是一種相互連接的,立體的、無中心、無邊緣的網狀思維方式,類似人的大腦神經和血管組織。我們常說的跳躍性思維、系統思維、模糊思維、辯證思維、逆向思維等等,都屬於「非線性思維」。

樂高採用的「意會法」就是使用「非線性思維」先從雜亂無章的文字和影像裡,梳理出儘可能多的主題,然後尋找這些主題之間的內在聯繫,並在小組的自由討論裡展開碰撞。

比如,一位研究者就發現,如果是父母帶著他進到孩子們的房間裡,他看到的都是精緻、整潔的布置;但是如果是他自己跟孩子們在房間裡玩,就會發現,孩子們更願意把房間搞得一團亂,他們要在裡面去進行探險。還有一位研究者說,一個小男孩給她看了藏在床底下的一個秘密寶盒,裡面裝滿了他想像出來的神奇毒蘑菇;還有一個研究者說,有一個孩子設計了自己理想中的房子,裡頭充滿了各種陷阱和機關暗道。

所以,他們得出了結論:孩子們其實是渴望變化、嚮往自由的。毒蘑菇和陷阱暗道,代表了孩子們潛意識裡對「危險」的好奇;他們需要「探險」,需要扮演自己故事當中的英雄。

研究者就用這些「非線性思維」尋找到了信息背後的意義,總結出了孩子們內心的需求模式,像是「躲避雷達」「等級排名」和「社交遊戲」等,以此為依據幫助樂高開發出了一系列玩具,結果大受歡迎,幫助樂高回歸到了以「拼搭積木」為核心的產品定位,實現了銷售額的持續增長,坐穩了全球最大玩具生產商的位置。

說白了,世界本來就是非線性的,所以我們就更需要「意會法」這樣的工具來幫助我們去接近事物原本模糊但是真實的本質。我們現實世界裡的很多問題,其實並不是簡單的因果推論可以去解決的,我們需要「意會法」幫助我們回歸到和其他人、和環境更真實、更深刻的關係當中去。

推薦閱讀

點擊書封即可購買

好,以上就是我為你分享的內容,我在閱讀資料裡為你準備了本期音頻的金句卡片,歡迎你保存和轉發,當然也歡迎你在評論區留言,分享你的精彩觀點。

韓焱精選,明天見!

· 韓焱精選·

湛廬創始人韓焱老師將用專業出版人的視角,每天為你推薦一本好書。專欄將用一條音頻,一段文字,解開你的閱讀困擾。和你一起親自閱讀,與最聰明的人共同進化。

End

新媒體編輯 | Eurus

//湛廬文化//

掃碼即可關注湛廬文化,

與最聰明的人共同進化!

原標題:《韓焱精選 | 數據和模型解決不了的問題,可以試試「意會法」》

閱讀原文

相關焦點

  • 3dmax模型貼圖不顯示如何解決?解決3dmax模型貼圖不顯示的方法
    3dmax模型貼圖不顯示怎麼辦?在我們給3dmax模型添加貼圖之後,如果遇到了貼圖不顯示,看不到模型上添加的貼圖材質的話,我們需要怎樣解決呢?本期,模型雲就為您帶來了解決3dmax模型添加貼圖不顯示的方法,一起來看看吧!
  • 城市規劃也可以用GIS來解決問題啦!
    現狀調研階段,利用GIS管理現狀數據(例如土地使用現狀數據、道路數據、市政設施數據等)。 利用手持GIS設備輔助現場勘測。Geo SLAM技術應用方案融合GPS(全球定位系統)、RS(遙感)和GIS的手持設備可以告訴規劃師所處的位置和周邊的地理環境,以及相關地理數據,使規劃師更快、更準確的掌握現場情況。
  • 通過Python 代碼實現時間序列數據的統計學預測模型
    單變量時間序列統計學模型的關鍵要素如果我們想要對時間序列數據進行上述統計學模型分析,需要進行一系列處理使得:(1)數據均值(2)數據方差 (3)數據自協方差 這三個指標不依賴於時間項。即時間序列數據具有平穩性。
  • 空間數據模型概念和主要類型有哪些
    空間數據模型概念和主要類型:  空間數據模型是關於現實世界中空間實體及其相互間聯繫的描述。空間數據模型的主要類型:基於對象(要素)的模型;網絡模型;場模型。  要素模型:  點對象,由特定位置、維數為零的物體;線對象,維度為一的空間組成部分;多邊形對象,即面狀實體,通常用封閉曲線加內點來表示。矢量模型即是基於要素的,將現象看成原型實體的集合,矢量模型的表達源於空間實體的本身,通常以坐標來定義。
  • 常用數據分析模型及波特五力模型
    導讀:數據分析是指用適當的統計分析方法對收集來的大量數據進行分析,將它們加以匯總和理解並消化,以求最大化地開發數據的功能,發揮數據的作用。數據分析是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。
  • 數據模型概念及類型劃分
    1、概念數據模型(Conceptual Data Model):簡稱概念模型,是面向資料庫用戶的實現世界的模型,主要用來描述世界的概念化結構,它使資料庫的設計人員在設計的初始階段,擺脫計算機系統及DBMS的具體技術問題,集中精力分析數據以及數據之間的聯繫等,與具體的數據管理系統(Database Management System,簡稱DBMS)無關。
  • 物體的平衡:學會「432模型」,解決高中物理複雜問題
    在物體的平衡中,我們最初學習的是二力平衡,這是最簡單也是最基本的物理模型。後來我們學習了三力平衡,我們知道了三力共點平衡時,任意兩個力的合力與另外一個力等大反向。這就給我們解決複雜問題帶來了一個思路:如果物體受多個力比如說是四個力的作用處於平衡狀態,那麼,我們就可以把其中的兩個力合二為一,這樣,物體所受四個力就變為三個力,再根據三力平衡中任意兩個力的合力與另外一個力等大反向,我們就把四個力的平衡問題轉化為二力平衡這一基本物理模型。這種處理問題的方法,我們稱之為「432模型」。
  • 「數據架構」實體關係模型介紹
    因此,ER模型變成了一個抽象的數據模型,它定義了一個可以在資料庫(通常是關係資料庫)中實現的數據或信息結構。實體-關係建模是由Peter Chen開發的資料庫和設計,並在1976年發表了一篇論文。然而,這個想法的變體之前就已經存在了。
  • 3D模型,物聯網和數字孿生發展的關鍵
    隨著船舶設計中使用的3D模型越來越富有綜合性和靈活性,我們可以將其與通過傳感器和其他渠道得來的數據進行融合,以便能全面模擬船舶性能。3D模型可以應用在多個方面,比如預測航行表現和疲勞壽命。
  • 虎博科技:AI+證券解決人力有限和數據無限的矛盾
    金融是虎博科技服務的首個業務領域,在服務了60%以上頭部券商後,虎博科技認為,人工智慧服務證券行業解決的核心問題是人力和數據之間的矛盾。在講述AI+證券如何解決人力有限和數據無限的矛盾之前,我們要先對人工智慧所發揮的作用有所了解。很遺憾,現在我們所說的AI,基本都指「弱人工智慧」,即專注於且只能解決特定領域問題的人工智慧,也稱為限制領域人工智慧或應用型人工智慧。
  • 當前「智慧公安」建設中 數據建模和應用方面存在的問題及對策
    以XX公安機關為例,目前XX公安機關已開發了七百多個數據模型並投入到公安實戰應用中,但是在模型的建設和應用過程中仍有一些問題和薄弱環節。 一、當前數據模型建設過程中存在的主要問題 (一)數據質量不高 如果說蛋白質、澱粉、維生素是人體不可或缺的養料
  • 善用數據、表格、公式、模型與PPT,成就營銷人超強的專業力
    是獨有的分析能力,還是對於問題的準確判斷力?這些當然都很重要。但是從營銷工具角度看,成就營銷人專業力的,則是其是對於數據、表格、公式、模型和PPT的嫻熟運用能力。正是這些對於工具的熟練使用能力,讓營銷人員體現出專業化力量。
  • r語言一元回歸模型專題及常見問題 - CSDN
    如果回歸分析中,只包括一個自變量X和一個因變量Y時,且它們的關係是線性的,那麼這種回歸分析稱為一元線性回歸分析。回歸分析屬於統計學的基本模型,涉及統計學基礎,就會有一大堆的名詞和知識點需要介紹。在回歸分析中,變量有2類:因變量 和 自變量。因變量通常是指實際問題中所關心的指標,用Y表示。
  • MIT博士生、北大校友,利用自監督算法,解決數據集中常見難題
    這類數據不均衡(某一標籤數量太多,其餘標籤數量太少)的問題,在機器學習中被稱為「長尾問題」。這個問題導致,數據集中(尤其是大型數據集)樣本數量少的物體,泛化效果會非常差。△像一條長長的尾巴然而事實上,在一個數據集中,幾乎總有常見和不常見的類別,其中不常見的類別,又往往成為需要被識別的目標。
  • 如何用線性回歸模型做數據分析?
    ,適用於x和y滿足線性關係的數據類型的應用場景。我們用最小二乘法來確定模型的係數——最小二乘法,它通過最小化誤差的平方和尋找數據的最佳函數匹配,利用最小二乘法可以求得一條直線,並且使得擬合數據與實際數據之間誤差的平方和為最小。 將上述模型公式簡化成一個四個點的線性回歸模型來具體看:分數=-2.1+0.56*年齡
  • 戴口罩用不了iPhone的臉部解鎖 可以試試這個辦法
    當然,蘋果當初用Face ID取代Home鍵的時候,絕對不會預想到現在這種人人戴口罩的情況,那有什麼好的解決辦法嗎?國外就有民間大神想出了一個解決辦法。不過更大的疑問是,這種「拼湊」出來的面部數據,能夠「騙過」蘋果的Face ID數據嗎?對此,發明人Baskin表示,這還需要大量的測試驗證,因此還需一段時間才能開發完成。此前蘋果軟體曾解釋為何無法解鎖iPhone:戴口罩等於遮擋了用戶的面部數據,Face ID無法通過口罩完成識別。
  • 如何發現問題和解決問題
    前言:發現問題、解決問題的能力是一個企業管理人員必須具備的能力。只有能夠及時地發現問題,才能及早確定出目標和解決問題的措施;只有不斷地發現問題、解決問題,才能使企業得到不斷的進步與發展。2、如何理解「應有狀態」應有狀態中的標準、目標不同,就會產生新的問題。例如:一件產品,按照行業標準來判斷,是合格的,如果按企業標準來判定,就可能不合格;這種差距就是問題。
  • AI人工智慧+面部照片3D建模,3D版捏臉美顏軟體羽跡試試成功面世
    羽跡試試官方網站可以直接在線體驗,用戶根據要求拍照上傳後幾秒鐘即可完成自身的模型創建,隨後就可以進行捏臉和模擬整形等操作。也就是說羽跡試試並不僅僅是生成高精度3D人體模型,還可以對模型進行變形編輯,即俗稱捏臉功能。羽跡是在用戶自身形象基礎上進行捏臉操作。而這種不一樣的遊戲場景體驗,恰恰是3D人臉構成算法降維覆蓋2D平面應用場景的開始。以目前市場場景廣泛遊戲行業為例:市面上主流的《天涯明月刀》,《劍網三》等遊戲中就有大受歡迎的角色捏臉功能。
  • 使用Encoder-Decoder模型自動生成對聯的思路
    這篇文章主體內容是2015年底形成的,本來我的打算是收集些訓練數據,讓Encoder-Decoder+Attention生成些對聯把這篇文章補充些例子再發出去,不過因為精力原因,遲遲沒有做這個實驗,短期內可能也沒時間做,所以乾脆就現在分享出來,哪位有精力和興趣可以實際做一下試試,這看上去沒啥實際用處,但是還是挺好玩的一件事。不過我確信用這個模型做對聯生成一定可以做好。
  • 如何在PyTorch和TensorFlow中訓練圖像分類模型
    然後,我們將使用MNIST手寫數字分類數據集,並在PyTorch和TensorFlow中使用CNN(卷積神經網絡)建立圖像分類模型。這將是你的起點,然後你可以選擇自己喜歡的任何框架,也可以開始構建其他計算機視覺模型。