浅谈【知觉图】

通过对定性数据的归纳整理,得出结论,针对产品不同属性的差异化,寻找竞争较少的蓝海市场

(知觉图样式)

知觉图又叫做认知图、感觉图谱,俗称“维度图”,对于产品来说,可以利用知觉图来对竞品的多个维度上进行整体认知,对自己正在做的产品进行多维度的市调,通过知觉图的思维利用,可以分析、比较用户对产品各个维度的看法,以此来收取数据,为下一步的迭代和发展方向做定向准备

知觉图是一个定量数据分析的工具,我们可以通过打分、评估问卷收集特定目标群体对事物进行多维度的观察,重点可以分析出产品和各个属性之间的关系,并且可以通过知觉图的展示来进行定性细分。

分类

二维和多维

二维就是我们平时所能看到的X/Y两个轴的方向,来看各项特性的比较;多维是从多个维度来看各项特性的比较,为了落地更方便些,我们全部视为多维来看

两点注意

  • 线条靠着越近,代表他们的相关性越强
  • 线条长度越长,代表这个所在市场越有细分的可能性

我们可以拿来思考的点,就是说我们可以找出相对较长的线条,然后去思考有没有可能进行某种细分,而某种细分如果我们没有思路的话,是不是可以参考周边举例长线较近的线条维度来进行思考?

比如我们看到上图中左上角的板块,当舒适度很高、但运动性能不是很强的线条比较高的时候,有没有可能做一种提高运动型并保证舒适度的市场?或者在运动性能做一个细分?如果放在场景里面我们有没有可能根据不同的场景提高运动性能?比如超车、越野、拐弯等不同场景中,有一种特别适应场景的高速满足,是不是也是一个市场卖点的切入口?

应用

我们对知觉图大概有个了解,那么这个应用的场景是什么?

  • 定位下一步怎么走,明确方向,脑洞讨论
  • 找出我们产品和竞品中的差异性,并深入研究

定位下一步

刚我们有说过,当我们把维度看成一条线的话,那么线条越长代表这个维度就越有可能做细分市场,如果做细分市场,我们做哪部分?如何做?——当然是结合我们的优势了

比如,我们做了100份市调,发现现代人喜欢喝度数较低、性价比较高、颜色较重的啤酒,这是结论;然后我们发现自己没有太多优势,最好的优势就是我们身边全是白领精英,那么我们会有什么细分市场的可能性?我们假设,白领精英喝啤酒的场景大概是什么?他们喝啤酒的心态是什么?满足社会关系?满足品质追求?亦或是什么?我们去借助我们自身的优势,结合场景化消费的心理,是不是有可能打造出一个新的品牌?然后通过我们的优势创造一个群体的消费蓝海?

当然这些只是提供一个可延伸思考的场景假设,如果您愿意的话,可以假设、论证一些之前的想法,我们交流一下也是极好的

找出竞争差异

作为产品来说,市调和竞品是我们的基本功,当然具体竞品如何做,前面写过一篇糊弄鬼的竞品分析,感兴趣的可以回头看下。现在我们翻回头来说知觉图针对市调和竞品的价值在哪儿:

通过知觉图思维,我们可以从用户群体、竞争对手、比较类目这几个维度来进行思考

用户群体:其实,我们在做竞品的时候,很容易陷入一个误区,就是我们会把注意力更多的放在竞品的亮点、或者更好的体验度的功能上,而忽略了用户群体的属性,用户群体的属性时可以细分的,比如我们通过APP商城去看一些竞品的用户评价,去统计用户在评价里面的吐槽和反馈点,然后拿来对比自己的产品,是否有这样的问题,这样的问题是否在我们的用户群体有同样的反馈,如果没有是否细分发生了变异?总结一下,然后——做就是了

反过来想想哈,有时候用户的一个槽点如果深入分析一下的话,会不会延伸出新的需求,这个思考下还是很有意思的

竞争对手:我们拿表现层的功能模块来做例子,比如我们的研究了10家竞品,发现这几家竞品的相同功能有X个,异样功能有Y个,然后X个功能中,流程分类又包含Z种;那么这时候就有意思了,我们把这些通过知觉图画出来,去看看,哪些属性是线条比较长的(强属性)、哪些是比较短的(Y功能),在长线条中,我们是否能够将差异化的流程和表现层汇总起来做一个问卷,然后找出最优的方案,做成适合自己产品的体系的业务流?

一些思考性的延伸和天马行空,其实无论使用什么样的工具或者是视图,最终肯定是以目标为导向,看看我们需要什么,围绕着我们自己的需求,去做一份合理的有价值的产出报告并且引导产品的发展和迭代才是最重要的!

感觉有用点个赞,感觉无用留个言——我也做个小小市调

原文发布于微信公众号 - Miguel三先生(Miguel-sxs)

原文发表时间:2018-05-17

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器之心

观点 | 机器学习确实还没商品化,也不必需博士学位

选自fast.ai 作者:Rachel Thomas 机器之心编译 参与:晏奇、微胖、吴攀 上周,我收到了两个前提截然相反的问题:其中一个是兴奋地认为机器学习...

2725
来自专栏大数据文摘

CrowdFlower数据科学家17年调查报告:情愿断腿也不想丢数据

2406
来自专栏大数据文摘

语言处理想突破,三座大山必须过

如果是人类来回答这个问题,即使在情景不明确的情况下也能在快速澄清后给出回答,但对机器来说,除非依赖大量人为制定的规则,回答这样的问题难度堪比“哥德巴赫猜想”。

481
来自专栏人工智能头条

专访CMU邢波教授:机器学习与医疗大数据,及大规模机器学习系统的开发

1546
来自专栏黄成甲

AI不是魔法:人工智能的能与不能

如果把AI技术分为「前端的交互技术」和「后端的人工智能技术」。前端的交互技术包括语音识别、图像识别和自然语言处理;后端的人工智能技术就是人工智能的核心算法,包括...

1173
来自专栏新智元

【吴恩达Quora最新问答】任何人都能成为机器学习专家

【新智元导读】吴恩达刚刚在Quora做了一次最新session,重点回答了如何学习机器学习/深度学习,以及如何从事机器学习方向工作的问题。吴恩达认为,复现他人发...

3546
来自专栏PPV课数据科学社区

个性化推荐技术的十大挑战

点击上方 “蓝色字” 可关注我们! ? 个性化推荐经常被人误解为细分市场和精准营销这两个概念。虽然它们之间有一些联系,但实质上却相差甚远。本文不仅清楚地讲述了...

3536
来自专栏人工智能头条

杨光信解析京东应对双11背后的“京东大脑”

1656
来自专栏深度学习与数据挖掘实战

干货|新浪微博“一次增长黑客实践”总结

作者:李江

1152
来自专栏媒矿工厂

人工智能赋能流媒体

前言 人工智能(AI)、深度学习和自然语言处理将成为新一代流媒体行业的关键技术。从生产到消费的各个阶段,它们都将产生非常重大的影响。毫无疑问,随着人工智能在许多...

44511

扫码关注云+社区