第一層：產品公允性能表現與用戶滿意度和購買驅動因素的交叉分析

每個產品的性能參數或目標設定其實是相對客觀的，但受制于用戶認知能力的不同，我認為“客觀”一詞不夠準確，不如用“公允”，也就是市場中絕大多數用戶認同的方向。既然不同產品的很多性能指標表現有一個相對公允的排序，我們也可以通過一些數據調研/測量或描述這種排序，我們就可以把產品表現這個維度準確地表達出來。

在另一個維度上，我們既可以分析用戶購買每款產品的驅動因素，也可以分析他們放棄其他競品的因素，或者產品使用過程中的關注因素，又或者用某種算法對上述三類因素加權/降維，最終變成某種統一的針對驅動因素的排序指標。

關鍵的是，我們要把上述兩個維度交叉起來分析，判斷不同細分市場，不同產品，用戶對哪些優勢的或者劣勢指標更為敏感，對哪些優勢的或者劣勢的指標視而不見。這是一種針對歷史和現狀的非常準確的用戶需求掃描。而這是后面那些分析的前提和基礎。

第二層：有效賣點變化趨勢與用戶需求變遷之間的關系

針對第一層的分析，我們可以定義那些用戶敏感的產品優勢內容為有效賣點。反之，用戶不敏感的優勢內容為無效賣點。事實上，同一個細分市場，同一款產品，不同生命周期階段，其有效賣點也是一直在波動的。如果我們的數據系統可以全面跟蹤每一款產品不同階段的有效賣點，我們就可以統計歷史上任何一個細分市場，可能打動用戶的賣點的變遷規律。這樣我們就獲得了一組非常關鍵的關于用戶需求變遷的描述數據。

針對這樣一組數據，我們同樣可以設置一組交叉分析：判斷產品或者細分市場公允性能水平的變化與用戶需求變遷之間的關系。比如我們曾跟蹤過2010年至今用戶對車載液晶屏的需求變化。2010~2013年之間，用戶需求呈現緩慢上升趨勢，與此同時車載彩色液晶屏開始普及。這個趨勢是溫和的，但也是顯著的，說明用戶對車載彩色液晶屏幕有需求。但2014年開始，這個需求呈現出非常顯著的跳躍式激增。如果對應公允情況的話，只有一種改變，就是特斯拉的出現，改變了人們對屏幕尺寸的認知和需求。此后，2016年，榮威RX5上市，成為第二個用這種大屏的主流品牌，他們也大獲成功。其實主要就是因為對用戶這種極度敏感的潛在需求趨勢的預判。

第三層：基于用戶認知能力和關注因素，定義產品的變與不變

如果我們跟蹤了前面兩層，接下來的分析會更加有趣。因為即便我們定義了所謂“公允狀況”，不同的用戶對同一個產品的某項具體指標的認知依然是不同的。但這種認知的分布其實是可以被描述出來的。于是，我們可以基于用戶認知（產品滿意度與關注度）的分布判斷不同細分市場不同階段的用戶，對于特定產品性能指標的認知能力（比如通過方差分析用戶對同一事實的認知差異）。

通過這一步我們等于獲得了用戶對具體產品性能指標的認知規律。如果結合用戶關注因素的排序，我們完全可以判斷，某個具體產品在哪些性能目標與成本分配上是合理的，哪些賣點設定上是不合理的。或者哪些缺陷是可以容忍的，哪些是需要立即改進的。于是，我們便可以準確定義現有的產品，哪些是需要改變的，哪些是應該繼承的。這是一個非常順暢的邏輯鏈。

上述這三個層次其實都是標準的數據分析范疇，只是針對數據進行處理，可以不涉及車企的品牌戰略問題。因此無論分析本品還是競品，整個分析框架可以是高度通用的。其實這也是So.Car Data & Consulting平臺大量模型的設計基礎，更加是我們把自己定位成為汽車市場知識庫的關鍵原因。因為從這里你可以觀察到無法從單一某次或幾次市場調研獲得的信息。

第四層：基于變與不變，定義模塊化戰略和差異化戰略

進入第四層，其實更加涉及車企的戰略選擇問題：如果我們清晰定義好了自己的品牌戰略，也了解目標市場或者主要關鍵細分市場的用戶需求歷史/現狀以及趨勢，我們便可以更加準確定義自己的產品戰略。

至于這個產品戰略，兩大主要方面最容易概括他的核心內容：

首先是通用化的部分，也就是用戶認知能力弱/不敏感或者需求沒有顯著差異的那些指標，從產品設計和定義的角度，車企不需要花費精力和成本推陳出新。而是應該把這部分的最佳結構沉淀下來，做成中長期“不變”或者較小變化的部分。其實這就是平臺化或者模塊化的共享部分。

第二個方面是用戶認知能力強/敏感或者趨勢上用戶關注度快速上升的部分，這里應該是各車企定義賣點的核心領域。也是應該脫離共享化，花大力氣搞差異化的部分。

第五層：以上述戰略為基礎，提出針對目標用戶使用場景的數字化開發與虛擬驗證方案

其實僅僅做到第四層，在下一步的市場中依然是不夠的，畢竟平臺化與模塊化是20年前就已全面開展的主題了。今天，隨著大家對汽車工業成熟結構總結的越發深入，對各種形變和差異化設計實踐的不斷積累，在數字環境下進行虛擬開發和認證就成為了車企下一步更為關鍵的核心能力之一。

相比過去的開發模式，更大比例的數字化不僅可以降低成本/縮短開發周期，更加可以幫助車企提前預判和測試更多可能。如果我們把前面四個層次的數據分析和第五個層次打通，變成一個完整的邏輯體系，這個鏈條會變得更為完整。

尤其是考慮到整個移動出行領域的巨大變革，單純汽車產品維度不足以應對未來，因此上述數字化開發與虛擬驗證方案需要充分結合具體的使用場景。這則是另一個更為關鍵的話題。后面的文章我會繼續探討。

總結起來，歷史上不同階段，不同細分市場，所有在售車型他們的產品定義/性能指標分布/生命周期管理動作以及市場反饋，都給了我們非常難得的觀察用戶需求，獲取關鍵知識的土壤。關鍵是我們如何從中提取有價值的營養和智慧，進而形成車企面向未來的核心競爭力。對此，So.Car幫助大家做了前三步工作，第四與第五步也許我們可以通過多種形式共同完成。

返回第一電動網首頁 >