用AI，讓“用戶洞察”快100倍、便宜100倍、覆蓋廣100倍？！

一場典型的“數(shù)據(jù)驅(qū)動(dòng)”決策會(huì)議，往往是這樣的：

• 市場部拿來一份詳盡的小紅書報(bào)告，數(shù)據(jù)顯示“復(fù)古風(fēng)”是熱點(diǎn)；

• 運(yùn)營部調(diào)出后臺(tái)數(shù)據(jù)，證明“A功能”的用戶點(diǎn)擊率最高；

• 咨詢公司提交了調(diào)研報(bào)告，顯示70%的用戶“更看重性價(jià)比”；

所有的“數(shù)據(jù)”都指向了同一個(gè)結(jié)論。

于是，你信心滿滿地立項(xiàng)、研發(fā)、投流……最后，產(chǎn)品上線，悄無聲息。

你陷入了巨大的困惑：為什么我們掌握了所有數(shù)據(jù)，卻依然抓不住用戶？

我們花了幾十萬、上百萬做用戶研究，為什么總是在“猜”用戶想要什么？我們明明是“數(shù)據(jù)驅(qū)動(dòng)”，為什么感覺離用戶越來越遠(yuǎn)？

在AI時(shí)代，這不再是一個(gè)無奈的感嘆，而是一個(gè)致命的問題。

這一次，我們邀請到范凌老師，他將分享一個(gè)關(guān)于“用AI理解用戶”的前沿實(shí)驗(yàn)，以及由此誕生的產(chǎn)品Atypica。

范凌老師將在課程中拋出一個(gè)極具顛覆性的觀點(diǎn)：我們這個(gè)時(shí)代最大的迷信，就是“數(shù)據(jù)驅(qū)動(dòng)”。

“洞察不是來自大數(shù)據(jù)，而是來自大猜想?！?/strong>

你的公司里 養(yǎng)了多少“火雞科學(xué)家”？

“數(shù)據(jù)驅(qū)動(dòng)”有什么問題？我們對數(shù)據(jù)的依賴，就像“火雞科學(xué)家”的歸納法。

一只火雞，在農(nóng)場里生活了364天。它每天都仔細(xì)觀察，發(fā)現(xiàn)無論晴天雨天，主人都會(huì)在上午9點(diǎn)準(zhǔn)時(shí)喂食。作為一只嚴(yán)謹(jǐn)?shù)摹皵?shù)據(jù)科學(xué)家”，它通過364天的觀察，歸納出一個(gè)無懈可擊的結(jié)論：“主人在上午9點(diǎn)喂食的概率為99.7%，明天也一定會(huì)被喂食?！?/p>

它滿懷信心地迎接第365天。那一天，是感恩節(jié)。

這只火雞的錯(cuò)誤，在于它錯(cuò)把“歸納”當(dāng)成了“真相”。

這聽起來很荒謬，但這恰恰是我們每天都在做的事。

我們分析過去364天的銷售數(shù)據(jù)，來預(yù)測第365天的爆款；我們抓取全網(wǎng)聲量，來判斷下一個(gè)季度的流行趨勢。我們以為自己掌握了規(guī)律，但“黑天鵝”來臨的那一刻，我們和那只火雞毫無區(qū)別。

范凌老師一針見血地指出：“歸納是謬誤。我們試著通過過去去預(yù)測未來，這是最本能，也是最偷懶的方法。”

當(dāng)下的市場變化太快，商品迭代以“月”為單位，內(nèi)容迭代以“日”為單位。你爬取的數(shù)據(jù)，可能是兩周前的；你拿到的調(diào)研報(bào)告，執(zhí)行周期長達(dá)數(shù)月。

你花大力氣“歸納”出來的，是一個(gè)早已過時(shí)的“過去”。

“橙汁理論”： 你了解的，是“成分”還是“真相”？

如果說“火雞科學(xué)家”的謬誤在于“時(shí)效性”，那么“數(shù)據(jù)驅(qū)動(dòng)”的第二個(gè)陷阱，則在于“真實(shí)性”。

范凌老師提到了另一個(gè)隱喻：“橙汁理論”。

假設(shè)有兩個(gè)研發(fā)團(tuán)隊(duì)。 團(tuán)隊(duì)A，致力于分析橙汁的“成分”。他們拿到了所有數(shù)據(jù)：水分、糖分、維生素C、檸檬酸的精確配比。 團(tuán)隊(duì)B，只有一個(gè)目標(biāo)：重現(xiàn)橙汁的“真相”,也就是它的色、香、味。

結(jié)果是什么？

團(tuán)隊(duì)A拿著完美的“數(shù)據(jù)報(bào)告”，卻可能永遠(yuǎn)造不出口感真實(shí)的橙汁。而團(tuán)隊(duì)B的合成物，也許成分與真實(shí)橙汁完全不同，卻能100%復(fù)原“喝橙汁”的體驗(yàn)。

范凌老師用這個(gè)例子，向我們提出了一個(gè)靈魂拷問：

我們今天所做的用戶洞察，究竟是在分析“成分”，還是在理解“真相”？

我們癡迷于給用戶“打標(biāo)簽”：95后、女性、一線城市、高知、已婚、二胎家庭……我們掌握了用戶所有的“成分”，就像分析鉆石和石墨的“成分”都是碳元素一樣。

但我們知道這些，就等于理解用戶了嗎？

數(shù)據(jù)能告訴你“發(fā)生了什么”（What），但他無法告訴你“為什么”（Why）。

而“為什么”，才是一切商業(yè)決策的源頭。

商業(yè)的真正難題： 從“Tame Problems” 到“Wicked Problems”

當(dāng)數(shù)據(jù)驅(qū)動(dòng)這個(gè)舊神倒下，我們該依靠什么？

范凌老師引入了一個(gè)至關(guān)重要的概念：“Wicked Problems”（復(fù)雜問題）。

我們的商業(yè)世界，絕大多數(shù)問題都不是解方程那樣的“Tame Problems”（可解問題）。

• “這群新興群體需要什么內(nèi)容？”

• “我們的下一個(gè)產(chǎn)品概念是什么？”

• “進(jìn)入一個(gè)新市場，當(dāng)?shù)赜脩魰?huì)如何反應(yīng)？”

這些問題，沒有唯一的正確答案，它們難以被定義，只能被暫時(shí)改善。這就是“Wicked Problems”。

面對“Wicked Problems”，“數(shù)據(jù)歸納法”徹底失靈。

在過去，我們只能依靠高成本的試錯(cuò)和模糊的直覺。但在AI時(shí)代，我們是否有了新的解法？

Atypica的實(shí)驗(yàn)： 一個(gè)“主觀世界”的沙盤？

范凌老師給出的答案，是“模擬”（Simulation）。

在課程中，他將首次深度拆解他正在進(jìn)行的實(shí)驗(yàn)——“Generative Agent Simulation”（生成式智能體模擬），以及承載這一實(shí)驗(yàn)的產(chǎn)品Atypica。

Atypica試圖做的，不是用AI去“爬取”小紅書上已有的數(shù)據(jù)（那是“過去時(shí)”），也不是用AI去“標(biāo)記”用戶的標(biāo)簽（那是“成分”）。

它試圖用AI，為你“模擬”出那個(gè)活生生的、你想要的用戶。

這是否意味著，我們可以構(gòu)建一個(gè)“沙盤”：

• 在產(chǎn)品概念誕生的第一天，就邀請1000個(gè)“AI模擬用戶”來測試？

• 在進(jìn)入一個(gè)新市場前，就和100個(gè)“AI當(dāng)?shù)叵M(fèi)者”聊聊他們的痛點(diǎn)？

• 它能否將用戶理解的速度提升100倍，成本降低100倍？

當(dāng)你的競品還在分析上個(gè)季度的“火雞數(shù)據(jù)”時(shí)，你是否能率先模擬下個(gè)季度的“用戶猜想”？

你的“為什么”，AI能回答嗎？

Atypica的實(shí)驗(yàn)，為我們打開了一個(gè)全新的視角：

AI最大的價(jià)值，也許不是幫我們“干活”，而是幫我們“理解人”。

• 這種“AI模擬”的準(zhǔn)確率究竟有多高？它的邊界在哪里？

• “火雞科學(xué)家”和“橙汁理論”的謬誤，在你的企業(yè)中是如何體現(xiàn)的？

• 如果我們不再迷信“數(shù)據(jù)驅(qū)動(dòng)”，我們該如何建立一套“猜想驅(qū)動(dòng)”的決策流程？

本周六上午9:00，鎖定范凌老師的課程直播

這堂課，將為你揭示AI時(shí)代用戶洞察的全新范式，帶你從“數(shù)據(jù)”的迷霧，走向“猜想”的清晰

【掃碼預(yù)約直播】