假定你是一个新型厨具的制造商，你想知道顾客对你的产品的看法，那么，理想的做法是对顾客做一次调查，从量化的角度有效地了解顾客。对调查问题的回答将是数字化的，而且选取调查人数的样本大小将足以归纳得出结论。通过对数百名顾客的调查，你将保证可以得到一份有效的统计报告。

　　定量分析最好是让顾客对厨具的不同性能按照重要程度从1到10打分，10分为最重要。调查结果可能是：烹饪速度，8.2；烹饪出的食物品质，7.1；清洁的容易程度，6.5；占据厨房空间：4.8.

　　你甚至还可以研究分析上述这些性能参数和价格敏感性之间的相关性。你也许会发现价格敏感性会随着烹饪速度重要性的上升而下降。不管怎样，调查的最后结果会为决策提供支持。你的厨具可能会变成“快速烹饪厨具”，并且进行相应的市场营销。

　　这个假设的情景中隐含了市场调研的传统思维。它的特征是：信息是最基本的，量化信息尤其受到青睐，调查样本的容量越大，越有利于归纳出结论。

　　用市场调研的方法来了解顾客，本质上并没有什么错误。量化是很有效的，数据越多，样本容量越大，结果就越理想。但问题是，市场调研的观念不足于全面地了解顾客。

　　传统思维掉进了这样一个陷阱：简单地假定随着可获得信息数量的增加，对顾客的理解程度就提高；从越多的人那里得到越多的信息，市场调研的效果就越好，对顾客的理解就越好。

　　很不幸，这种囿于数据、特别是样本容量的做法是错误的。对顾客的理解不只是一些数据，而首先是一种解析（explanation）。要理解某件事情，就是要解析这件事是怎样发生的，其中一部分工作是要预测将来会发生什么。但解析不仅仅是预测，而是要解释和说明将来事情为什么会发生和怎样发生，比如，在前面提到的新厨具的案例中，你所寻找的就是解析顾客为什么使用和怎样使用新厨具。

　　解析不从数据而来

　　在寻找解析的过程中，重要的是认识到解析永远不会存在于数据中。解析总是和数据相分离。看了下面这个案例，你就理解这一点了。

　　假设你从事食品服务行业，你对特定的人群做了市场调查，发现调查人群中85%的消费者在被调查的一周内至少有4次吃鸡肉。你的调查人数虽多达400人，但在统计学上并不具有代表性。于是你再做一次调查，选定2，000人做样本，并得到同样的结果。这样，你就得出结论：你的调查在定量上是精确的，在统计上是有效的，这些消费者都吃鸡！

　　这个案例看起来就像你可能希望的那样，理解顾客很简单。的确，从市场调研的角度看事情就这么简单。问题是：解析在哪里？你可以预测这些消费者会继续吃鸡（因此，你应该在菜单上增加更多的鸡肉），但是，这只是预测，而不是解析。你可以说解析就是简单的推断：如果现在有这么多人吃鸡，那么将来很可能有很多人吃鸡。但是你怎么知道你可以按这个方式来推断呢？

　　样本统计有助于把调查样本数据的规律，推广到数目更大的本该调查却没有调查的总体上。但是统计学对于通过数据推断做出预测的难题无能为力。调查结果可以表明人们在吃鸡——或者说他们（被调查人）在吃鸡，但是不能由此推断这种行为会持续到将来，虽然这种推断有时也有效，但也不过是调查人员的信心使然，不是逻辑思维的结果。

　　从另一角度看这个问题，其它的解释也是可能的。也许你调查的顾客是因为关注自己的体重而选择吃鸡肉来减肥，或者他们为了省钱而吃鸡肉。沿着任何一个方向进行解析，你就可以预测，当顾客已经完成目标或者对自己的目标厌倦了之后，就不再吃鸡肉了。

　　因此，你的数据——人们吃很多鸡肉——可以导致以下两种预测结果：人们将来会继续吃鸡肉或者会停止吃鸡肉。同样的数据可以适用于这两种相反的预测结果。所以，预测只依赖于解析，而不是数据。

　　那么，解析来自哪里？从逻辑上讲，解析不可能来自数据，因为解析不是开始于数据。但如果不来源于数据，那又从哪里来呢？解析来自于创造力。解析是洞察消费者行为的创造性行为。这种创造力可能是由数据激发的，即通过观察和分析数据的关系模式把握事态；或者来自其它的创造性冲动，包括经验和直觉。

　　当一个解析降临你的时候，别管它从哪里来，解析本身是最根本的。你要把解析放在第一位，把数据放在第二位。

　　数据可以评价解析

　　如果你脑海中有了一个解析，数据可以在理解顾客的过程中发挥重要作用。数据的作用是使你对你做出的解析更加自信，或者让你放弃它，再寻找一个更好的解析。数据是对解析做出评价的最有力的工具。

　　让我们回到新厨具的案例。首先，你需要重点关注解析。如果你有了数据，就会给为你找到解析提供灵感。在这个案例中，你可能想到这样一种解析：人们对速度的重视程度高于质量。人们在准备食物时越来越匆忙，所以愿意牺牲食物质量只求食物更快地摆到饭桌上。

　　然后你可以用数据来评价这个解析。首先，你手头的消费者调查数据是否和该解析相吻合？结果表明吻合：从评分看，烹饪速度比食物质量更重要。这个发现让你对该解析感到更加满意。

　　但是，尽管样本容量大，调查结果本身也不应令你太自信。原因是，这个调查结果也会和其它许多看重烹饪速度的解析相一致。例如消费者可能认为，公司利用技术很容易就能提高速度，而质量却更难提高。由此，解析就会围绕消费者对技术可能性及其现实重要性的期望而展开。

　　所有的解析都是不同的，它们按照两类不同的维度进行划分。其中一类可以称为“特殊—普遍”，特殊的解析只对特定的条件适用，也就是说，这种解析只适用于特定时间和空间内特定的人。很明显，这种特性或多或少地存在。

　　另外一种维度是“日常—科学”。日常的解析是从该解析所适用情景中的当事人的角度来阐述。这种解析可能是当事人对自身行为的一种解释，或者是当事人不能明确地表达自己，你于是可以使用他所熟悉的语言替他表达出来。厨具案例的解析是通过人们自身的经验表达出来的，所以就是日常的解析。案例中关于“满意/牺牲”的解析，也许正是人们自己可能表达出来的。

　　科学的解析和日常的解析相反，它不代表真实客户的经验。这种解析以自己的术语来表达，而这些术语是为了得出解析而发明。

　　对任何一种数据，你需要在脑海中形成一种解析，它要么得到数据的支持，要么和数据相背离。在许多情况下，这种解析会是常识性的。实际上，“焦点小组会议”和“一对一访谈”得出的常识性解析经常和市场调查得到的数据相矛盾。

　　在厨具案例中，“技术预期”的解析很容易被驳倒。比如，以下就是在10次“一对一访谈”中的典型回答：

　　—“总是要花时间去准备食物。但是，我肯定将来所要做的只是给机器设置一个程序，就可以得到和妈妈做的一样美味的肉馅饼了。”

　　—“现在还没有速食品之类的，我打赌肯定有人会想出简单易行的办法烹调出美食，不久就会有的。”

　　只是10次访谈就给“技术预期”的解析——即目标顾客相信，提高食物烹饪质量在技术上的可能性要小于提高烹饪速度带来了严峻的考验。10次访谈是不是太少？100次或1，000次会不会更好呢？从样本选择的角度看，没错。

　　但是，请记住更广泛的问题，你必须突破市场调研的观念。如果你的解析是人们对技术有特殊的信念，但是如果你看到应当对技术有特殊信念的一类人，并没有在日常生活中表现出这种信念，那么这就足以对你的解析提出挑战。

　　市场调查应该和数字联系在一起，而且需要更加量化。但是，如果你所处理的是一个常识性解析，它具有很强的排他性，而且以日常用语来表达，那么利用“焦点小组会议”和“一对一访谈”得到的数据做出解析，要比利用市场调查得到的数据更容易。许多常识性解析和定性方法更匹配。而在市场调查测试中，这些信息方法往往会显得过于琐碎而被忽略。

　　你需要突破市场调研的视野，拓宽自己对顾客的理解。理解是一个动态的过程，而不是一堆静止的信息。综上所述，理解是一件难事，你要试图去解释人们为什么要那样做事。解析任何事情都很难，而解析人的行为就更难了。解析熟人或是和你类似的人的行为就够难的了，解析顾客的行为就更具有挑战性。