论文部分内容阅读
在斯隆商学院担任营销学教授已二十多年的John Hauser教授，一直关注新产品的设计和营销，曾和同事出版《新产品的设计与营销》、《新产品管理要点》等著作，其最近的研究则集中在网络环境中新产品如何实现设计和营销的最优化。
2 0 11年，他和同事接触一家美国汽车公司（American Auto-Motor，简称AAM），此公司面临一个难题：他们推出了一款最新车型，该车型在性能、消费者需求满足度上都要远远优于公司之前的旧车型，甚至在许多方面也优于竞争对手们的同类车型。问题是，由于之前旧车型的糟糕表现，许多消费者已经不把此公司列入考虑范围，怎么能够扭转消费者的认知，重新跻身于消费者的选择名单中？
同时，AAM还希望了解的是，如何能够知道目标消费者在选择汽车时，到底最在意什么因素，从而通过对新车型设计以及营销诉求进行改良，来避免自己一开始就被排除在考虑范围之外？
John Hauser和同事们在这家公司为这款新车型进行推广和调查期间，对这两个问题进行了研究，并提出了自己的答案和建议。
竞争性的营销策略是否有效？
对于第一个问题，AAM公司自身认为新车型在性能上和消费者需求上不逊于更受消费者青睐的品牌，但调查显示美国市场消费者中超过半数的对AAM品牌表示不信任，并未将其品牌纳入选择考虑范围。
如何提升消费者的信任，扭转之前旧产品形成的品牌认知？AAM打出了一系列的整合营销，在这些营销动作中的核心是：提供自身产品和竞争对手产品的客观比较——无论在官网查询页面，还是试驾活动，或者电子宣传册中，AAM都尽自己可能为消费者提供客观的或者来自第三方调查公司提供的比较数据，比如在试驾活动中，消费者不仅可以试驾AAM公司的新车，还可以试驾其他品牌同类型的车子，来进行直观感受。同时AAM还鼓励消费者访问第三方垂直网站或者论坛，来参与或者阅读人们对车子相关问题的探讨。
AAM试图通过“提供公正的竞争对手信息”来提升品牌在消费者心目中的信任度，从而促进销量。
MIT研究团队对这一过程进行的监测和分析显示：这一策略整体上是成功的。但相比较而言，最有效果的是“竞争性试驾活动”，在试驾之后，消费者对汽车的考虑度提升了20%，销量提升了11%，同时电子宣传册的效果也比较明显，在信任度、考虑度和销量上都有提升。
然而，鼓励消费者访问第三方垂直论坛的方式并不奏效，因为这家公司之前车型的表现直接影响了这些论坛上的舆论走向，使得人们对新车型带有先入为主的看法，社区上的讨论并不能秉持客观和公正。
“如果消费者根本没有把某品牌放入其考虑范围，他们几乎不会了解到这个品牌如何能够满足他们的需要”，Hauser评价道，“我们从这家汽车公司的试验中所学到的可以应用于其他市场，即，虽然一般营销管理者并不会主动向消费者告知竞争对手产品的信息，但事实是，如果你的产品要实际好于消费者的现有印象时，告知竞争品牌信息的策略会产生正面效果。”
“动态的机器学习式”问卷
根据Hauser之前的研究，即使是大件物品，消费者进行决策的主要参考因素最后也只会缩小到几个，因为考虑的参数越多，所需要花费的时间和精力就越多。
“当你买一所房子时，你几乎不可能将任何方面都逐一考虑，因为太耗费时间了。你可能会将你的筛选项逐渐缩小到一些基本的东西，比如说价格、地理位置、卧室的数量等。同样，当你买一辆车的时候，你可能在运动跑车、或者混合动力车等某些类型中来选。”
“公司面临一个重要的问题：你怎么了解这些决策准则是什么？公司决策层对这个问题越来越看重，尤其是在进行产品设计、营销决策的时候，了解顾客们到底重视哪些要素，可以调整新产品的设计及营销策略，从而防止一开始就被人们排除在选择范围外。”
问题是，对于一些品类如洗衣粉来说，确定消费者的决策原则并不难，因为所涉及不过品牌知名度、洗衣功效、环保等几个因素，但当问题涉及到大件物品，如房子、车、智能手机等，这个问题就比较复杂了。
“一些大宗物件动辄会有数十项产品指标，怎么从这些浩繁的指标中筛选出影响消费者决策的指标，不是一件容易的事情。”Hauser举出了现在惯常使用的调查方式，比如随机问题法——随机地询问人们对汽车不同方面的要求，或者根据市场调研有针对性地进行询问，然而由于汽车产品本身的复杂性，这些问卷方式都需要数十甚至上百道问题才能获得一定准确度。
“在耐心越来越稀缺的数字时代，网络受调查对象很难愿意耗费这么多精力。”Hauser最后提出了“动态的机器学习式”问卷方式。
早在2010年，Hauser教授就和同事Glen Urban教授一同提出了“网站变形”概念，即通过消费者之前在网站上的行为，决定下一步提供给消费者什么类型的信息，从而最大化地提升消费者的网站体验，比如消费者在网站首页先点击了图片，那么在之前的产品信息页面中，这位消费者会看到更多图片而不是文字的产品介绍。
消费者每一步的行为都会不断调整网站对消费者类型的判断，从而使得后续的信息提供更为精准——这种根据消费者的反应来不断调整网站行为的理念被Hauser再次用到了调查问卷的创新上。
所谓“动态的机器学习式”问卷方式就是网站先是提出一个问题，比如提供某款车型的信息，包括了品牌、风格、动力类型等尽可能多的参数，消费者最后选择“会考虑”或者“不会考虑”，而网站根据消费者的态度自动弹出下一个推荐车型，从而最终确定消费者买车时的考量因素。
根据Hauser的研究，要对消费者决策准则达到76.1%的准确推测，随机问卷法需要40个问题，基于市场调研的问卷法需要39个问题，而“动态的机器学习式”只需要9个问题。“最大的创新在于，不需要海量的问题就可以确定人们的决策准则，对于大件物品来说尤其适用。”
2 0 11年，他和同事接触一家美国汽车公司（American Auto-Motor，简称AAM），此公司面临一个难题：他们推出了一款最新车型，该车型在性能、消费者需求满足度上都要远远优于公司之前的旧车型，甚至在许多方面也优于竞争对手们的同类车型。问题是，由于之前旧车型的糟糕表现，许多消费者已经不把此公司列入考虑范围，怎么能够扭转消费者的认知，重新跻身于消费者的选择名单中？
同时，AAM还希望了解的是，如何能够知道目标消费者在选择汽车时，到底最在意什么因素，从而通过对新车型设计以及营销诉求进行改良，来避免自己一开始就被排除在考虑范围之外？
John Hauser和同事们在这家公司为这款新车型进行推广和调查期间，对这两个问题进行了研究，并提出了自己的答案和建议。
竞争性的营销策略是否有效？
对于第一个问题，AAM公司自身认为新车型在性能上和消费者需求上不逊于更受消费者青睐的品牌，但调查显示美国市场消费者中超过半数的对AAM品牌表示不信任，并未将其品牌纳入选择考虑范围。
如何提升消费者的信任，扭转之前旧产品形成的品牌认知？AAM打出了一系列的整合营销，在这些营销动作中的核心是：提供自身产品和竞争对手产品的客观比较——无论在官网查询页面，还是试驾活动，或者电子宣传册中，AAM都尽自己可能为消费者提供客观的或者来自第三方调查公司提供的比较数据，比如在试驾活动中，消费者不仅可以试驾AAM公司的新车，还可以试驾其他品牌同类型的车子，来进行直观感受。同时AAM还鼓励消费者访问第三方垂直网站或者论坛，来参与或者阅读人们对车子相关问题的探讨。
AAM试图通过“提供公正的竞争对手信息”来提升品牌在消费者心目中的信任度，从而促进销量。
MIT研究团队对这一过程进行的监测和分析显示：这一策略整体上是成功的。但相比较而言，最有效果的是“竞争性试驾活动”，在试驾之后，消费者对汽车的考虑度提升了20%，销量提升了11%，同时电子宣传册的效果也比较明显，在信任度、考虑度和销量上都有提升。
然而，鼓励消费者访问第三方垂直论坛的方式并不奏效，因为这家公司之前车型的表现直接影响了这些论坛上的舆论走向，使得人们对新车型带有先入为主的看法，社区上的讨论并不能秉持客观和公正。
“如果消费者根本没有把某品牌放入其考虑范围，他们几乎不会了解到这个品牌如何能够满足他们的需要”，Hauser评价道，“我们从这家汽车公司的试验中所学到的可以应用于其他市场，即，虽然一般营销管理者并不会主动向消费者告知竞争对手产品的信息，但事实是，如果你的产品要实际好于消费者的现有印象时，告知竞争品牌信息的策略会产生正面效果。”
“动态的机器学习式”问卷
根据Hauser之前的研究，即使是大件物品，消费者进行决策的主要参考因素最后也只会缩小到几个，因为考虑的参数越多，所需要花费的时间和精力就越多。
“当你买一所房子时，你几乎不可能将任何方面都逐一考虑，因为太耗费时间了。你可能会将你的筛选项逐渐缩小到一些基本的东西，比如说价格、地理位置、卧室的数量等。同样，当你买一辆车的时候，你可能在运动跑车、或者混合动力车等某些类型中来选。”
“公司面临一个重要的问题：你怎么了解这些决策准则是什么？公司决策层对这个问题越来越看重，尤其是在进行产品设计、营销决策的时候，了解顾客们到底重视哪些要素，可以调整新产品的设计及营销策略，从而防止一开始就被人们排除在选择范围外。”
问题是，对于一些品类如洗衣粉来说，确定消费者的决策原则并不难，因为所涉及不过品牌知名度、洗衣功效、环保等几个因素，但当问题涉及到大件物品，如房子、车、智能手机等，这个问题就比较复杂了。
“一些大宗物件动辄会有数十项产品指标，怎么从这些浩繁的指标中筛选出影响消费者决策的指标，不是一件容易的事情。”Hauser举出了现在惯常使用的调查方式，比如随机问题法——随机地询问人们对汽车不同方面的要求，或者根据市场调研有针对性地进行询问，然而由于汽车产品本身的复杂性，这些问卷方式都需要数十甚至上百道问题才能获得一定准确度。
“在耐心越来越稀缺的数字时代，网络受调查对象很难愿意耗费这么多精力。”Hauser最后提出了“动态的机器学习式”问卷方式。
早在2010年，Hauser教授就和同事Glen Urban教授一同提出了“网站变形”概念，即通过消费者之前在网站上的行为，决定下一步提供给消费者什么类型的信息，从而最大化地提升消费者的网站体验，比如消费者在网站首页先点击了图片，那么在之前的产品信息页面中，这位消费者会看到更多图片而不是文字的产品介绍。
消费者每一步的行为都会不断调整网站对消费者类型的判断，从而使得后续的信息提供更为精准——这种根据消费者的反应来不断调整网站行为的理念被Hauser再次用到了调查问卷的创新上。
所谓“动态的机器学习式”问卷方式就是网站先是提出一个问题，比如提供某款车型的信息，包括了品牌、风格、动力类型等尽可能多的参数，消费者最后选择“会考虑”或者“不会考虑”，而网站根据消费者的态度自动弹出下一个推荐车型，从而最终确定消费者买车时的考量因素。
根据Hauser的研究，要对消费者决策准则达到76.1%的准确推测，随机问卷法需要40个问题，基于市场调研的问卷法需要39个问题，而“动态的机器学习式”只需要9个问题。“最大的创新在于，不需要海量的问题就可以确定人们的决策准则，对于大件物品来说尤其适用。”