如何准确分析市场数据？人机结合才是正解

Ocean Spray Cranberry公司在解释、分析客户数据时，总是偏向使用人性化的方式。在发现只有38%的美国消费者有食用或饮用蔓越莓的习惯，而喜欢干果的人却达到了大约60%之后，该公司有针对性地推出了Craisins产品，广受消费者欢迎。

在社交媒体变得越来越流行的当下，该公司负责全球感官科学和消费者事务的高级经理Michael Nestrud也养成了一种好习惯。他喜欢分析推特上有关蔓越莓的帖子，通过这种方式来了解消费者对蔓越莓的态度。

从很多方面来看，Michael的方法会是未来的潮流。然而，由于非结构化的客户数据不仅呈现非结构化的状态，而且是轶事型的，因此，只有当公司能够感知模式并将从模式中获得的见解融入到客户拓展和体验中时，这些非结构化的客户数据才能发挥作用。

Ocean Spray最近采用了一种人工智能平台，可以感知客户的行为模式，从而感知市场状况，然后根据市场状况及时调整价格和并推出有针对性的促销活动，满足公司的忠实用户的消费需求。尽管这些人工智能平台令人印象深刻，而且功能极其强大，但它们也确实有一个无法弥补的根本缺陷，那就是它们是机器，不是人类。

人工智能集成设计思考

Ocean Spray的数据科学家需要确保这些人工智能平台的预测与员工对客户需求的理解同步。他们还需要仔细考虑，人工智能系统的预测和推荐将会以怎样的方式被他们的客户体验到，而这些客户的情绪和情感关联是机器无法有效解释或预测的。进入了新的一年，这些采用人工智能平台的公司得到了一个真正的机会，可以将这些人类特征融入到决策之中。他们需要集成设计思考。

像这样的人工智能系统无法对它们正在分析的消费者产生同理心，但可以在这个过程中融入设计思考，将同理心和人性注入到该系统。采用这种方式的前提通常是针对具体情况解决问题。

我们可以想象一下这样的场景：有一年感恩节，人们对樱桃酱产生了一时的狂热情绪，而对蔓越莓的兴趣减弱。人工智能系统可能会发现，那些通常在节日前后在社交媒体上分享蔓越莓食谱的消费者分享的食谱比平时少了，或者他们在大量帖子中在“蔓越莓”的旁边添加了“樱桃”这个词。

于是，该人工智能系统可能会建议在樱桃的风头已经盖过蔓越莓的地区，对蔓越莓进行打折销售。但是，基于人类对新奇事物的兴趣和对传统事物的情感诉求，设计思考可能会激发出一系列围绕如何制作樱桃-蔓越莓酱的广告活动，或者在感恩节强调如果家人最喜欢的传统蔓越莓酱没有出现，家人可能会感到失望的情况。

这种人性化的解释使得设计思考很难大规模复制。然而，人工智能是为了学习这些模式和趋势而设计的。随着人类干预系统的每一次迭代，它可以开始整合新的连接。下一次，当类似的水果名字出现在大量推特帖子中“蔓越莓”一词的旁边时，系统会自动建议采取行动，刺激消费者在感恩节选择将这两种水果结合起来，或者选择蔓越莓，根本无需Ocean Spray公司降低产品价格。

人机合作的力量

在这种设计思考和人工智能的协作方式中，每一种方式都发挥了自己的优势，并将自己的弱点最小化，形成了更高效的开发过程，以及更好的用户体验。人工智能系统获得了一定程度的同理心和可预测性——比如理解这些与蔓越莓相关的搜索发生的原因，而不仅仅是发生的事实——而设计思考实践者则在与数据分析、预测分析和解决问题相关的繁重工作上得到了帮助。在这种情况下，他们不必费力地查看没完没了的帖子和标签，也能够看到并解释客户数据。

一旦这些系统建立起来，它们可以随着时间的推移而不断改进和增强，从开发过程中得到的进展和见解中获益。这是推动由人工智能驱动的设计思考进步的独特想法之一，人工智能必须不断学习才能变得更好，而设计思考依赖于受众来获得消费者的洞察。

结合人工智能和设计思考的方法可以创造出最准确的符合客户需求的产品、服务和利基市场。更重要的是，即使客户不能清楚地表达他们想要什么，这个过程也可以达到预期的最终目标，而且省去了无休止的客户研究和反复试验。