產品開發遇到瓶頸怎么辦？從網評中找靈感
消費產品很少保持在靜止狀態；它們會根據消費者的需求不斷變化。
以電動剃須刀為例，大約在一個世紀前，首批問世機型中的電動剃須刀Vibro-Shave進入了美國市場。這種以男女通用為營銷訴求的剃須刀有一個能夠將刀片左右移動的震動手柄。同時，使用者還可以將剃須刀的刀頭部分替換成按摩頭，來“撫平”皺紋。
不用說，剃須刀經過這些年已經改變。
那么，產品開發通常是如何發生的？長久以來，公司依賴市場調查來確定顧客如何使用公司的產品，以及顧客是否有潛在需求可以通過新功能或創新來得到滿足。傳統上，許多這類調查以訪問顧客或焦點小組的方式進行，顧客分享自己如何使用產品，喜歡產品的哪些地方，不喜歡哪些地方。然后公司把這些反饋集中起來，確定顧客需求是否得到了滿足，并根據這些反饋采取下一步的行動。
然而訪談和焦點小組不僅成本昂貴，而且可能需要耗費大量的時間，凱洛格學院的一位營銷學助理教授阿爾喬姆·季莫申科表示。他說：“讓新剃須刀比你的競爭對手早半年上市會讓你占有優勢。”
于是，阿爾喬姆·季莫申科和他在麻省理工學院斯隆管理學院的同事約翰·豪澤希望知道從現有的顧客反饋收集到類似的顧客需求洞見的可能性，這些反饋包括來自亞馬遜網站上的評論或社交媒體上的數據等用戶生成內容。
他們提出了兩個具體問題：第一，專業市場研究分析人員能否從這些顧客評論中提煉出有用信息？第二，機器學習算法能否讓他們更有效地完成這項工作？
挖掘產品評論針對第一個問題，研究人員與一家名為Applied Marketing Science, Inc.（以下簡稱AMS）的公司合作。這家公司在市場調查和顧客需求發掘方面擁有20多年的經驗，最近剛為客戶進行過一項關于口腔護理產品的顧客需求訪談調查。
季莫申科解釋說：“從公司和研究觀點來說都很方便。”因為牙刷是相當標準的產品類別，而且是有著眾多亞馬遜評論的商品。此外，AMS公司對研究人員提出的問題感到很有興趣，迫不及待地想要攜手合作。
說到口腔護理產品，許多顧客報告的需求相當直截了當：產品需要保持牙齒潔白，保持牙齦健康，而且不會破壞以前的補牙或假牙。但其他顧客則可能提到不容易預料的需求，例如想知道在進行口腔常規護理時各個部位需要的護理時間。這可能會帶來產品創意，例如在固定時間間隔發出提示音、或是幾分鐘后自動關機的牙刷。
AMS公司進行的這些體驗訪談揭示出顧客對于口腔保健產品的86項不同需求，這個數目對此產品類別而言很正常。分析這些顧客需求的目的在于找出隱藏的關鍵問題，即非常重要但現有產品未能充分滿足的需求。
為了確定營銷人員能否從用戶生成的網上評論中收集到與從訪談及焦點小組中收集到的相同顧客需求信息以及潛在的隱藏關鍵問題，研究人員從亞馬遜的網站上隨機選出了一些有關口腔護理產品的評論，并將其提供給AMS公司的分析師。這些分析師不是之前收集或分析顧客訪談的那些人，但接受過類似的培訓。每一則評論均完整地呈現給分析師，這些評論總計有12,000句，相當于分析師審閱20至25份標準體驗訪談內容文本所需要的時間。
在開始進行研究之前，季莫申科和豪澤認為亞馬遜網站上的評論可能會比傳統的顧客訪談有更大的優勢。例如，它們或許能夠接觸到無法參加焦點小組的顧客群。
季莫申科說：“可以想象，如果一家公司位于波士頓，那么最有可能訪問到的是波士頓人，而其他地區的人可能會有不同的產品體驗和使用模式。”
另一個可能的優勢是顧客往往在用過產品后立即上網寫評論，而焦點小組的參加者可能是在用過產品一、兩個月后才接受訪問，這時早已忘記他們使用體驗的關鍵部分。
不過，研究人員也懷疑網上評論可能有一個重大缺點。具體而言，“許多研究顯示網上評論傾向于極正面或極負面，因此我們可能會遺漏掉一些通常以更加中性的語言表達出來的顧客需求。
例如，“牙刷確實能夠清潔牙齒”這個事實是一項重要但不會讓人感到興奮的用途，顧客或許在評論時根本不會提起。這是一個大問題，因為清楚地說出所有的顧客需求才能夠幫助產品管理團隊找出新產品的開發機會，即便有些顧客需求在事后看來平凡無奇。
那么，研究人員有哪些發現？首先，在訪談和焦點小組中確定的顧客需求幾乎可以全部（97%）在亞馬遜網站上的評論中找到。
“這立即證明，至少對于某些類別，我們能夠完全不需要進行訪談和焦點小組，而那些正是客戶需求市場調查中最耗時的部分。”季莫申科說道。
第二個發現是亞馬遜網站上的評論包含了8項額外的顧客需求（接近總數量的10%），這些需求并未在訪談中提及。這些需求和顧客在訪談中提到的需求在實質上并無差異，它們對顧客來說似乎同等重要，對未來的產品開發也很有用。這表明，分析用戶生成的評論可能對客戶需求提供了更深入詳盡的洞見。
季莫申科推斷，如果以前進行了更多次訪談和焦點小組，這些額外需求最后也會顯現出來。“然而增加一倍的訪談次數，在時間和金錢上都會比增加一倍的網上內容審查昂貴的多。”
幫助人類的機器
接下來，研究人員嘗試了解是否能夠用機器學習來提升人類分析師的效率。具體來說，他們建立了一個算法對評論進行“預篩選”，濾除那些幫助不大的評論，以便分析師能夠更有效地運用時間。
研究人員訓練出一種算法，以兩種方式對評論進行預篩選：去除非信息性的句子，以及減少冗余的句子。非信息性的句子，例如“我兒子喜愛這個產品”，占了語料庫中幾乎半數的句子。雖然它們是完全合理的情緒表達語句，但卻不會帶來產品創新。冗余的評論也同樣大量地出現在語料庫中，反復提及同樣的缺點或優點。
研究人員發現，用他們的算法進行預篩選后，分析師得以在減少大約20%的語句中找到相同數量的顧客需求。
“這是概念驗證。”季莫申科說。他相信，隨著更多經驗和工程技術，效率將持續提高，如同傳統的訪談市場調查經過多年實踐后能夠做出改進一樣。因此，研究人員開放程序代碼，供各個公司任意使用，并希望知道不同行業的公司如何進一步開發與應用這些程序代碼。
例如，一家從事食品業的公司在采用研究人員的方法后，發現他們從網上評論和社交媒體數據中搜索出的客戶需求截然不同。
季莫申科指出，這充分顯示出一項事實，就是從多種反饋渠道來看，未來對機器學習工具的需求只會有增無減。
“預處理這些信息的需求甚至會更多。因為一個特定產品就有數百萬條的亞馬遜評論，如果再想結合其他來源的社交媒體數據和網上評論，需要處理的內容量就會暴增。因此，機器學習就變得非常重要。”他說道。
始料未及的益處
在研究過程中，季莫申科和豪澤發現，分析用戶生成內容與傳統的訪談和焦點小組相比，還有另外一項出乎意料的好處，就是能夠“跟蹤”有意思的顧客評論或需求，以便深入挖掘。
?
他解釋道，進行傳統訪談時，“你沒有機會把同一個受訪者找回來談談這個體驗。機會是一去不復返的。”
?
用戶生成內容則能夠讓你進一步探索。當你想到一個有趣的線索，你便可以回到含有幾千條評論的語料庫中搜索更多的線索。“不要去找同一個顧客評論，而是搜索關鍵詞或是某個特定短語，或是特殊體驗。”季莫申科說道。
?
總的來說，他希望營銷人員了解，機器學習可以是一個強大的工具，不僅能夠取代人類智能，還可以擴大人類智能。
?
“這項研究的重大突破之一是我們一致同意‘機器學習不能解決這個過程的所有挑戰’。”季莫申科說。“大多數人在想到機器學習時，都會去尋求完全自動化的解決方案。人類在某些任務方面似乎天生比機器做的更好。而在可以預見的未來，人類將繼續保持這種優勢。確立客戶需求正是這些任務中的一項。”
?
顧客或許會說：“我不喜歡這把牙刷，因為它沒有30秒計時功能。”然而該顧客的潛在需求是想要知道在平常刷牙時，不同的部位應該分別花費多少時間。
?
“這是非常抽象的。顧客真正想要的東西是非常概念化的。因此這一步由人來執行比較好，因為人能夠真正懂得同樣身為人類的其他顧客的體驗。”（財富中文網）
?
