L4-06：客户调研方法论 —— JTBD框架 + Mode 1/2并行 + 置信度标注 + 数字水坑

🎯 学什么：学会用两种模式获取客户洞察——Mode 1分析你已经有的数据（客服工单、NPS反馈、销售记录）、Mode 2从网络社区收集未经过滤的客户声音（Reddit、论坛、评测站）。用JTBD框架（功能性/情感性/社交性任务）理解用户的深层动机，用信心等级标注确保洞察的可信度，用样本偏差检查避免被极端声音误导。核心洞察：福特说过"如果我问人们想要什么，他们会说一匹更快的马"——用户最擅长告诉你的不是解决方案，而是他们的痛点和场景。 💡 难易度：⭐⭐ | ⏱️ 预计时间：50 分钟

---

1. 课程概览

💡 白话小课堂：这个 Skill 就像一个田野调查员——不是坐在办公室里猜测用户怎么想，而是走进田里去听、去看、去收集。你有两种收集方式：一是翻看你已经有的资料（客服记录、NPS反馈、退款申请——这些已经存在的"客户调研数据"，只是没人整理）；二是去用户的"数字水坑"（Reddit、论坛、应用商店评论）——他们在那里说的话比在问卷里填的真100倍。

本课的独特定位——洞察挖掘型 Skill：

🔑 核心秘诀：Mode 1往往被忽略——很多团队觉得"我们没有客户调研数据"，但其实客服工单、NPS反馈、销售电话记录、退款申请——这些都是已经存在的客户调研数据，只是没人整理和分析。

⚠️ 避坑指南：一个销售告诉你"客户都说太贵了"——置信度低。十个客服工单+二十条App Store评论+NPS反馈都提到"价格"——置信度才高。单一来源≠真相，多源交叉验证才能提高信心。

来源：Corey Haines marketingskills（coreyhaines31/marketingskills --skill customer-research）

---

2. JTBD框架详解

2.1 用户买你的产品不是为了产品本身

JTBD = Jobs-To-Be-Done（待办任务）。核心前提：用户"雇佣"你的产品来完成某个任务。

JTBD的三个维度：

Functional Job（功能性任务）：
  → 用户要完成的具体操作
  → 问题："你要完成什么任务？"
  → 电商ERP示例："订单来了我要1分钟内处理完"
  → 健身App示例："我想减掉10公斤"
  → 注意：这是用户最容易说出来的，也是最表层

Emotional Job（情感性任务）：
  → 用户在完成任务时想感受到什么？不想感受到什么？
  → 问题："你在做这件事的时候，想感受到什么？不想感受到什么？"
  → 电商ERP示例："我不想在多个平台间切换，想回到安心的状态"
  → 健身App示例："我不想每次跑步都觉得自己在受罪，我想感觉有成就感"

Social Job（社交性任务）：
  → 用户想被怎么看待？不想被怎么看待？
  → 问题："用了这个产品，你觉得别人会怎么看你？你希望别人怎么看你？"
  → 电商ERP示例："同行问我用什么工具时，我不想说'一个很复杂的系统'"
  → 健身App示例："我想在朋友圈发健身照，让同事觉得我是个有自律的人"

三者关系：
  → Functional 是用户说的"我需要XX"（表层）
  → Emotional 是用户真正渴望的感受（深层）
  → Social 是用户想在世界中扮演的角色（最深层）
  → 最好的产品定位同时打中三个维度

2.2 用户说的≠用户需要的

经典案例：福特 vs 更快的马

用户说："我想要一匹更快的马"
  → Functional Job：从A到B的交通工具
  → 用户表达的"解决方案"：更快的马
  → 用户的真实需求不是"更快的马"，而是"更快地从A到B"

如果你问："你为什么需要更快的马？"
用户回答："因为我每天早上要从布鲁克林赶到曼哈顿，要花2个小时，太累了。"
  → Emotional Job：不想感到疲惫和浪费时间
  → Social Job：不想被认为是"老是迟到的人"

启示：
  → 用户擅长描述痛点和场景（"每天早上赶路2小时"）
  → 用户不擅长设计解决方案（"更快的马"）
  → 你的工作：从痛点和场景出发，设计他们想不到的解决方案（汽车）

---

3. Mode 1：分析现有资产

3.1 你已经有的客户调研数据

四种常常被忽略的"现成数据"：

1. 客服工单（Support Tickets）
   → 用户在遇到问题时的最真实表达
   → 关键词分析：什么词反复出现？
   → 注意偏差：只反映"遇到问题的人"，不反映"满意的人"

2. NPS反馈（净推荐值评估）
   → 9分+写了具体投诉 > 10分但什么都没说
   → 9分且写了"导出功能太难用了"的人——对产品改进价值高100倍
   → 原因：9分说明了哪里有问题，10分等于沉默
   → 贬损者（0-6分）和被动者（7-8分）的反馈比推荐者（9-10分）更有改进价值

3. 销售记录/电话（Sales Calls）
   → 客户最初问的前三个问题是什么？
   → 他们在比较你们和竞品时提到最多的差异是什么？
   → 什么因素让他们最终买了？（是什么让他们"从不买到买"？）

4. 退款/取消申请（Cancellation Surveys）
   → "是什么让你决定离开？"——要走的人说的最真
   → 分类统计：太贵/用得少/缺功能/竞品/体验
   → 这些是产品改进的最高优先级清单

3.2 提取洞察的流程

Step 1: 通读所有现有资料，给每一条打上标签
  → 标签：痛点 / 渴望 / 场景 / 竞品提及 / 特征描述

Step 2: 统计标签频率
  → 什么标签出现了最多次？
  → 什么标签在多个来源中独立出现？（说明不是偶然）

Step 3: 用JTBD三层翻译
  → "这个功能太难用了" → Functional: 操作障碍
                         → Emotional: 沮丧、觉得自己很笨
                         → Social: 不想让同事看到自己搞不定

Step 4: 标注置信度
  → 1个来源提到 → 低置信度（可能是个案）
  → 3+独立来源提到 → 高置信度（信号）

Step 5: 提炼为客户语言（VOC）
  → 这是文案金矿——录用户的措辞
  → "我们被电子表格淹没了" 这句话可以直接用在你的首页上
  → 用户自己的措辞比你写的文案更有说服力

---

4. Mode 2：数字水坑研究

4.1 什么是数字水坑

数字水坑 = 用户在"野外喝水的地方"——他们不是在回答你的问卷，
而是在跟同伴交流、吐槽、求助。

为什么水坑里的声音比问卷里的真100倍？
  → 问卷是对你说的——有社交压力，可能会说"挺好的"避免冲突
  → 水坑里是对同伴说的——Reddit吐槽、App Store打一星、行业论坛求助
  → 没有过滤，真诚度高100倍

主要数字水坑：
  → Reddit（r/你的品类或行业）
  → 应用商店评论（App Store/Google Play）
  → G2/Capterra（B2B评测站）
  → 行业论坛和微信群
  → Hacker News / Product Hunt（技术产品）
  → 知乎/小红书（中国市场）

4.2 样本偏差检查

每种数据源自带偏差——不是所有用户的声音都平等地代表所有用户：

在线评测者（App Store / G2评论）：
  → 偏向：重度用户和强观点的人（爱恨分明）
  → 不偏向：温和的大多数（觉得"还行"的人不会去写评测）

客服工单：
  → 偏向：遇到问题的人
  → 不偏向：满意用户（只告诉你哪里坏了，不告诉你哪里好）

Reddit / 行业论坛：
  → 偏向：技术型和怀疑型用户
  → 不偏向：非主流买家（爱吐槽爱分析，但不一定代表大众市场）

NPS反馈：
  → 偏向：通常回复率只有5-15%，反映了关心的人
  → 不偏向：大部分不回复的人

关键原则：
  → 永远多源交叉验证——不能从单一来源下结论
  → 标注你的样本偏差——"注意：此洞察来自客服工单，
    偏向'遇到问题的人'，可能不完全代表所有用户"

---

5. 人物画像生成

5.1 避坑：可爱命名是头号杀手

❌ 错误人物画像：
  "Marketing Mary"——35岁，市场总监，喜欢狗，开车上班
  → 一旦有了名字，你会不自觉地为"她"编故事
  → 人物画像变成了虚构小说
  → 无法验证，无法反驳，无法指导决策

✅ 正确人物画像：
  "中小企业电商运营（3-10人团队，月GMV ¥10-50万）"
  → 描述性标签，而非虚构名字
  → 每一个特征都可以追溯到数据点
  → 至少有5个独立数据点支撑

人物画像生成规则：
  1. 使用描述性标签而非名字（"中小企业电商运营"不是"Marketing Mary"）
  2. 每个特征至少追溯到1个数据点
  3. 整份人物画像至少基于5个独立数据点
  4. 标注每个特征的置信度（来源数量越多、置信度越高）

5.2 最小可行样本规则

一个洞察的置信度取决于支撑它的数据点数量和多样性：

"客户都说太贵了"
  → 来源：一个销售说的
  → 数据点：1个（二手信息，置信度低）
  → 应该：标注为"线索"，需要进一步验证

"价格是用户的核心顾虑"
  → 来源：10条客服工单 + 20条App Store评论 + NPS反馈
  → 数据点：3个独立来源，30+条记录
  → 置信度高

"导出功能太慢是用户最大的痛点"
  → 来源：5条客服工单
  → 问题：不足"最小可行样本"（至少5个独立数据点），且工单自有偏差
  → 改进：扩大样本量（20+来源）+ 多源交叉验证 + 标注置信度

---

6. 结构拆解：洞察挖掘型 Skill 模板

---

7. 电商案例：天猫宠物用品店铺复购用户 vs 流失用户JTBD深度访谈

🛒 实战案例：某天猫宠物用品店铺，主营猫砂+猫粮+猫零食（客单价¥89-¥299），月订单8,000单，首次购买后30天复购率仅12%（行业均值22%）。团队做了"满199减30"的复购券但效果平平（使用率仅7.3%）。问题不是"怎么发券"，而是"用户为什么不再买了"——需要理解复购用户和流失用户在JTBD层面的根本差异。

Mode 1 分析：现有资产挖掘

Mode 2 分析：数字水坑

JTBD三层翻译：

深度访谈对比（复购3次+用户 vs 一次就流失用户，各访谈8人）：

核心洞察与运营策略调整：

效果（执行2个月后）：

• 首次购买后30天复购率 12% → 21%（+75%），追平行业均值
• 试用装下单→正装转化率 38%（5,200人试用→1,976人转正装）
• 订阅制用户续订率 87%（首月520人→次月452人续订）

🔑 启示：宠物用品的JTBD与普通消费品有本质区别——决策者是人，但使用者是猫。用户访谈如果只问"你为什么买这个猫粮"，会得到价格/成分/品牌层面的答案。但如果问"你的猫第一次吃这个粮时你观察到了什么"，才会触及真正的复购驱动力——"猫冲过来吃的那个瞬间，我就知道以后就买这个了。"

---

8. 掌握检验

Q1：JTBD框架中，以下哪项正确匹配了三个维度和对应的问题？

• A) Functional:"我想感到安心" / Emotional:"订单来了我要1分钟内处理完" / Social:"同行问我用什么工具时我能自豪地说出来"
• B) Functional:"订单来了我要1分钟内处理完" / Emotional:"我不想在多个平台间切换，想回到安心的状态" / Social:"同行问我用什么工具时，我不想说'一个很复杂的系统自己都搞不懂'"
• C) Functional:"我不想被同行看不起" / Emotional:"我要快速完成任务" / Social:"我要情绪稳定"
• D) 三者没有本质区别，都是问"用户要什么"

Q2：为什么NPS反馈中"有具体投诉的9分"比"无评论的10分"对产品改进更有价值？

Q3：以下哪项洞察的置信度最高？

• A) 一个销售说"客户都反映太贵了"
• B) 10条客服工单+20条App Store评论+NPS反馈都不约而同提到"价格"问题
• C) 创始人在行业会议上听到两个同行提到竞品"复杂"
• D) Reddit上一条用户吐槽"这工具太难用了"

Q4：数字水坑研究（Mode 2）中，为什么Reddit/论坛上的用户声音通常比问卷里的更真实？

Q5：人物画像生成的"反模式"中，为什么不能给人物画像取"可爱命名"（如"Marketing Mary"）？

Q6：样本偏差检查中，以下来源各偏向什么类型的用户？请匹配：

• 在线评测者 → ?
• 客服工单 → ?
• Reddit → ?

Q7：某产品经理从5条客服工单中得出结论"用户最大的痛点是导出功能太慢"。这个结论有什么问题？按照本课标准，该如何改进这个洞察的可信度？

---

9. 答案

点击查看答案

Q1：B — 正确匹配。Functional job是任务本身（1分钟内处理完订单），Emotional job是想感受到什么（安心，不用在平台间切换），Social job是想被怎么看待（不想被认为"用了复杂的工具"）。

Q2：参考答案 — 9分且写了具体投诉（"导出功能太难用了"）的人指出了确切的问题所在——你知道该改什么。10分但什么都没说的人等于沉默——你不知道ta满意在哪里，也不知道ta会不会因为某个潜在痛点明天就走。对改进工作而言，贬损者（0-6分）和被动者（7-8分）的反馈比推荐者（9-10分）更有价值。

Q3：B — 3+独立来源（客服工单+App Store评论+NPS反馈）一致出现，置信度高。A是单一来源（低），C是二手信息（低），D是单一来源（低）。

Q4：参考答案 — 问卷是对你说的，有社交压力——用户可能会说"挺好的"来避免冲突或显示礼貌。水坑里是对同伴说的——用户在Reddit吐槽、在App Store打一星、在行业论坛求助，说的都是真心话，没有过滤。真诚度差100倍。

Q5：参考答案 — 一旦有了名字（"Marketing Mary"），你就会不自觉地为"她"编故事，让人物画像变成虚构小说。应该用描述性标签："中小企业电商运营（3-10人团队，月GMV ¥10-50万）"——具体、可验证、不美化。

Q6：参考答案 — 在线评测者偏向重度用户和强观点的人（爱恨分明）；客服工单偏向问题，不偏向价值（只告诉你哪里坏了，不告诉你哪里好）；Reddit偏向技术型和怀疑型，非主流买家（爱吐槽爱分析，但不一定代表大众市场）。

Q7：参考答案 — 问题：5条工单不足"最小可行样本"（至少5个独立数据点），且工单来源自带"偏向问题"的偏差（只有遇到问题的人才发工单）。改进：(1) 扩大样本量——至少收集20+个来源；(2) 多源交叉验证——对比App Store评价、用户访谈、NPS反馈；(3) 标注置信度为"低"，作为需要进一步验证的线索而非结论。

评分：答对 5/7 = 通过。

---

10. 延伸阅读

• [[L4-05-竞品深度侦察|上一课：竞品深度侦察]] — 把对手看个底朝天
• [[L4-07-程序化SEO|下一课：程序化SEO]] — 用代码自动生成10万+个着陆页