“動態的機器學習式”問卷

　　根據Hauser之前的研究，即使是大件物品，消費者進行決策的主要參考因素最后也只會縮小到幾個，因為考慮的參數越多，所需要花費的時間和精力就越多。

　　“當你買一所房子時，你幾乎不可能將任何方面都逐一考慮，因為太耗費時間了。你可能會將你的篩選項逐漸縮小到一些基本的東西，比如說價格、地理位置、臥室的數量等。同樣，當你買一輛車的時候，你可能在運動跑車、或者混合動力車等某些類型中來選。”

　　“公司面臨一個重要的問題：你怎么了解這些決策準則是什么?公司決策層對這個問題越來越看重，尤其是在進行產品設計、營銷決策的時候，了解顧客們到底重視哪些要素，可以調整新產品的設計及營銷策略，從而防止一開始就被人們排除在選擇范圍外。”

　　問題是，對于一些品類如洗衣粉來說，確定消費者的決策原則并不難，因為所涉及不過品牌知名度、洗衣功效、環保等幾個因素，但當問題涉及到大件物品，如房子、車、智能手機等，這個問題就比較復雜了。

　　“一些大宗物件動輒會有數十項產品指標，怎么從這些浩繁的指標中篩選出影響消費者決策的指標，不是一件容易的事情。”Hauser舉出了現在慣常使用的調查方式，比如隨機問題法——隨機地詢問人們對汽車不同方面的要求，或者根據市場調研有針對性地進行詢問，然而由于汽車產品本身的復雜性，這些問卷方式都需要數十甚至上百道問題才能獲得一定準確度。

　　“在耐心越來越稀缺的數字時代，網絡受調查對象很難愿意耗費這么多精力。”Hauser最后提出了“動態的機器學習式”問卷方式。

　　早在2010年，Hauser教授就和同事Glen Urban教授一同提出了“網站變形”概念，即通過消費者之前在網站上的行為，決定下一步提供給消費者什么類型的信息，從而最大化地提升消費者的網站體驗，比如消費者在網站首頁先點擊了圖片，那么在之前的產品信息頁面中，這位消費者會看到更多圖片而不是文字的產品介紹。

　　消費者每一步的行為都會不斷調整網站對消費者類型的判斷，從而使得后續的信息提供更為精準——這種根據消費者的反應來不斷調整網站行為的理念被Hauser再次用到了調查問卷的創新上。

　　所謂“動態的機器學習式”問卷方式就是網站先是提出一個問題，比如提供某款車型的信息，包括了品牌、風格、動力類型等盡可能多的參數，消費者最后選擇“會考慮”或者“不會考慮”，而網站根據消費者的態度自動彈出下一個推薦車型，從而最終確定消費者買車時的考量因素。

　　根據Hauser的研究，要對消費者決策準則達到76.1%的準確推測，隨機問卷法需要40個問題，基于市場調研的問卷法需要39個問題，而“動態的機器學習式”只需要9個問題。“最大的創新在于，不需要海量的問題就可以確定人們的決策準則，對于大件物品來說尤其適用。”（中國鞋網-最權威最專業的鞋業資訊中心，來源《成功營銷》，作者：馮利芳）