从大数据到好猜想：如何用大模型做市场研究？

原文来自：范凌的泛谈《从大数据到好猜想：关于大模型时代消费者的理解》

大模型重塑了用户需求调研，但可能不是以我们所期待的方式——AI 去获取用户数据、AI 进行数据清洗等。

而是直接回到了用户需求的最根源，用第一性原理的方式，让模型直接去扮演真实的用户，去呈现真实的用户的思考。

因为，模型拥有的数据和知识足够构建好这样的一个 Personal Agent。

特赞创始人范凌的这篇文章，回归到商业调研的源起，去思考大数据呈现的真实，和猜想呈现的真相，到底哪个才是真正对商业决策有意义的结论。

以及，在大模型到来后，我们可以用何种方式来重塑用户需求调研的流程，真正的「重塑」。

很多时候，AI 带来的可能不只是取代重复劳动，而是用更本质的方式，取代了过往的商业模式。

超 12000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。

• 最新、最值得关注的 AI 新品资讯； 
  

• 不定期赠送热门新品的邀请码、会员码；
  

• 最精准的AI产品曝光渠道

01 

一个商业需求引出的思考

让我们来看一个常见的商业需求：

一位品牌说：「我们想通过分析社交媒体数据，进行新品研发、竞品对比、销售卖点提取。能不能爬取各个平台的全量数据来分析？小红书、抖音、微博、B 站……越全越好。」

确实，社交媒体是个数据宝藏。每天有数亿用户在上面分享他们的真实想法、使用体验、购买决策。如果能把这些「全量数据」都抓取下来，进行分析和归因，似乎就能洞察一切。

但是，我想追问几个问题：

• 爬取全量数据合法合规吗？（大部分平台明确禁止）

• 爬取全量数据要多少成本？（一个平台就要数百万）

• 爬取数据更新频次是多少？（实时？每天？每周？)

• 如何清洗这些数据？（虚假内容、水军、广告...)

• 最关键的：如何从噪音中提取信号，产生真正的商业洞察？（热门≠真实，声量≠影响力）

这个需求隐藏着一个追问：

我们追求正确的目标的方法足够正确吗？

更让人深思的是，就在这次会议的同一周，我了解到一个仅有 40 人的新消费品牌，没有爬取任何「全量数据」，只是深度访谈了 30 个用户，却准确预测了一个细分市场的爆发，半年内做到了细分类目第一。

区别在哪里？

02

橙汁理论

用一个思想实验来解释这个悖论。想象两个实验室都在研究橙汁：

实验室 A：配备了最先进的光谱仪和色谱仪。他们精确分析出：水分 85.97%，蔗糖 4.23%，果糖 3.82%，葡萄糖 1.95%，柠檬酸 0.92%，维生素 C 47.3mg/100ml...数据精确到小数点后两位。

实验室 B：只有一个目标：调配出让你的味蕾产生「这就是鲜榨橙汁」反应的饮料。他们不断尝试，不断调整，直到 10 个品鉴师中有 9 个说：「这就是橙汁的味道。」

实验室 A 得到「真实」（Real）——橙汁的客观组成；

实验室 B 得到「真相」（True）——橙汁的主观体验。

如果你是品牌方，想推出一款橙汁饮料，你会选择哪个实验室的方案？

「真实」告诉你边界——什么是安全的、合法的、可行的。

「真相」告诉你方向——什么是用户真正想要的、会为之买单的、能创造价值的。

在商业世界，我们经常容易找到了「真实」，但不一定能找到「真相」。

我们知道用户的每一个点击（真实），却不知道点击背后的渴望（真相）；

我们测量了每一个转化率（真实），却不理解转化背后的动机（真相）； 

我们统计了每一个关键词（真实），却不明白词语背后的情感（真相）。

03

大数据的局限

回到开头那个美妆品牌的故事。他们的数据分析无懈可击：

「天然成分」提及量增长 892%；

「敏感肌友好」互动率提升 34%；

竞品平均价格区间 35-45 美元；

目标人群 Instagram 活跃时间晚 8-10 点。

基于这些「洞察」，他们推出了主打天然成分、敏感肌适用、定价 39.99 美元的产品线，并把营销预算的 70%投在了 Instagram 晚间时段。

但他们没有理解的是：

当 25 岁的 Emma 在说「我想要天然护肤品」时，她真正表达的是「我想要一个不那么复杂的生活」。她刚从大学毕业，面对职场压力，怀念校园时代的简单。「天然」对她来说，不是成分表上的植物提取物，而是一种「回归简单」的生活态度；

当 28 岁的 Jessica 提到「敏感肌」时，她其实在说「我受够了不断试错」。她的梳妆台上有 17 瓶半用完的护肤品，每一瓶都代表着一次失望。「敏感肌友好」对她来说，不是低刺激配方，而是「这次不会再让我失望」的承诺。

那个成功的新品牌做对了什么？

他们只深度访谈了 30 个用户，每次 2 小时。创始人亲自参与每一场访谈，不是问「你喜欢什么成分」，而是问「早上照镜子时，你在想什么？」最后，他们的产品文案不是「98%天然成分」，而是「让护肤回归到只需要三步的简单」。不是「敏感肌专用」，而是「我们测试了 1000 次，所以你不用再试错」。

销量差异的背后，是理解深度的差异，

是用「好数据」来实现对「大数据」的祛魅。

注：对比传统工具，Atypica.AI 如何用「好数据」捕捉用户决策深层动机。Atypica.AI 代表了消费者洞察分析的新阶段——从依赖历史数据的被动分析，转向基于智能体的主动模拟。

04

归纳主义的困境

为什么真实的数据不一定代表真相？英国哲学家伯特兰·罗素（Bertrand Russell） 讲过一个故事：

火鸡每天早上 9 点被喂食。它们中的科学家收集了数据：

第 1 天：9 点，食物出现 ✓

第 2 天：9 点，食物出现 ✓

第 3 天：9 点，食物出现 ✓

...

第 364 天：9 点，食物出现 ✓

基于 364 个数据点，火鸡的科学家得出结论：「每天 9 点必然有食物」。

它甚至可以计算出置信度：99.7%。

第 365 天是感恩节。

仅凭过去的重复经验并不能安全地推断未来一定如此，这就是归纳主义（Induction）的致命缺陷：无论你有多少数据，都无法保证下一次会发生什么。归纳主义错误有三个层次：

第一、逻辑层面：从特殊到一般的推理本身就是谬误

想象你是 Netflix 的数据科学家：

• 观察：用户 A 看完《纸牌屋》后看了《绝命毒师》

• 观察：用户 B 看完《纸牌屋》后看了《绝命毒师》

• 观察：用户 C、D、E...都是如此

• 结论：看完《纸牌屋》的人会看《绝命毒师》

但这个结论是怎么得出的？多伊奇提醒我们：在逻辑上，你永远无法从「所有观察到的天鹅都是白的，推出所有天鹅都是白的」。因为你的观察永远是有限的。

第二、实践层面：相关性不等于因果性

即使相关性是真的，也不意味着你理解了原因：

• 数据显示：冰淇淋销量与溺水事故高度相关

• 归纳推理：冰淇淋导致溺水？

• 真实原因：夏天（你没测量的变量）

在商业中，这种错误每天都在发生：

• 使用深色界面的 App 用户留存率更高 → 所以都改成深色模式？

• 购买有机食品的人更长寿 → 所以卖有机食品能让人长寿？

• 周二的转化率最高 → 所以把所有营销预算投到周二？

第三、认识论层面：知识不是从数据中「提取」出来的

这是多伊奇最深刻的洞察。他问了一个问题：如果知识来自归纳，那么第一个知识是从哪里来的？

答案揭示了一个惊人的真相：知识是被创造的，不是被发现的。

05

科学进步来自于猜想

量子物理学家大卫·多伊奇在《无穷的开始》中提出了一个革命性观点：科学理论并不是「推演」而来的，它们就是一些猜想——大胆的推测。正如他所说：「发现一种新的解释，本质上是一种创造性的行为。要把天空中的光点解释成白热的、直径数百万千米的球体，必须先对这类球体有一个概念...这样的想法不会自发产生，也无法根据任何事物机械推演而得：它们必须是猜出来的——随后可以接受批评和检验。」

多伊奇用科学史上最伟大的发现来证明他的观点：

爱因斯坦的相对论：不是因为他有更多实验数据，而是他猜想：「如果光速是恒定的会怎样？」这个猜想违反直觉，但解释了所有已知现象，还预测了新现象。

达尔文的进化论：不是因为他观察了更多物种，而是他猜想：「如果生命通过自然选择演化会怎样？」这个猜想统一了生物学的所有观察。

魏格纳的板块构造理论：不是因为地质学家收集了更多岩石样本，而是魏格纳猜想：「如果大陆在漂移会怎样？」这个当时被嘲笑的猜想，最终解释了地震、火山、山脉的形成。

多伊奇认为：

科学进步的模式不是「观察→归纳→理论」，

而是「问题→猜想→批判→更好的猜想」。

但是，不是所有猜想都有价值。多伊奇定义了「好猜想」的标准，我把它翻译成商业语言：

1.难以篡改（Hard to Vary）：

多伊奇用了一个精妙的例子，为什么科学理论比神话更好？古希腊神话解释冬天：冥后珀耳塞福涅被劫持到冥界，大地女神得墨忒尔伤心，植物停止生长。 科学解释冬天：地球轴倾斜 23.5 度，导致不同季节接收太阳辐射量不同。

区别在哪？神话可以随意修改（为什么是伤心不是愤怒？），但你不能随意把 23.5 度改成 30 度——这个数字是被物理规律锁定的。

商业中的应用：

• 坏猜想：「用户不买是因为价格太高」——这个解释太容易改了，价格低了还可以说「质量感知不足」；

• 好猜想：「千禧一代拒绝抗衰老产品是因为购买行为与自我认知冲突」——这个解释很难随意修改，它指向特定的心理机制。

2.可以检验（Testable）：

好的猜想必须冒着被证伪的风险。如果一个理论怎么都是对的，那它什么都没说。

商业中的应用：

• 坏猜想：「用户想要更好的体验」——怎么验证？什么叫「更好「？

• 好猜想：「职场女性购买护肤品是在购买‘掌控感’」——可以设计实验验证：强调「掌控」vs 强调「呵护」的文案转化率

3.解释深度（Explanatory Depth）： 

多伊奇特别强调好的解释不仅要说明「是什么」，更要解释「为什么」。而且这个解释应该能统一看似无关的现象。

商业中的应用：

• 坏猜想：「用户喜欢简约设计」——只解释了表象

• 好猜想：「信息过载让用户将‘简约’等同于‘可信赖’」——解释了现象背后的心理机制，还能预测其他行为（比如为什么用户也偏好精简的产品线）

06

大数据比好猜想易操作

如果好猜想这么重要，为什么大多数公司还是采用大数据的归纳主义呢？

首先，猜想需要勇气，数据提供安全感：跟老板说「基于数据显示...」永远比说「我的理论是...」更安全。即使失败了，你也可以说「数据当时确实是这样」。

其次，猜想需要跨界的思维模型，理解「身份认知冲突」需要心理学知识，理解「社会资本信号」需要社会学知识。但看懂「点击率提升 23%」只需要会看数据报表。

另外，猜想很难规模化，数据可以自动化，一个优秀的用户研究员一年可能产生 10 个好猜想。一套数据系统一天可以产生 10000 个图表。

在结果和效率驱动的组织里，你选哪个？

最后，猜想的价值很难即时证明，「用户购买奢侈品是在购买‘理想自我’」——这个洞察可能需要整个营销战役才能验证。但最深层的原因是：我们没有工具来增强猜想能力，所以我们用数据归纳取代了猜想。

（如果你是数据分析、市场研究领域的专家，欢迎在本文开头的公众号「范凌的泛谈」留言，加微信讨论）

07

大模型带来的商业启蒙

启蒙运动的核心是人类开始相信通过理性思考和科学方法，我们可以理解世界的运作规律，而不仅仅依赖权威和传统。在商业世界中，我们也可以从依赖数据权威转向理性地理解用户行为的深层机制。大语言模型，有机会让「规模化的猜想」成为可能，Atypica.AI 就是我们的一个尝试。

还记得橙汁的比喻吗？传统的社媒聆听（Social Listening）就像采用「大数据」的方法分析橙汁的化学成分；而 Atypica.AI 采用了「大模型」的方法——它像是将橙汁提炼成浓缩粉，然后用语言模型作为「水」，重新还原成橙汁。

这杯「合成橙汁」虽然不是天然的（真实），但它努力模拟橙汁的完整体验——不仅包括口感、色泽、营养特征（真相），更重要的是模拟了人们品尝橙汁时的认知过程和情感反应。Atypica.AI 通过构建「真实人格智能体」（Real Person Agents），这些智能体保持一致的认知模式、情感反应和决策框架，能够在 85%的准确率上模拟真实人类的行为决策。

为什么这种方法能够产生好的猜想？

当 Atypica.AI 基于社媒数据或访谈语料构建消费者智能体时，它实际上是在回答一个核心问题：「什么样的心理机制和认知框架能够产生这样的表达和行为？」这不是归纳统计，而是解释性理论的构建过程——一种对人类决策机制的科学猜想。

传统方法研究用户就像研究橙汁的化学成分，即使掌握了所有标签，也难以完全重构用户的复杂性。而大模型方法通过「语言模型」来理解商业中的主观因素，自动构建人格画像、进行访谈、分析模式，揭示人类选择背后的情感和认知因素。这个过程的原理和效果可以参见《为什么 AI 可以模拟真实消费者》一文。

让我们看看下面的案例：

案例一：一家食品公司想推出针对年轻白领的圣诞礼盒。

社媒数据显示：

「精美包装」提及率 68%

「实用价值」关注度 52%

「创意设计」互动率增长 35%

Atypica.AI 的发现：

有一群「创意礼物探索者」人格的消费者，他们不是在买礼物，而是在寻找「表达自己品味的载体」；

41%的用户抱怨包装过于复杂——不是因为难拆，而是「感觉像在炫技而不是送礼」；

关键洞察发现，迷你组合装受欢迎，不是因为「尝试多样」，而是「降低送礼失败的风险」。

案例二：护肤品不是护肤品

某国际护肤品牌想了解为什么在中国市场表现不如预期。

社媒数据显示：

价格偏高（提及 3421 次）

效果一般（提及 2156 次）

不适合亚洲肤质（提及 1832 次）

Atypica.AI 的发现：

中国消费者购买高端护肤品时，不是在购买产品，而是在购买一种「掌控感」；

「效果一般」的背后，是「看不到每天的微小进步」的焦虑；

真正的竞争对手不是其他护肤品牌，而是医美项目——「立竿见影」vs「日积月累」

基于这个洞察，品牌推出了「肌肤日记」APP，用 AI 技术追踪每天的细微变化，销量增长 230%。

大模型之所以有机会解决归纳主义问题并形成好猜想，关键在于它有可能改变了认知的基本方式。Atypica.AI 不是在归纳数据模式，而是在科学的构建用户认知的猜想。当大模型基于「访谈」或「社媒数据」等语料构建「消费者智能体」时，它实际上是在回答：「什么样的机制能够产生这样的表达和行为？」这是解释性理论的构建过程，而非归纳推理。但是与科学探索不同，在原来的商业环境中往往需要在短时间内得到结论，因此很难大规模进行快速的创造性猜想。大模型建构的消费者智能体恰好解决了这个问题：

• 多元思维模型：大模型可以同时调用多个思维模型框架（心理学、社会学、行为经济学等），生成关于用户心理机制的多元假设，这相当于拥有了一个跨学科的「猜想生成器」。

• 认知一致性建模：大模型形成的消费者人设不是标签的简单重组，而是通过智能体构建一套具有内在一致性的，并模拟人的认知系统。

• 透明的验证过程：多伊奇强调好解释必须可检验。消费者智能体的独特价值在于其思维过程是「透明」的——我们可以观察它如何从价值观推导出具体行为，验证我们的心理机制理论是否成立。

08

用 atypica.AI，

大模型时代市场研究的一个开始

这正是多伊奇所说的「无穷的开始」：

每一个好的解释都开启了新的问题，

每一个新的问题都需要更好的解释。

知识的增长没有终点，理解的深度没有极限。在大模型时代，我们第一次有机会规模化和加速这个过程：

一边有处理大数据的计算能力（检验我们的猜想）；

一边有理解个体心智的洞察能力（创造更好的猜想）。

本文是一篇还不够严谨的随想，

Atypica.AI 是一个还不成熟的开始，我想邀请大家一起探索……

*欢迎在公众号留言，和我交流