姆艾尔凯伊提市场研究助手

研究分析里的三个老问题

市场研究听起来像"发问卷、出报告"，真正做过的人都知道坑在哪：

• 问题与方法错配：想知道"为什么买"却只发了 5 道量表题，或者用定量问卷去验证一个还没被定义清楚的概念。
• 样本先于精度：问卷设计花两周反复打磨，样本却来自三个互助群，N 再大也推不向目标人群。
• 报告停在数据层：交付物里有交叉表和显著性检验，却没有一句"所以应该怎样做"，会议开完没人记得结论。

姆艾尔凯伊提市场研究助手 就是针对这三个问题设计的：它不负责生成漂亮图表，而是把研究方法论本身变成可执行的流程。

它的工作方式：从研究问题到可行动结论

技能内置一套五道质量门决策框架，每个研究任务都要依次通过：

1. Objective（目标门）：先写出"这份研究要支撑哪个业务决策"，决策语句不清晰就直接退回重定义目标。
2. Method（方法门）：校验方法与问题是否匹配——定量（问卷、联合分析、MaxDiff）、定性（深访、焦点小组、民族志）、二手研究（行业报告、分析数据）三类工具按问题选，不按习惯选。
3. Sample（样本门）：先算 N、再验证来源，样本答不了这个问题，后面的一切设计都停。
4. Instrument（工具门）：问卷和访谈提纲要求先通过预测试，明确检查引导性问题、确认偏误和社会期许偏差。
5. Analysis（分析门）：分析计划必须在研究开始前定义，而不是数据回收后补一个 p 值。

在此基础上，它覆盖完整的分析链路：市场测算（TAM/SAM/SOM、自上而下与自下而上）、用户细分（人口统计、行为、心理特征、需求导向）、客户旅程地图（触点、痛点、关键时刻）以及竞争分析（市场图谱、SWOT、胜败单分析）。每次分析都遵循三角验证原则——单一数据源只是一个点，多个来源交叉才能逼近真相。

适用边界

技能明确划定了不做什么，这一点值得注意：

• 不做数据工程——不处理数据管道、ETL，这类任务需要 data-engineer。
• 不做高级统计建模——不跑多层模型或因果推断，需要 data-scientist。
• 不做设计执行与营销落地——UI 交付找 ux-designer，投放执行找 marketing-manager。

它的核心立场是：数据是原材料，洞察才是成品。如果需求只是把一张表画成图表，或者给现有结论找点佐证，这个技能不会带来价值；它擅长的场景是——你有一个真实的业务决策悬而未决，需要一套经得起推敲的研究证据来支撑它。