"如果我问人们想要什么,他们会说要更快的马。"这句经常被归于亨利·福特的名言(虽然其真实性仍有争议)已成为创新者常用的论据。普遍的理解是:客户并不总是知道自己想要什么,所以询问他们是毫无意义的。
但这种理解并不完全正确。虽然人们可能没有想象到汽车的出现,但他们确实表达了对更快、更高效、更舒适的出行方式的渴望。关键的洞察并不在于马本身,而在于解决速度和便利性的问题。创新成功的关键在于发现这些深层需求,并将其转化为人们尚未意识到可能实现的解决方案。
真正要完成的任务 创新的核心是"要完成的任务"理念。人们购买产品不仅仅是为了拥有它们,而是为了完成特定目标,无论是从 A 点到达 B 点,获得娱乐,还是管理健康。认为客户因为没有完整的未来愿景就认定他们的意见毫无价值,这是一个错误。真正的任务是要倾听言外之意,识别潜在问题。
如果福特(或者这句话的原创者)问人们"出行中什么让你感到困扰?"而不是"你想要什么?",答案会揭示明确的主题:速度、舒适度和实用性。汽车并不是对客户直接要求的回应,而是对观察到的需求的创新答案。
创新并非纯靠猜测 优秀的创新者并不依赖客户来设计未来,但他们确实依赖客户洞察来塑造未来。他们分析行为、痛点和愿望,超越表面话语,关注人们的行为、困境以及期望改变的地方。
史蒂夫·乔布斯经常被视为不询问客户需求的典范。但苹果的成功并非建立在忽视用户基础上,而是建立在对用户体验的极度关注上。iPhone 的诞生不是源于触摸屏设备的焦点小组讨论,而是源于对移动技术痛点的深刻理解和创造更好产品的机会把握。
CX 团队在推动创新中的角色 这就是为什么客户体验 (CX) 团队能够很好地推动有意义的创新。他们能直接接触到客户行为、挑战和未满足的需求。他们的角色不仅仅是收集反馈,还包括发现真实的痛点和行为模式。
通过识别摩擦点并将其转化为可行的洞察,CX 团队帮助确保创新扎根于真实用户需求,而不是假设。他们通过关注实际要完成的任务,防止企业陷入"更快的马"的陷阱。
创新必须与商业成功保持一致 当然,解决客户问题只是等式的一部分。要使创新可持续,它还必须与公司的专业知识相匹配并创造商业价值。
企业必须利用自身优势——无论是深厚的行业知识、技术能力还是运营效率——来创造不仅令人向往,而且可扩展并具有商业可行性的解决方案。
特斯拉就是一个很好的例子。虽然人们想要更可持续的交通工具,但电动汽车的大规模普及只有在特斯拉将客户需求与其在电池技术、软件集成和高端定位方面的专业知识相结合时才真正启动。这不仅仅是解决问题,而是提供一个客户认可的、盈利的、差异化的解决方案。
对于数字产品而言,这意味着要平衡以客户为中心的设计与商业目标。例如,一家制药公司投资开发面向医疗保健专业人士的数字体验时,必须确保平台不仅用户友好,还能推动参与度、增强品牌信任度,并最终支持商业目标。
创新的最佳切入点在于以下三个方面的交集:
未满足的客户需求 - 以有意义的方式解决实际问题。
公司专长和能力 - 利用优势创造独特产品。
商业价值 - 确保解决方案可扩展且盈利。
将其应用于数字创新 在医疗保健和制药等行业,倾听客户的困扰至关重要。用户可能不会明确要求简化的、个性化的或 AI 驱动的数字体验——但他们会表达对复杂性、效率低下和不清晰的不满。关键不是问"你想要什么功能?",而是要识别真正的问题并设计能解决问题的体验。
同时,这些解决方案必须带来可衡量的业务影响。无论是改善患者支持计划的依从性,增加医疗保健专业人士的参与度,还是简化内部工作流程,最佳的数字体验都能为企业和客户带来价值。
教训是什么?客户的意见并非无关紧要——我们只需要提出更好的问题,更仔细地观察,并将洞察转化为推动行业前进的解决方案。创新者的真正角色不是给人们他们要求的东西,而是理解他们真正需要什么——并以一种具有商业意义的方式来实现它。
好文章,需要你的鼓励
康奈尔大学研究显示,大语言模型驱动的流量转化率比传统搜索高出近9倍。预计到2028年,更多用户将通过ChatGPT等LLM发现产品信息,而非传统搜索引擎。这种转变正在加速发生。LLM流量表现更像个人推荐而非关键词查询,用户查询长度已达23个词,会话时长超6分钟。品牌需要从SEO转向答案引擎优化AEO,确保在LLM对话中被提及,否则将变得不可见。
泰国SCBX金融集团开发的DoTA-RAG系统通过动态路由和混合检索技术,成功解决了大规模知识库检索中速度与准确性难以兼得的难题。系统将1500万文档的搜索空间缩小92%,响应时间从100秒降至35秒,正确性评分提升96%,为企业级智能问答系统提供了实用的技术方案。
Meta豪掷150亿美元押注AI数据工厂Scale AI,19岁辍学的华裔天才如何用"认知套利"打造138亿美元独角兽?"当80%行业信息都是噪音时,独立判断比技术优势更持久。"
中科院和字节跳动联合开发了VGR视觉锚定推理系统,突破了传统AI只能粗略"看图"的局限。该系统能在推理过程中主动关注图片关键区域,像人类一样仔细观察细节后再得出结论。实验显示VGR在图表理解等任务上性能大幅提升,同时计算效率更高,代表了多模态AI"可视化推理"的重要进展。