做受眾分析時，很多行銷人員第一個問題都是：我的顧客是誰？接著整理年齡、性別、職業與興趣，甚至替他取個名字，寫出一整天的生活。
這些資料不是沒有用途。但如果今天要解決的是「商品為什麼賣不動」，我會更想知道：你描述的這個人，現在真的有購買需求嗎？
兩個人的年齡、興趣與生活習慣很接近，不代表他們會在同一天需要一張床。對其中一個人來說，剛搬家，床是現在就要處理的問題；另一個人家裡的床還很好，看到廣告也未必需要購買。
所以，分析不能只停在「誰可能買」。我更常提醒企業，從When、Where、What、How這四個面向，也就是何時買、在哪裡買、買什麼、如何完成交易，找出具體行為，再追問Why：購買的原因究竟是什麼？
受眾分析有用，但人物相似不等於需求相同
如果你在做品牌定位、規劃溝通語氣，或者思考廣告要呈現什麼生活場景，受眾資料當然能提供方向。問題是，我們常常把「可能符合這種輪廓」直接理解成「現在應該會買」。
尤其家具、床具或其他購買頻率低、單價較高的商品，需求出現的時機很重要。搬家、汰換、空間改變，都可能讓一個原本沒有購買計畫的人開始搜尋。反過來說，即使某個人符合品牌設定的所有條件，也可能暫時不需要。
這不代表相似受眾或人物誌一定沒效果，而是不能期待身分與興趣替你解釋所有成交差異。廣告可以讓顧客認識你、記住你，但要促成當下的交易，還得處理需求、預算、選擇理由與購買阻礙。
我對人物誌比較保留的地方，是有些內容看起來很完整，卻不知道哪些來自訪談或資料，哪些只是行銷人員覺得「這種人應該會這樣」。細節寫得多，不等於對顧客的理解比較深。
不知道顧客姓名，仍然可以研究購買行為
我在2022年曾從Amazon的Store Analytics談這個問題。Amazon當年的官方資料說明，這項服務向品牌提供商品、促銷與廣告表現的彙整、匿名化洞察。值得思考的是：即使品牌沒有取得個別購買者的身分，仍可能從商品表現找到調整方向。
但這不能解讀成「Amazon不再分析受眾」，也不能把彙整資料等同於完全沒有使用行為訊號。這裡想討論的是企業如何閱讀結果，而不是宣稱資料分析已經不需要人。
先看到關聯，再決定故事能不能成立
行銷圈很常用「啤酒與尿布」解釋購物籃分析，接著補上爸爸週末出門採買的故事。我不會把這個流傳案例當成已查證的零售實績，但它剛好能說明一個問題：看到兩件商品一起出現，不代表我們已經知道購買者是誰，更不代表知道他的動機。
假設自己的訂單確實顯示，兩種商品經常在同一時段一起購買，企業可以先測試組合推薦或陳列方式。沒有必要先替顧客安排好家庭分工，才決定下一步。
不過，兩件熱門商品本來就可能經常出現在同一張訂單，也可能只是受到促銷影響。關聯值得研究，卻不能直接拿來證明「放在一起一定賣得更好」。
用3W1H，把受眾分析拉回可以觀察的交易
這裡的3W1H，是我用來整理商品與交易線索的思考方式。Who並沒有被永久刪除，而是先不讓人口輪廓主導全部判斷，看看其他資料能告訴我們什麼。
When：商品在什麼時間產生需求與交易？
先看交易集中在平日還是週末、白天還是晚上，是否跟假期、季節、交屋或特定活動有關。更重要的是，把發現商品、開始比較與最後下單的時間分開。
例如顧客晚上完成購買，不代表晚上才第一次想到要買。他可能白天已在門市看過商品，回家討論後才下單。如果只看付款時間就把所有接觸都移到晚上，反而可能忽略前面的準備過程。
Where：顧客在哪裡接觸，又在哪裡買？
Where可以看交易通路、接觸地點與配送區域，但這幾件事不能混為一談。門市看貨、官網下單與送到另一個地址，可能是同一段購買歷程。
若某個區域的家具訂單增加，值得進一步研究當地是否有入住或裝修需求；但收件地點不一定就是購買者的住處，也不能只憑幾張訂單就判定整個區域都有商機。先把線索縮小，才有辦法決定要補查什麼。
What：顧客關注什麼，最後又買了什麼？
商品被瀏覽、被詢問、加入購物車與完成購買，是不同階段。除了暢銷品，也要看哪些商品關注增加，卻遲遲沒有成交，以及哪些品項經常一起購買。
這些資料能幫助企業思考選品、商品組合與內容規劃。可是分析之前，得先排除缺貨、價格調整或廣告曝光增加等因素，否則很容易把自己做的促銷，誤以為是市場自然形成的新需求。
How：顧客如何完成付款與收貨？
付款方式、配送選項、取貨地點與結帳步驟，也可能影響訂單。顧客想買商品，卻找不到合適的付款或交付方式，跟他根本不需要商品，是兩種不同問題。
如果發現某個步驟流失較多，可以再檢查運費揭露、操作流程與選項限制。資料會指出值得查看的位置，但流失原因仍需要搭配客服回饋、操作測試或詢問確認，不能看到數字就替顧客下結論。
家具與行動電源：同一筆變化，可以有不同解釋
這裡分享一個家具客戶的觀察：高腳桌椅組在短期間出現多筆不同顧客的購買。我們接著從購買地區與當時的市場情況，思考是否跟交屋、裝潢完成及入住需求有關。
這個案例的重點，不是看到桌椅熱賣，就能預測房地產市場；而是商品交易提供了值得追查的線索。如果後續資料支持入住需求這個方向，品牌便可以進一步規劃空間配置、尺寸挑選或交付服務的溝通，而不只重新圈選一個年齡區間。
另一個案例是大容量行動電源的瀏覽增加。很容易想到的原因是停電，但當時也接近暑假，因此我們提出另一個假設：會不會與露營、戶外活動有關？
接著，客戶的行銷人員又從附近戶外用品櫃位的詢問情況，取得可以繼續研究的線索。不過，鄰近櫃位出現相關需求，還不足以證明網站上的瀏覽者就是同一批人，更不能確定所有瀏覽都來自露營用途。
如果要把這個觀察延伸成行銷工作，可以比較備用電力與戶外活動兩種內容，看哪一種帶來更明確的用途詢問與實際訂單。這是在檢驗假設，不能先宣布答案，再只挑支持答案的數字。
商品關注度是起點，成交與使用需求才讓線索更完整
我會留意商品突然變熱門，也會留意顧客在頁面停留的情況，但這些訊號不能單獨等同購買意願。停留時間長，可能是認真比較，也可能是規格難懂；瀏覽變多，可能是需求增加，也可能只是曝光變多。
因此，關注度最好連同後續行為一起看。例如從商品瀏覽、加入購物車、開始結帳到完成購買，哪一段變化最大？Google Analytics的漏斗探索，就是用來檢視使用者完成各步驟情況的一種工具；前提是事件設定與資料收集能正確反映實際流程。
如果瀏覽增加，詢問也變多，卻沒有訂單，可以再看價格、庫存、配送或規格說明。如果訂單增加，則要繼續看買了哪些品項、有沒有退貨，以及商品是否符合原先期待。營收之外的資訊，才比較能幫助企業判斷這個需求值不值得持續經營。
不同平台的資料也要先確認定義。訂單數、購買人數與商品件數不是同一件事，網站瀏覽資料也未必涵蓋所有門市成交。分母與範圍不同，就不能直接拿來比較成效高低。
從一個值得追查的變化開始，而不是先蒐集更多身分資料
對中小企業來說，不必等到擁有大型零售商的資料能力，才能開始做這件事。先挑一項近期關注或交易有變化的商品，把現有資料整理成能回答問題的形式。
- 觀察：哪個商品、時段、通路或交易步驟出現變化？
- 假設：可能來自哪些需求，也有哪些其他解釋？
- 查證：訂單、客服、門市詢問或顧客訪談，能否提供更多依據？
- 行動：先測試哪項內容、商品組合或服務調整？
- 檢查：結果是否改善，還有哪些成本或其他因素要一起考量？
例如懷疑高腳桌椅的需求與新居入住有關，可以先補充小空間搭配、尺寸測量與配送說明，再觀察相關詢問及訂單內容。測試時盡量維持可比較的條件；若同時降價、換廣告、改商品頁，就很難知道究竟是哪項調整產生作用。
人物誌仍可以幫助團隊討論，但應標示哪些是已知、哪些是假設，並隨新資料修正。資料使用也應符合原先約定的目的與授權範圍，重點是讓資訊幫助決策，而不是把每個人辨識得越細越好。
我會建議先問一個問題：暫時拿掉年齡、性別與職業，你還能不能說清楚，顧客在什麼情境下需要你的商品？如果可以，下一步就把這個情境變成能被測試的商品、內容或服務安排。這時候，分析才開始成為行銷工作。