伴隨著企業(yè)數(shù)字化轉(zhuǎn)型進程的加速及用戶行為分析理念的深入，各種各樣的數(shù)據(jù)分析模型，比如事件分析、漏斗分析、留存分析等，早已成為企業(yè)日常運營不可或缺的小助手。
作為大數(shù)據(jù)分析與營銷科技服務(wù)提供商，在我們過去服務(wù)客戶的過程中，逐漸意識到，數(shù)據(jù)分析只是企業(yè)數(shù)字化轉(zhuǎn)型過程中的一環(huán)，要想讓數(shù)據(jù)真正對企業(yè)產(chǎn)生價值，應(yīng)該將基于數(shù)據(jù)流的決策、行動與反饋統(tǒng)統(tǒng)加入進來，也就是基于數(shù)據(jù)流的企業(yè)運營框架 SDAF，即 Sense（感知）、Decision（決策）、Action（行動）、Feedback（反饋），形成一個完整的業(yè)務(wù)價值產(chǎn)出閉環(huán)。
當我們進一步思考，為什么 SDAF 是個環(huán)，而且是多個持續(xù)不斷的環(huán)呢？
這時候我們會發(fā)現(xiàn)，這是因為普遍存在兩個痛點：一是目標不精確，可能會導(dǎo)致行動失準、產(chǎn)出失效；二是手段不精確，可能會導(dǎo)致最終產(chǎn)出小于投入。這不僅是因為我們自身的認知有限，用戶本身也十分善變。
也正是因此，我們希望將 A/B 測試與用戶行為分析結(jié)合，帶來應(yīng)對用戶變化的解決方案，最大化提升價值產(chǎn)出與效率，持續(xù)優(yōu)化、持續(xù)迭代，給用戶帶來更好的體驗寵愛。
那么，我們?nèi)绾螒?yīng)用行為分析和 A/B 測試，達到良好融合、最大化提升價值產(chǎn)出的效率呢？用通俗的話語進行描述，那就是：像投資人一樣找杠桿，像科學家一樣做試驗。而要找到杠桿，首先得理解我們的目標是什么。如果從用戶行為的角度來描述目標，可以分為一次性行為和周期性行為。
一次性行為：我們希望用戶盡可能發(fā)生單個目標行為，且這類行為通常非常關(guān)鍵，可以為后續(xù)的產(chǎn)品使用打下堅實基礎(chǔ)，常見如用戶注冊、首單支付、實名認證等等。這類行為對應(yīng)著我們的業(yè)務(wù)目標是轉(zhuǎn)化，即讓更多用戶沿著正確路徑達成目標事件。
周期性行為：我們希望用戶盡可能多次發(fā)生某個行為，或者發(fā)生的程度更深，通常是體現(xiàn)產(chǎn)品核心價值的行為，常見如支付訂單、瀏覽內(nèi)容等等。這類問題通常對應(yīng)的業(yè)務(wù)目標是參與度或留存，即讓用戶更多更深入地做某件事情。
接下來我們將基于 SDAF 閉環(huán)運營框架，詳細為大家介紹 A/B 測試與用戶行為相結(jié)合的應(yīng)用實踐。
一、Sense：使用行為分析模型，感知用戶行為
對于用戶的一次性行為，我們的業(yè)務(wù)目標是讓更多的用戶沿著正確的路徑做某個事情。可以通過以下模型進行觀測：
- 漏斗分析：嚴格規(guī)定的路徑上，用戶流失情況如何？
- 路徑分析：用戶群體的實際行為路徑如何分流？
- 行為序列：用戶個體的實際行為路徑如何跳轉(zhuǎn)？
對于周期性的行為，我們的業(yè)務(wù)目標是讓用戶更多更持久地做某件事，并形成習慣。可以通過以下模型進行觀測：
- 留存分析：用戶行為的發(fā)生在時間上的持續(xù)性如何？
- 分布分析：用戶行為的發(fā)生頻次（強度）如何？
二、Decision：基于觀測數(shù)據(jù)，正確使用數(shù)據(jù)做決策
只有數(shù)據(jù)是很難產(chǎn)生價值的，所以完成了 Sense 之后，需要做進一步的解讀與決策。我將數(shù)據(jù)應(yīng)用總結(jié)為以下三點：
- 有限還原場景。從抽象過的、框架化的角度還原用戶的整個決策過程，比如通過漏斗分析、用戶路徑分析，就可以描繪用戶的整體行為情況。
- 做為診斷依據(jù)。感知用戶行為，通過時間或分類維度的橫向豎向比較，可以大致確定是否存在問題。
- 進行杠桿排序。知曉當前哪個比較重要，哪個暫時不那么重要，雖然問題可能很多，但事兒還得一件一件干。
除此之外，比數(shù)據(jù)應(yīng)用重要的事情是知道事情怎么做？要描述好這個事情，我通常會列出兩張表。
第一張表叫做：為什么？如果我們對于要解決的問題有更準確的認識，解決起來的效果當然是較好的，因此可以從動力、阻力、時機等角度羅列可能的原因，并做一些主觀上的排序。
第二張表叫做：怎么辦？針對于這些具體原因，我們可以列出可能的方案或者方案的方向。最終使用 ICE 模型（Impact 影響范圍、Confidence 自信程度、Ease 實現(xiàn)難易）進行主觀排序，確定最近的一段時間，我們要做的試驗是什么。
比如針對電商場景，我們可以梳理出電商的核心路徑，并找到核心路徑上的薄弱環(huán)節(jié)，或者杠桿指標，并進一步定位我們的關(guān)注點。
當定位到某個問題頁面或者模塊之后，我們會進一步列出為什么和怎么辦。比如我們在數(shù)據(jù)分析中診斷出某電商的輪播圖模塊存在轉(zhuǎn)化問題，該模塊靠后的幾張廣告的滲透率急劇下降，且經(jīng)評估我們認為該模塊的重要度比較高，我們就可以進一步針對其列出以下列表：
三、Action：基于業(yè)務(wù)決策，實施 A/B 測試
當我們已經(jīng)有了比較具體的試驗方向，就可以進一步設(shè)計試驗本身的細節(jié)，去羅列出試驗實施的幾個要素：
- 試驗的假設(shè)：我們所認為的目標和手段之間的因果關(guān)系。（改動什么會影響什么？原因是什么？）
- 試驗的變量：具體的改動元素，通常是單一元素，方便歸因。
- 試驗的指標：評估試驗成敗的指標及其相關(guān)指標。
- 試驗的受眾：具體實施試驗的用戶對象。
四、Feedback：分析試驗數(shù)據(jù)，獲取反饋與認知
反饋的字面含義，指的是我們從試驗結(jié)果中獲得的直接結(jié)論，即各試驗組是否有差異，哪組策略更好或是更壞。而認知卻是更深一層的，即我們學到的、可以被沉淀的知識。
比如在我司客戶的某個電商場景中，對于奢侈品的圖片加上各種相關(guān)標語的大圖版本，從數(shù)據(jù)上來看轉(zhuǎn)化率是更差的，這是反饋。而奢侈品類產(chǎn)品的大圖中加上標語，對用戶來說受到了注意力干擾，影響到體驗產(chǎn)品的美感，這是認知。
在統(tǒng)計學中講到，即使數(shù)據(jù)上存在顯著差異，我們無論接不接受新的方案，都是有概率犯錯誤的。也就是說，反饋可能是錯誤的。
更要命的是，即使我們得到的反饋是對的，也可能在認知上犯錯誤。比如我們錯誤的認為，奢侈品的大圖上不加標語是更好的，但實際上，只是不能只加優(yōu)惠政策類標語，因為這看起來會很山寨，影響客戶的信任度，恰當添加標語也可以提升信任度。
基于反饋，我們可以判定最近的試驗是否有效，基于認知，我們也可以沉淀更多可累積的經(jīng)驗。
就像企業(yè)一直追求的精細化運營，其背后就是這種聚沙成塔式累積的效應(yīng)，能夠幫助我們累積得更多，走得更遠！
看完覺得寫得好的，不防打賞一元，以支持藍海情報網(wǎng)揭秘更多好的項目。
感謝您的支持，我會繼續(xù)努力的!
打開支付寶掃一掃，即可進行掃碼打賞哦
手機直接保存圖片,掃一掃識別二維碼,即可進行掃碼打賞哦
