傳統用戶體驗體系過時？ ——如何建立以數據為中心的用戶體驗體系
1. 傳統用戶體驗體系過時？
——如何建立以數據為中心的用戶體驗體系
一． 用戶體驗方法體系的變革
1. 1. 用戶體驗方法體系的宏觀變遷
今天服務業的競爭也發生了翻天覆地的變化——從以服務內容取勝，到服務渠道取勝，到現階段的用戶體驗取勝。從宏觀視角
看，業務戰略方向逐漸深入以用戶為中心的思想，從微觀視角看，在用戶為中心的思想驅動下，企業需要進行一整套的機制流程改變，包括用戶為中心的數據挖掘與
分析，用戶為中心的業務規劃，用戶為中心的營銷規劃，用戶為中心的設計，用戶為中心的績效體系構建等。
傳統業務規劃我們通常只考慮業務之間的邏輯關系，較小的考慮用戶操作視角中形成的一連串的心理反映、行為特征、價值取向
等等，而在用戶為中心的業務規劃中，用戶的每個操作都需要詳細分析，記錄在案，通過行為軌跡綜合分析用戶心理特征，所以能夠更有效的促進用戶完成業務。以
下為傳統業務規劃、傳統用戶體驗體系和以數據為中心的用戶體驗體系對比：
以數據為中心的用戶體驗體系：
• 以用戶為中心的思維方式構建業務框架
• 系統需要滿足不同類型的用戶的個性化需求，其核心為數據挖掘和應用
• 系統需要協助用戶達成實現用戶期望，并幫助用戶發現并實現潛在需求
• 系統需要智能尋找最佳的幫助時機，智能的進行用戶協助
• 系統建設需要考慮未來系統的發展方向，其核心為用戶需求挖掘
1. 2. 用戶體驗方法體系的微觀變遷
在傳統的用戶體驗方法中，我們強調的以用戶為中心的設計，但是我們發現傳統用戶體驗體系（用戶研究——概念設計——可用性測試——產品上線）的績效難以測量、難以管理、難以支持決策。現今在數據分析高度發展的今天，我們建議企業應該建立以數據為中心的用戶體驗體系，協助企業進行全面的用戶體驗管理。我們以用戶購買為例，來分析傳統用戶體驗方法的和以數據為中心的用戶體驗體系的差異：
傳統的用戶體驗體系：
1. 通過用戶研究掌握用戶需求和用戶特性，建立用戶模型（A，B，C，D）
2. 依據用戶模型來進行概念設計，一般會產生與用戶模型一一對因的概念設計成果。
3. 依據概念設計來進行詳細設計，再進行可用性測試來確保產品易用性。
我們發現從設計邏輯上看，傳統的用戶體驗體系非常完美，但是從應用層面則存在幾個無法解決的問題：
1. 用戶研究耗時耗力，所以通過該方法獲得的用戶模型一般不會超過5種用戶類型。但是用戶是多樣性的，通常在極其細分的領域上才會出現用戶行為相似，
尤其在互聯網和移動應用中。傳統用戶研究方法無法將用戶鎖定到非常細的范圍，所以很多企業應用傳統用戶體驗方法后并沒有獲得更好的績效，反而由于對用戶沒
有透徹的了解引發了其它問題。
2. 傳統用戶體驗只考慮用戶類型，不考慮用戶生命周期，拒絕了大批用戶。
3. 傳統用戶體驗方法與用戶使用在時間上不同步，傳統用戶體驗方法只能發現用戶需要什么，為什么離開，而不能幫助當前的用戶找到需要的，不能挽回失去的以及正在失去的用戶。
4. 傳統用戶體驗方法忽略了用戶正在使用心理是不斷變化的，而這恰恰是用戶之所以行動的真正原因。傳統方法而只能面向心理狀態一直沒有發生改變的用戶類型，所以其只能解決人機工學的問題，不能促進用戶行動。
5. 傳統用戶體驗方法以較少的交互流程來評估用戶體驗是否好壞的邏輯與用戶真實行為的邏輯不同，用戶有時需要較慢決策，而有時需要較快決策，所以交互的多少不能作為用戶體驗好壞的評估標準，而應該以用戶決策后滿意度作為評測方法。
6. 傳統用戶體驗方法迫使產品團隊與營銷團隊開戰，并使其成為孤立單元。
以數據為中心的用戶體驗體系：
1. 根據用戶初級研究（用戶特性，需求）進行用戶初級建模。同時數據庫構建時考慮到用戶的多樣性特征可能，考慮到更為細分的情形。
2. 概念設計考慮初級建模結果，為每類用戶設計不同業務模塊，而規劃業務圖譜進行關聯。
3. 詳細設計，初級版本通過可用性測試后，確保基礎用戶體驗良好后上線。
4. 系統上線后，根據用戶更為細分的多樣性特征發現細分用戶的行為特征，總結為更為詳細的細分用戶偏好圖譜，并將該細分類型用戶當時行為特征（who，why，what，when，when）與交互行為（how）進行一一對應，重新修改業務邏輯
5. 不斷調整每個節點上的交互行為，進行A/B測試，進行業績測量，總結經驗。
6. 將整個系統數據化管理，核心數據包括：用戶數據、關鍵節點交互統計數據、業務轉化數據、用戶軌跡數據等。根據用戶的個性提取，結合用戶行為處罰實現個性化解決方案，同時可以通過交互節點的調整實現數據提升，全面提升用戶體驗。
7. 團隊績效管理構建，從產品到營銷進行整體績效管理，從節點上進行控制，從整體上進行把握。
用戶行為分析的核心要素通常是由用戶特征以及企業服務雙向決定的，通常包括以下兩個方面：
A：用戶層面：用戶通常具有部分相似性，我們也可以稱之為個性化。用戶的個性化在某個小范圍內通常具有一致性，而這也構
成了用戶特征劃分的一部分，例如我們通常會聽到：“您的這個衣服真好看，我也想購買“，”我覺得挺好的，小黃肯定喜歡“，”這個真實用，我們家也需要一個
“。根據這個特征我們可以將用戶進行多維度的層層細分，比如：年齡，性別，喜好，學歷，收入，職業，風格偏好，朋友圈等等。我們可以將用戶細分分到一個顆
粒度極小的維度。而我們在業務規劃時，為了方便我們可以標記為: a_b_c_d_e_f_g_User，企業則需要針對細分用戶組織各種業務和服務。
B：企業層面：企業需要非常清楚針對某個大類和小類用戶提供什么樣的服務，依此來決定其營銷，系統，服務等。比如我們可以定義
用戶類型
營銷策略
產品策略
服務
a1_b3_c1_d1_e1_f1_g2_User
a1_b3_c1_d1_e1_f1_g2_M
a1_b3_c1_d1_e1_f1_g2_P
套餐b
a1_b2_c1_d1_e1_f1_g2_User
a1_b3_c1_d1_e1_f1_g2_M
a1_b3_c1_d1_e1_f1_g2_P
套餐c
我們可以針對不同用戶組使用不同的營銷策略和產品策略，而服務套餐則可以進行相關性建議。企業根據不斷調整每個環節的營
銷策略和產品策略以觀察數據變化，將ROI提升到較高水平。完美系統一定是用戶體驗極佳的，系統，營銷與服務能夠結合非常完美的系統，企業能夠對整個系統
的每個節點進行控制，對用戶也有很好的引導性，幫助用戶達成目標期望，以下為系統結構示例：
二． 構建以數據為中心的用戶體驗體系
以數據為中心的用戶體驗組織結構
以數據為中心的用戶體驗組織結構中主要包括三個組織，分別為業務規劃組織（產品），營銷規劃組織（營銷），數據研究中心（研究）。
以數據為中心的組織特征：
階段
產品團隊
數據團隊
營銷團隊
計劃（Plan）
產品規劃
數據庫規劃
營銷規劃
上線（Do）
初級產品上線
數據挖掘與分析
初級營銷執行
分析（Check）
根據數據進行業務重規劃
根據數據提出優化方向建議
根據數據進行全面營銷調整
調整（Action）
總結改進成果，進行更深入探索
總結數據，整理數據關系，數據預測
增加營銷投放，進行營銷
充分發掘數據價值，建立數據為中心的用戶體驗體系
用戶的忠誠度有多高？用戶是有生命周期的，如果我們在適當的機會增加用戶使用價值，能夠有效的提升客戶價值。
如何了解您的用戶？他就在您的數據庫中，這里有更詳細的信息，數據庫能夠幫助你做決策。
數據為中心的用戶體驗體系要求以數據作為溝通的前提，所有的業務都是通過數據來進行規劃和管理。基于數據交互的業務規劃
對象一般是一個系列產品或服務鏈條，通常廣泛應用于通信業，銀行業，保險業，零售業，互聯網行業等。基于數據交互的業務規劃必須以用戶為中心，分析用戶出
現需求的各種時機，并智能匹配以產品或服務，其實現以數據挖掘為核心。
不僅僅業務規劃需要考慮用戶體驗，能否通過良好用戶體驗的營銷來最大化產品價值更是用戶體驗的核心。基于數據的交互式營
銷主要指互動營銷，核心思想為分析用戶的特定時機需求，并根據該需求推薦相關產品或服務滿足用戶需要，廣泛應用于各種行業。
基于數據交互的業務規劃同樣必須以用戶為中心，分析用戶出現需求的各種時機，并智能匹配以產品或服務，其實現同樣以數據挖掘為核心。
如果透過簡單的調查，您可以發現用戶在行為時刻每個時刻的行為意愿是不同的，但某個時刻用戶期望動力大于行動阻力時，立刻產生行動。
用戶總是處在決策的徘徊期，促進用戶行為只需要適當的發力即可。企業在執行業務規劃時一定要根據用戶行為分析從而掌握用戶心理，實際給以適當的推力而不是相反的力量，比如用戶需要的是價格低的產品時，如果營銷重點為尊貴則會產生相反的阻力，反之則形成動力。
三． 數據分析框架的主要事件
主要事件事件描述分類根據業務的需要進行必要的分類，比如對用戶評級的分類，AA等級或AAA等級估計根據業務數據判斷的需要定義需要估計的數據和數據區間值，對業務進行補充和協助，例如根據用戶儲蓄和投資行為估計用戶投資風格預測根據數據的變化趨勢預測數據的發展方向，例如根據歷史投資數據幫助用戶預測投資行情等數據分組根據業務需要對數據進行分組，例如購買A類的用戶通常也會購買B類，購買A的用戶后有一個B周期會產生C行為聚類數據集合的邏輯關系，比如同時擁有A特征和B特征的數據，可以推斷出其也擁有C特征描述描述性數據有助于提取關鍵要素進行數據歸納，例如從數據關鍵詞中進行近似業務營銷，備忘錄等復雜數據挖掘例如Video，Audio，圖形圖像等等
1. 1. 分類（Classification）
• 在業務構建中，最重要的分類一般是對用戶數據的分類，主要用于精準營銷
• 通常分類數據最大的問題在于分類區間的規劃，例如分類區間的顆粒度以及分類區間的區間界限等，分類區間的規劃需要根據業務流來設定，而業務流的設計必須以用戶需要為核心，因此分類的核心思想在于能夠完成滿足用戶需要的業務
• 由于市場需求是變化的，分類通常也是變化的，例如銀行業務中VIP用戶的儲蓄區間
1. 2. 估計（Estimation）
• 通常數據估計是互動營銷的基礎，基于用戶行為進行數據估計為基礎進行互動營銷已經被證實具有較高的業務轉化率，銀行業中通常通過用戶數據估計用戶對金融產品的偏好，電信業務和互聯網業務則通常通過用戶數據估計用戶需要的相關服務或者估計用戶的生命周期
• 數據估計必須基于數據的細分和數據邏輯關聯性，數據估計需要有較高的數據挖掘和數據分析水平
1. 3. 預測（Prediction）
• 根據數據變化趨勢進行未來預測通常是非常有力的產品推廣方式，例如證券業通常會推薦走勢良好的股票，銀行會根據用戶的資本情況協助用戶投資理財以達到某個未來預期，電信行業通常以服務使用的增長來判斷業務擴張和收縮以及營銷等。
• 數據預測通常是多個變量的共同結果，每組變量之間一般會存在某個相互聯系的數值，我們根據每個變量的關系通常可以計算出數據預測值，并以此作為業務決策的依據展開后續行動
1. 4. 數據分組（Affinity Grouping）
• 數據分組是精準營銷的基礎。當數據分組以用戶特征為主要維度時，通常可以用于估計下一次行為的基礎，例如通過用戶使用的服務特征的需要來營銷配套服務和工具，購買了A類產品的用戶一般會有B行為等等。
• 數據分組的難點在于分組維度的合理性，通常其精確性取決于分組邏輯是否與用戶行為特征一致。
1. 5. 聚類（Clustering）
• 數據聚類是數據分析的重點項目之一。例如在健康管理系統中通過癥狀組合可以大致估計病人的疾病，在電信行業產品創新中用戶使用的業務組合通常是構成服務套餐的重要依據，在銀行業產品創新中用戶投資行為聚合也是其金融產品創新的重要依據。
• 數據聚類的要點在于聚類維度選取的正確性，需要不斷的實踐來驗證其可行性
1. 6. 描述（Description）
• 描述性數據的最大效用在于可以對事件進行詳細歸納，通常很多細微的機會發現和靈感啟迪來自于一些描述性的用戶建議，同時用戶更愿意通過描述性的方法來查詢搜索等，這時就需要技術上通過較好的數據關聯方法來協助用戶。
• 描述性數據的使用難點在于大數據量下數據要素提取和歸類，其核心在于要素提取規則以及歸類方法。要素提取和歸類是其能夠被使用的基礎。
1. 7. 復雜數據挖掘
• 復雜數據挖掘比如Video，Audio等，其要素目前依然難以通過技術手段提取，但也可以從上下文與語境中提取一些要素幫助聚類。例如重要用戶標記了高度重要性的Video一般優先權重也應該較高。
• 復雜數據的挖掘目前處理的方式一般通過數據錄入的標準化來解決，核心在于數據錄入標準體系的規劃。建議為了整理的方便，初期規劃是盡可能考慮完善，不僅僅適用現在，而且可以適用于未來。
四． 以數據為中心的用戶體驗體系構建相關技術
1. 1. 數據挖掘技術
• Clickstream Data 點擊流數據
直接訪問數量
訪客來源
訪客地理位置
點擊流跟蹤
• Outcomes Data 結果型數據
訪客（初次訪問數，訪問總數，平均回訪數，關注點）
頁面瀏覽（平均瀏覽數，總PV ，訪問超過一頁的訪客比）
時間（全局，人均）
關鍵行為（如：注冊，購買）
轉化率
相關（Keyword，趨勢，網站
點擊型結果型數據示例：
• Research Data 研究性數據
用戶研究
啟發式評估，用戶體驗測試
用戶屬性（數據庫分析）
用戶期望分析（從數據到服務）
研究性數據挖掘流程示例：
• Competitive Data 競爭性數據
“面”數據測量（大眾分析）
網絡服務數據測量（行業分析）
搜索引擎測量（輿情分析）
競爭性數據示例：
1. 2. 數據分析技術
• 初級數據分析
Click Density Analysis 點擊密度分析
Visitor Primary Purpose 訪客首要目的
Task Completion Rates 任務完成率
Segmented Visitor Trends 用戶分層
Multichannel Impact Analysis 渠道分析
初級數據分析示例：
• 高級數據分析
用戶價值組屬性
用戶特征組屬性
數據估計值組合
數據預期值組合
聚類組合分析
用戶深層次研究
高級數據分析應用示例：如何通過數據分析對不同用戶推薦不同產品
理財規劃思路：
被推銷商品特性：
用戶特性與商品特性的組合決定了營銷策略：
1. 3. 跨渠道的數據交互思想
• 跨渠道數據交互一般服務或者營銷為目的
• 跨渠道數據交互必須用戶為中心
• 跨渠道數據交互能夠給用戶立體式體驗，有效提升品牌體驗
案例：Foursqure跨渠道應用
1. 4. 基于數據的互動式業務規劃
• 基于數據交互的業務規劃對象一般是一個系列產品或服務鏈條，通常廣泛應用于通信業，銀行業，保險業，零售業等
• 基于數據交互的業務規劃必須以用戶為中心，分析用戶出現需求的各種時機，并智能匹配以產品或服務，其實現以數據挖掘為核心
案例：基于數據的互動式業務規劃迅速提升轉化率：
1. 5. 基于數據的互動式營銷規劃
• 基于數據的交互式營銷主要指互動營銷，核心思想為分析用戶的特定時機需求，并根據該需求推薦相關產品或服務滿足用戶需要，廣泛應用于各種行業。
• 基于數據交互的業務規劃同樣必須以用戶為中心，分析用戶出現需求的各種時機，并智能匹配以產品或服務，其實現同樣以數據挖掘為核心。
案例：基于數據的互動式營銷迅速提升業績：
1. 6. 基于數據的交互式業務規劃及營銷規劃應用案例
1. 7. 數據預測
• 數據分析：對照A服務和B服務的使用記錄，使用A服務的用戶在1個月收益小于B服務，而3個月會產生收益大于B服務
• 互動營銷：建議需要1個月服務的用戶使用B服務，建議需要3個月的用戶使用A服務
• 業務創新：面向需要兩個月服務的用戶開發非A非B的C類型服務
五． 組織建設
1. 1. 業務流的持續改進實踐
1. 2. 建設以數據為中心的組織
1. 傳統用戶體驗體系過時？
——如何建立以數據為中心的用戶體驗體系
一． 用戶體驗方法體系的變革
1. 1. 用戶體驗方法體系的宏觀變遷
今天服務業的競爭也發生了翻天覆地的變化——從以服務內容取勝，到服務渠道取勝，到現階段的用戶體驗取勝。從宏觀視角
看，業務戰略方向逐漸深入以用戶為中心的思想，從微觀視角看，在用戶為中心的思想驅動下，企業需要進行一整套的機制流程改變，包括用戶為中心的數據挖掘與
分析，用戶為中心的業務規劃，用戶為中心的營銷規劃，用戶為中心的設計，用戶為中心的績效體系構建等。
傳統業務規劃我們通常只考慮業務之間的邏輯關系，較小的考慮用戶操作視角中形成的一連串的心理反映、行為特征、價值取向
等等，而在用戶為中心的業務規劃中，用戶的每個操作都需要詳細分析，記錄在案，通過行為軌跡綜合分析用戶心理特征，所以能夠更有效的促進用戶完成業務。以
下為傳統業務規劃、傳統用戶體驗體系和以數據為中心的用戶體驗體系對比：
以數據為中心的用戶體驗體系：
• 以用戶為中心的思維方式構建業務框架
• 系統需要滿足不同類型的用戶的個性化需求，其核心為數據挖掘和應用
• 系統需要協助用戶達成實現用戶期望，并幫助用戶發現并實現潛在需求
• 系統需要智能尋找最佳的幫助時機，智能的進行用戶協助
• 系統建設需要考慮未來系統的發展方向，其核心為用戶需求挖掘
1. 2. 用戶體驗方法體系的微觀變遷
在傳統的用戶體驗方法中，我們強調的以用戶為中心的設計，但是我們發現傳統用戶體驗體系（用戶研究——概念設計——可用性測試——產品上線）的績效難以測量、難以管理、難以支持決策。現今在數據分析高度發展的今天，我們建議企業應該建立以數據為中心的用戶體驗體系，協助企業進行全面的用戶體驗管理。我們以用戶購買為例，來分析傳統用戶體驗方法的和以數據為中心的用戶體驗體系的差異：
傳統的用戶體驗體系：
1. 通過用戶研究掌握用戶需求和用戶特性，建立用戶模型（A，B，C，D）
2. 依據用戶模型來進行概念設計，一般會產生與用戶模型一一對因的概念設計成果。
3. 依據概念設計來進行詳細設計，再進行可用性測試來確保產品易用性。
我們發現從設計邏輯上看，傳統的用戶體驗體系非常完美，但是從應用層面則存在幾個無法解決的問題：
1. 用戶研究耗時耗力，所以通過該方法獲得的用戶模型一般不會超過5種用戶類型。但是用戶是多樣性的，通常在極其細分的領域上才會出現用戶行為相似，
尤其在互聯網和移動應用中。傳統用戶研究方法無法將用戶鎖定到非常細的范圍，所以很多企業應用傳統用戶體驗方法后并沒有獲得更好的績效，反而由于對用戶沒
有透徹的了解引發了其它問題。
2. 傳統用戶體驗只考慮用戶類型，不考慮用戶生命周期，拒絕了大批用戶。
3. 傳統用戶體驗方法與用戶使用在時間上不同步，傳統用戶體驗方法只能發現用戶需要什么，為什么離開，而不能幫助當前的用戶找到需要的，不能挽回失去的以及正在失去的用戶。
4. 傳統用戶體驗方法忽略了用戶正在使用心理是不斷變化的，而這恰恰是用戶之所以行動的真正原因。傳統方法而只能面向心理狀態一直沒有發生改變的用戶類型，所以其只能解決人機工學的問題，不能促進用戶行動。
5. 傳統用戶體驗方法以較少的交互流程來評估用戶體驗是否好壞的邏輯與用戶真實行為的邏輯不同，用戶有時需要較慢決策，而有時需要較快決策，所以交互的多少不能作為用戶體驗好壞的評估標準，而應該以用戶決策后滿意度作為評測方法。
6. 傳統用戶體驗方法迫使產品團隊與營銷團隊開戰，并使其成為孤立單元。
以數據為中心的用戶體驗體系：
1. 根據用戶初級研究（用戶特性，需求）進行用戶初級建模。同時數據庫構建時考慮到用戶的多樣性特征可能，考慮到更為細分的情形。
2. 概念設計考慮初級建模結果，為每類用戶設計不同業務模塊，而規劃業務圖譜進行關聯。
3. 詳細設計，初級版本通過可用性測試后，確保基礎用戶體驗良好后上線。
4. 系統上線后，根據用戶更為細分的多樣性特征發現細分用戶的行為特征，總結為更為詳細的細分用戶偏好圖譜，并將該細分類型用戶當時行為特征（who，why，what，when，when）與交互行為（how）進行一一對應，重新修改業務邏輯
5. 不斷調整每個節點上的交互行為，進行A/B測試，進行業績測量，總結經驗。
6. 將整個系統數據化管理，核心數據包括：用戶數據、關鍵節點交互統計數據、業務轉化數據、用戶軌跡數據等。根據用戶的個性提取，結合用戶行為處罰實現個性化解決方案，同時可以通過交互節點的調整實現數據提升，全面提升用戶體驗。
7. 團隊績效管理構建，從產品到營銷進行整體績效管理，從節點上進行控制，從整體上進行把握。
用戶行為分析的核心要素通常是由用戶特征以及企業服務雙向決定的，通常包括以下兩個方面：
A：用戶層面：用戶通常具有部分相似性，我們也可以稱之為個性化。用戶的個性化在某個小范圍內通常具有一致性，而這也構
成了用戶特征劃分的一部分，例如我們通常會聽到：“您的這個衣服真好看，我也想購買“，”我覺得挺好的，小黃肯定喜歡“，”這個真實用，我們家也需要一個
“。根據這個特征我們可以將用戶進行多維度的層層細分，比如：年齡，性別，喜好，學歷，收入，職業，風格偏好，朋友圈等等。我們可以將用戶細分分到一個顆
粒度極小的維度。而我們在業務規劃時，為了方便我們可以標記為: a_b_c_d_e_f_g_User，企業則需要針對細分用戶組織各種業務和服務。
B：企業層面：企業需要非常清楚針對某個大類和小類用戶提供什么樣的服務，依此來決定其營銷，系統，服務等。比如我們可以定義
用戶類型
營銷策略
產品策略
服務
a1_b3_c1_d1_e1_f1_g2_User
a1_b3_c1_d1_e1_f1_g2_M
a1_b3_c1_d1_e1_f1_g2_P
套餐b
a1_b2_c1_d1_e1_f1_g2_User
a1_b3_c1_d1_e1_f1_g2_M
a1_b3_c1_d1_e1_f1_g2_P
套餐c
我們可以針對不同用戶組使用不同的營銷策略和產品策略，而服務套餐則可以進行相關性建議。企業根據不斷調整每個環節的營
銷策略和產品策略以觀察數據變化，將ROI提升到較高水平。完美系統一定是用戶體驗極佳的，系統，營銷與服務能夠結合非常完美的系統，企業能夠對整個系統
的每個節點進行控制，對用戶也有很好的引導性，幫助用戶達成目標期望，以下為系統結構示例：
二． 構建以數據為中心的用戶體驗體系
以數據為中心的用戶體驗組織結構
以數據為中心的用戶體驗組織結構中主要包括三個組織，分別為業務規劃組織（產品），營銷規劃組織（營銷），數據研究中心（研究）。
以數據為中心的組織特征：
階段
產品團隊
數據團隊
營銷團隊
計劃（Plan）
產品規劃
數據庫規劃
營銷規劃
上線（Do）
初級產品上線
數據挖掘與分析
初級營銷執行
分析（Check）
根據數據進行業務重規劃
根據數據提出優化方向建議
根據數據進行全面營銷調整
調整（Action）
總結改進成果，進行更深入探索
總結數據，整理數據關系，數據預測
增加營銷投放，進行營銷
充分發掘數據價值，建立數據為中心的用戶體驗體系
用戶的忠誠度有多高？用戶是有生命周期的，如果我們在適當的機會增加用戶使用價值，能夠有效的提升客戶價值。
如何了解您的用戶？他就在您的數據庫中，這里有更詳細的信息，數據庫能夠幫助你做決策。
數據為中心的用戶體驗體系要求以數據作為溝通的前提，所有的業務都是通過數據來進行規劃和管理。基于數據交互的業務規劃
對象一般是一個系列產品或服務鏈條，通常廣泛應用于通信業，銀行業，保險業，零售業，互聯網行業等。基于數據交互的業務規劃必須以用戶為中心，分析用戶出
現需求的各種時機，并智能匹配以產品或服務，其實現以數據挖掘為核心。
不僅僅業務規劃需要考慮用戶體驗，能否通過良好用戶體驗的營銷來最大化產品價值更是用戶體驗的核心。基于數據的交互式營
銷主要指互動營銷，核心思想為分析用戶的特定時機需求，并根據該需求推薦相關產品或服務滿足用戶需要，廣泛應用于各種行業。
基于數據交互的業務規劃同樣必須以用戶為中心，分析用戶出現需求的各種時機，并智能匹配以產品或服務，其實現同樣以數據挖掘為核心。
如果透過簡單的調查，您可以發現用戶在行為時刻每個時刻的行為意愿是不同的，但某個時刻用戶期望動力大于行動阻力時，立刻產生行動。
用戶總是處在決策的徘徊期，促進用戶行為只需要適當的發力即可。企業在執行業務規劃時一定要根據用戶行為分析從而掌握用戶心理，實際給以適當的推力而不是相反的力量，比如用戶需要的是價格低的產品時，如果營銷重點為尊貴則會產生相反的阻力，反之則形成動力。
三． 數據分析框架的主要事件
主要事件事件描述分類根據業務的需要進行必要的分類，比如對用戶評級的分類，AA等級或AAA等級估計根據業務數據判斷的需要定義需要估計的數據和數據區間值，對業務進行補充和協助，例如根據用戶儲蓄和投資行為估計用戶投資風格預測根據數據的變化趨勢預測數據的發展方向，例如根據歷史投資數據幫助用戶預測投資行情等數據分組根據業務需要對數據進行分組，例如購買A類的用戶通常也會購買B類，購買A的用戶后有一個B周期會產生C行為聚類數據集合的邏輯關系，比如同時擁有A特征和B特征的數據，可以推斷出其也擁有C特征描述描述性數據有助于提取關鍵要素進行數據歸納，例如從數據關鍵詞中進行近似業務營銷，備忘錄等復雜數據挖掘例如Video，Audio，圖形圖像等等
1. 1. 分類（Classification）
• 在業務構建中，最重要的分類一般是對用戶數據的分類，主要用于精準營銷
• 通常分類數據最大的問題在于分類區間的規劃，例如分類區間的顆粒度以及分類區間的區間界限等，分類區間的規劃需要根據業務流來設定，而業務流的設計必須以用戶需要為核心，因此分類的核心思想在于能夠完成滿足用戶需要的業務
• 由于市場需求是變化的，分類通常也是變化的，例如銀行業務中VIP用戶的儲蓄區間
1. 2. 估計（Estimation）
• 通常數據估計是互動營銷的基礎，基于用戶行為進行數據估計為基礎進行互動營銷已經被證實具有較高的業務轉化率，銀行業中通常通過用戶數據估計用戶對金融產品的偏好，電信業務和互聯網業務則通常通過用戶數據估計用戶需要的相關服務或者估計用戶的生命周期
• 數據估計必須基于數據的細分和數據邏輯關聯性，數據估計需要有較高的數據挖掘和數據分析水平
1. 3. 預測（Prediction）
• 根據數據變化趨勢進行未來預測通常是非常有力的產品推廣方式，例如證券業通常會推薦走勢良好的股票，銀行會根據用戶的資本情況協助用戶投資理財以達到某個未來預期，電信行業通常以服務使用的增長來判斷業務擴張和收縮以及營銷等。
• 數據預測通常是多個變量的共同結果，每組變量之間一般會存在某個相互聯系的數值，我們根據每個變量的關系通常可以計算出數據預測值，并以此作為業務決策的依據展開后續行動
1. 4. 數據分組（Affinity Grouping）
• 數據分組是精準營銷的基礎。當數據分組以用戶特征為主要維度時，通常可以用于估計下一次行為的基礎，例如通過用戶使用的服務特征的需要來營銷配套服務和工具，購買了A類產品的用戶一般會有B行為等等。
• 數據分組的難點在于分組維度的合理性，通常其精確性取決于分組邏輯是否與用戶行為特征一致。
1. 5. 聚類（Clustering）
• 數據聚類是數據分析的重點項目之一。例如在健康管理系統中通過癥狀組合可以大致估計病人的疾病，在電信行業產品創新中用戶使用的業務組合通常是構成服務套餐的重要依據，在銀行業產品創新中用戶投資行為聚合也是其金融產品創新的重要依據。
• 數據聚類的要點在于聚類維度選取的正確性，需要不斷的實踐來驗證其可行性
1. 6. 描述（Description）
• 描述性數據的最大效用在于可以對事件進行詳細歸納，通常很多細微的機會發現和靈感啟迪來自于一些描述性的用戶建議，同時用戶更愿意通過描述性的方法來查詢搜索等，這時就需要技術上通過較好的數據關聯方法來協助用戶。
• 描述性數據的使用難點在于大數據量下數據要素提取和歸類，其核心在于要素提取規則以及歸類方法。要素提取和歸類是其能夠被使用的基礎。
1. 7. 復雜數據挖掘
• 復雜數據挖掘比如Video，Audio等，其要素目前依然難以通過技術手段提取，但也可以從上下文與語境中提取一些要素幫助聚類。例如重要用戶標記了高度重要性的Video一般優先權重也應該較高。
• 復雜數據的挖掘目前處理的方式一般通過數據錄入的標準化來解決，核心在于數據錄入標準體系的規劃。建議為了整理的方便，初期規劃是盡可能考慮完善，不僅僅適用現在，而且可以適用于未來。
四． 以數據為中心的用戶體驗體系構建相關技術
1. 1. 數據挖掘技術
• Clickstream Data 點擊流數據
直接訪問數量
訪客來源
訪客地理位置
點擊流跟蹤
• Outcomes Data 結果型數據
訪客（初次訪問數，訪問總數，平均回訪數，關注點）
頁面瀏覽（平均瀏覽數，總PV ，訪問超過一頁的訪客比）
時間（全局，人均）
關鍵行為（如：注冊，購買）
轉化率
相關（Keyword，趨勢，網站
點擊型結果型數據示例：
• Research Data 研究性數據
用戶研究
啟發式評估，用戶體驗測試
用戶屬性（數據庫分析）
用戶期望分析（從數據到服務）
研究性數據挖掘流程示例：
• Competitive Data 競爭性數據
“面”數據測量（大眾分析）
網絡服務數據測量（行業分析）
搜索引擎測量（輿情分析）
競爭性數據示例：
1. 2. 數據分析技術
• 初級數據分析
Click Density Analysis 點擊密度分析
Visitor Primary Purpose 訪客首要目的
Task Completion Rates 任務完成率
Segmented Visitor Trends 用戶分層
Multichannel Impact Analysis 渠道分析
初級數據分析示例：
• 高級數據分析
用戶價值組屬性
用戶特征組屬性
數據估計值組合
數據預期值組合
聚類組合分析
用戶深層次研究
高級數據分析應用示例：如何通過數據分析對不同用戶推薦不同產品
理財規劃思路：
被推銷商品特性：
用戶特性與商品特性的組合決定了營銷策略：
1. 3. 跨渠道的數據交互思想
• 跨渠道數據交互一般服務或者營銷為目的
• 跨渠道數據交互必須用戶為中心
• 跨渠道數據交互能夠給用戶立體式體驗，有效提升品牌體驗
案例：Foursqure跨渠道應用
1. 4. 基于數據的互動式業務規劃
• 基于數據交互的業務規劃對象一般是一個系列產品或服務鏈條，通常廣泛應用于通信業，銀行業，保險業，零售業等
• 基于數據交互的業務規劃必須以用戶為中心，分析用戶出現需求的各種時機，并智能匹配以產品或服務，其實現以數據挖掘為核心
案例：基于數據的互動式業務規劃迅速提升轉化率：
1. 5. 基于數據的互動式營銷規劃
• 基于數據的交互式營銷主要指互動營銷，核心思想為分析用戶的特定時機需求，并根據該需求推薦相關產品或服務滿足用戶需要，廣泛應用于各種行業。
• 基于數據交互的業務規劃同樣必須以用戶為中心，分析用戶出現需求的各種時機，并智能匹配以產品或服務，其實現同樣以數據挖掘為核心。
案例：基于數據的互動式營銷迅速提升業績：
1. 6. 基于數據的交互式業務規劃及營銷規劃應用案例
1. 7. 數據預測
• 數據分析：對照A服務和B服務的使用記錄，使用A服務的用戶在1個月收益小于B服務，而3個月會產生收益大于B服務
• 互動營銷：建議需要1個月服務的用戶使用B服務，建議需要3個月的用戶使用A服務
• 業務創新：面向需要兩個月服務的用戶開發非A非B的C類型服務
五． 組織建設
1. 1. 業務流的持續改進實踐
1. 2. 建設以數據為中心的組織
樂發網超市批發網提供超市貨源信息,超市采購進貨渠道。超市進貨網提供成都食品批發,日用百貨批發信息、微信淘寶網店超市采購信息和超市加盟信息.打造國內超市采購商與批發市場供應廠商搭建網上批發市場平臺,是全國批發市場行業中電子商務權威性網站。
本文來源： 以數據為中心的用戶體驗系統
