編輯導語：數據分析是推動決策的重要環節之一，而若想讓數據真正地產生價值，則可能需要基于一定的運營框架，形成業務價值輸出閉環，進而推動后續優化迭代，提升用戶的產品使用體驗。本篇文章里，作者結合實際經驗，基于企業運營框架SDAF做了一次A/B測試與用戶行為相結合的實踐梳理，不妨來看一下。

伴隨著企業數字化轉型進程的加速及用戶行為分析理念的深入，各種各樣的數據分析模型，比如事件分析、漏斗分析、留存分析等，早已成為企業日常運營不可或缺的“小助手”。

作為大數據分析與營銷科技服務提供商，在我們過去服務客戶的過程中，逐漸意識到，數據分析只是企業數字化轉型過程中的一環，要想讓數據真正對企業產生價值，應該將基于數據流的決策、行動與反饋統統加入進來，也就是基于數據流的企業運營框架 SDAF，即 Sense（感知）、Decision（決策）、Action（行動）、Feedback（反饋），形成一個完整的業務價值產出閉環。

當我們進一步思考，為什么 SDAF 是個環，而且是多個持續不斷的環呢？

這時候我們會發現，這是因為普遍存在兩個痛點：一是目標不精確，可能會導致行動失準、產出失效；二是手段不精確，可能會導致最終產出小于投入。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合，帶來應對用戶變化的解決方案，最大化提升價值產出與效率，持續優化、持續迭代，給用戶帶來更好的體驗“寵愛”。

那么，我們如何應用行為分析和 A/B 測試，達到良好融合、最大化提升價值產出的效率呢？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?！倍业礁軛U，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生單個目標行為，且這類行為通常非常關鍵，可以為后續的產品使用打下堅實基礎，常見如用戶注冊、首單支付、實名認證等等。這類行為對應著我們的業務目標是“轉化”，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生某個行為，或者發生的程度更深，通常是體現產品核心價值的行為，常見如支付訂單、瀏覽內容等等。這類問題通常對應的業務目標是“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 閉環運營框架，詳細為大家介紹 A/B 測試與用戶行為相結合的應用實踐。

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，我們的業務目標是讓更多的用戶沿著正確的路徑做某個事情?？梢酝ㄟ^以下模型進行觀測：

• 漏斗分析：嚴格規定的路徑上，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？

對于周期性的行為，我們的業務目標是讓用戶更多更持久地做某件事，并形成習慣?？梢酝ㄟ^以下模型進行觀測：

• 留存分析：用戶行為的發生在時間上的持續性如何？
• 分布分析：用戶行為的發生頻次（強度）如何？

二、Decision：基于觀測數據，正確使用數據做決策

只有數據是很難產生價值的，所以完成了 Sense 之后，需要做進一步的解讀與決策。我將數據應用總結為以下三點：

1. 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。
2. 做為診斷依據。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。
3. 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，比數據應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節，或者杠桿指標，并進一步定位我們的關注點。

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。比如我們在數據分析中診斷出某電商的輪播圖模塊存在轉化問題，該模塊靠后的幾張廣告的滲透率急劇下降，且經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：基于業務決策，實施 A/B 測試

當我們已經有了比較具體的試驗方向，就可以進一步設計試驗本身的細節，去羅列出試驗實施的幾個要素：

• 試驗的假設：我們所認為的目標和手段之間的因果關系。（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：分析試驗數據，獲取反饋與認知

“反饋”的字面含義，指的是我們從試驗結果中獲得的直接結論，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標語的大圖版本，從數據上來看轉化率是更差的，這是“反饋”。而奢侈品類產品的大圖中加上標語，對用戶來說受到了注意力干擾，影響到體驗產品的美感，這是“認知”。

在統計學中講到，“即使數據上存在顯著差異，我們無論接不接受新的方案，都是有概率犯錯誤的?！币簿褪钦f，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驗。

就像企業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，能夠幫助我們累積得更多，走得更遠！

作者：簡寧，神策數據資深分析師

本文由 @神策數據 發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議