神策数据 AB 测试:以变应变,给用户更好的体验“宠爱”

更新日期:2022年05月24日

       随着企业数字化转型进程的加快和用户行为分析概念的深入,

各种数据分析模型, 如事件分析、漏斗分析、留存分析等, 早已成为企业不可缺少的“小助手”。企业的日常运作。作为大数据分析与营销技术服务商, Sensors Data在过去6年服务了30多个行业的1500多家企业。在这个过程中, 我们逐渐意识到, 数据分析只是企业数字化转型过程的一部分。为了让数据真正为企业带来价值, 基于数据流的决策、行动和反馈都应该加入, 即SDAF, 基于数据流的企业运营框架, 即Sense(感知), 决定(decision), 行动(action)。 )、Feedback(反馈), 形成完整的商业价值输出闭环。当我们进一步思考时, 为什么 SDAF 是一个环和多个连续的环?这时候我们会发现, 这是因为有两个共同的痛点:第一, 目标不精确, 可能导致动作和输出不准确。二是手段不精确, 可能导致最终输出小于输入。这不仅是因为我们自己的认知是有限的, 用户本身也是非常“多变”的。正因如此, Sensors Data推出A/B测试, 结合用户行为分析, 为企业提供应对用户变化的解决方案, 最大化价值输出和效率, 并不断优化迭代, 为用户带来更好的结果。良好的“宠爱”体验。那么我们如何如何应用行为分析和 A/B 测试来实现良好的集成并最大限度地提高价值输出的效率?用通俗的话来形容, 就是:“像投资者一样找杠杆, 像科学家一样做实验”。要找到杠杆作用, 我们必须首先了解我们的目标是什么。如果从用户行为的角度来描述目标,

可以分为一次性行为和周期性行为。一次性行为:我们希望用户尽可能有单一的目标行为, 而这种行为通常是非常关键的,

可以为后续的产品使用打下坚实的基础, 比如用户注册、首付、真实-name 认证等。这类行为对应了我们“转化”的业务目标, 即让更多的用户沿着正确的路径到达目标事件。周期性行为:我们希望用户尽可能多次, 或者更深层次地执行某种行为, 这通常是体现产品核心价值的行为, 例如支付订单、浏览内容等。这类问题通常对应于“参与”或“留存”的业务目标, 即让用户做的事情越来越深入。接下来, 我们将基于Sensors Data提出的SDAF操作框架, 详细介绍A/B测试与用户行为相结合的应用实践。 Sense:使用行为分析模型来感知用户的一次性行为, 我们的业务目标是让更多的用户沿着正确的道路做某事。
       可以通过以下模型进行观察: 漏斗分析:用户如何在严格定义的路径上流失?路径分析:用户群的实际行为如何改道?行为序列:个体用户的实际行为路径如何跳跃?对于周期性的行为, 我们的业务目标是让用户做某事越来越坚持, 并形成一种习惯。可以通过以下模型进行观察: 留存分析:用户行为及时发生的持久性如何?分布分析:用户行为发生的频率(强度)是多少?很难产生价值, 所以在完成Sense之后, 还需要进一步的解读和决策。我将数据应用总结为以下三点: 1.有限的恢复场景。从抽象和框架的角度还原用户的整个决策过程, 例如通过漏斗分析和用户路径分析, 来描述用户的整体行为。 2.作为诊断依据。对用户行为的感知, 通过时间或分类维度的横向和纵向对比, 可以大致判断是否存在问题。 3、进行杠杆排序。知道目前哪个更重要, 哪个暂时不那么重要, 虽然可能会有很多问题, 但是事情还是要一件一件的去做。除此之外, 比数据应用更重要的是知道事情是如何完成的?为了很好地描述这一点, 我通常列出两个表。第一个表被称为:为什么?如果我们对要解决的问题有更准确的理解, 解决的效果当然更好, 所以我们可以从动机、阻力、时机等方面列出可能的原因, 并在主观上做一些排序。 .第二张表叫做:做什么?对于这些工具针对具体原因, 我们可以列出可能的解决方案或解决方案的方向。最后, 使用ICE模型(Impact影响范围, Confidence置信度, Ease实施难度)进行主观排名, 以确定我们在最近一段时间内要做的实验。比如对于电商场景, 我们可以梳理电商的核心路径, 找到核心路径上的薄弱环节或者杠杆指标, 进一步定位我们的关注点。在找到问题页面或模块后, 我们将进一步列出原因和方式。例如, 我们在数据分析中诊断出某电商业务轮播图模块的转换问题。模块后面几个广告的渗透率急剧下降。经过评估, 我们认为这个模块的重要性是比较高的, 我们可以为它进一步列出以下列表: 行动:基于业务决策, 实施A/B测试 当我们已经有了一个更具体的实验方向时, 我们可以进一步设计实验本身的细节, 列出实验实施的几个要素: 实验的假设:我们认为是目标和手段之间的因果关系。 (什么变化会影响什么?为什么?) 实验变体:变化的具体元素, 通常是单个元素, 便于归因。试验指标:用于评估试验成功或失败的指标及其相关指标。实验的受众:将实施实验的用户对象。反馈:分析实验数据以获得反馈和认知“反馈”的字面意思是指我们从实验结果中得到的直接结论理论上, 即实验组之间是否存在差异, 哪个组策略更好或更差。
        “认知”是更深层次的,

也就是我们所学到的、可以沉淀的知识。比如我们客户的某个电商场景, 对于奢侈品的图片加上大版的各种相关标语, 从数据上看转化率更差, 这就是“反馈”。奢侈品大图加标语, 干扰了用户的注意力, 影响了体验品的美感, 也就是“认知”。在统计学上, “即使数据有显着差异, 不管我们是否接受新方案, 都有犯错的概率。”也就是说,

反馈可能是错误的。更糟糕的是, 即使我们得到的反馈是正确的, 我们也可能在认知上是错误的。
       比如我们错误地认为奢侈品大图上最好不要加标语, 但实际上不能只加优惠政策标语, 因为这样看起来很假, 影响客户的信任.适当添加标语也可以增加信任。根据反馈, 我们可以判断最近的试验是否有效, 根据认知, 我们也可以积累更多的累积经验。就像企业一直追求的精细化运作, 背后是这种积沙成塔的效果, 可以帮助我们积累更多, 走得更远!

Copyright © 2006-2022 众成科技有限公司 zhongchengkejiyouxiangongsi ,All Rights Reserved (lailat-khames.com) 粤ICP备2020297756