1. 传统用户体验体系过时？
——如何建立以数据为中心的用户体验体系
一． 用户体验方法体系的变革
1. 1. 用户体验方法体系的宏观变迁
今天服务业的竞争也发生了翻天覆地的变化——从以服务内容取胜，到服务渠道取胜，到现阶段的用户体验取胜。从宏观视角
看，业务战略方向逐渐深入以用户为中心的思想，从微观视角看，在用户为中心的思想驱动下，企业需要进行一整套的机制流程改变，包括用户为中心的数据挖掘与
分析，用户为中心的业务规划，用户为中心的营销规划，用户为中心的设计，用户为中心的绩效体系构建等。
传统业务规划我们通常只考虑业务之间的逻辑关系，较小的考虑用户操作视角中形成的一连串的心理反映、行为特征、价值取向
等等，而在用户为中心的业务规划中，用户的每个操作都需要详细分析，记录在案，通过行为轨迹综合分析用户心理特征，所以能够更有效的促进用户完成业务。以
下为传统业务规划、传统用户体验体系和以数据为中心的用户体验体系对比：
以数据为中心的用户体验体系：
• 以用户为中心的思维方式构建业务框架
• 系统需要满足不同类型的用户的个性化需求，其核心为数据挖掘和应用
• 系统需要协助用户达成实现用户期望，并帮助用户发现并实现潜在需求
• 系统需要智能寻找最佳的帮助时机，智能的进行用户协助
• 系统建设需要考虑未来系统的发展方向，其核心为用户需求挖掘
1. 2. 用户体验方法体系的微观变迁
在传统的用户体验方法中，我们强调的以用户为中心的设计，但是我们发现传统用户体验体系（用户研究——概念设计——可用性测试——产品上线）的绩效难以测量、难以管理、难以支持决策。现今在数据分析高度发展的今天，我们建议企业应该建立以数据为中心的用户体验体系，协助企业进行全面的用户体验管理。我们以用户购买为例，来分析传统用户体验方法的和以数据为中心的用户体验体系的差异：
传统的用户体验体系：
1. 通过用户研究掌握用户需求和用户特性，建立用户模型（A，B，C，D）
2. 依据用户模型来进行概念设计，一般会产生与用户模型一一对因的概念设计成果。
3. 依据概念设计来进行详细设计，再进行可用性测试来确保产品易用性。
我们发现从设计逻辑上看，传统的用户体验体系非常完美，但是从应用层面则存在几个无法解决的问题：
1. 用户研究耗时耗力，所以通过该方法获得的用户模型一般不会超过5种用户类型。但是用户是多样性的，通常在极其细分的领域上才会出现用户行为相似，
尤其在互联网和移动应用中。传统用户研究方法无法将用户锁定到非常细的范围，所以很多企业应用传统用户体验方法后并没有获得更好的绩效，反而由于对用户没
有透彻的了解引发了其它问题。
2. 传统用户体验只考虑用户类型，不考虑用户生命周期，拒绝了大批用户。
3. 传统用户体验方法与用户使用在时间上不同步，传统用户体验方法只能发现用户需要什么，为什么离开，而不能帮助当前的用户找到需要的，不能挽回失去的以及正在失去的用户。
4. 传统用户体验方法忽略了用户正在使用心理是不断变化的，而这恰恰是用户之所以行动的真正原因。传统方法而只能面向心理状态一直没有发生改变的用户类型，所以其只能解决人机工学的问题，不能促进用户行动。
5. 传统用户体验方法以较少的交互流程来评估用户体验是否好坏的逻辑与用户真实行为的逻辑不同，用户有时需要较慢决策，而有时需要较快决策，所以交互的多少不能作为用户体验好坏的评估标准，而应该以用户决策后满意度作为评测方法。
6. 传统用户体验方法迫使产品团队与营销团队开战，并使其成为孤立单元。
以数据为中心的用户体验体系：
1. 根据用户初级研究（用户特性，需求）进行用户初级建模。同时数据库构建时考虑到用户的多样性特征可能，考虑到更为细分的情形。
2. 概念设计考虑初级建模结果，为每类用户设计不同业务模块，而规划业务图谱进行关联。
3. 详细设计，初级版本通过可用性测试后，确保基础用户体验良好后上线。
4. 系统上线后，根据用户更为细分的多样性特征发现细分用户的行为特征，总结为更为详细的细分用户偏好图谱，并将该细分类型用户当时行为特征（who，why，what，when，when）与交互行为（how）进行一一对应，重新修改业务逻辑
5. 不断调整每个节点上的交互行为，进行A/B测试，进行业绩测量，总结经验。
6. 将整个系统数据化管理，核心数据包括：用户数据、关键节点交互统计数据、业务转化数据、用户轨迹数据等。根据用户的个性提取，结合用户行为处罚实现个性化解决方案，同时可以通过交互节点的调整实现数据提升，全面提升用户体验。
7. 团队绩效管理构建，从产品到营销进行整体绩效管理，从节点上进行控制，从整体上进行把握。
用户行为分析的核心要素通常是由用户特征以及企业服务双向决定的，通常包括以下两个方面：
A：用户层面：用户通常具有部分相似性，我们也可以称之为个性化。用户的个性化在某个小范围内通常具有一致性，而这也构
成了用户特征划分的一部分，例如我们通常会听到：“您的这个衣服真好看，我也想购买“，”我觉得挺好的，小黄肯定喜欢“，”这个真实用，我们家也需要一个
“。根据这个特征我们可以将用户进行多维度的层层细分，比如：年龄，性别，喜好，学历，收入，职业，风格偏好，朋友圈等等。我们可以将用户细分分到一个颗
粒度极小的维度。而我们在业务规划时，为了方便我们可以标记为: a_b_c_d_e_f_g_User，企业则需要针对细分用户组织各种业务和服务。
B：企业层面：企业需要非常清楚针对某个大类和小类用户提供什么样的服务，依此来决定其营销，系统，服务等。比如我们可以定义
用户类型
营销策略
产品策略
服务
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
我们可以针对不同用户组使用不同的营销策略和产品策略，而服务套餐则可以进行相关性建议。企业根据不断调整每个环节的营
销策略和产品策略以观察数据变化，将ROI提升到较高水平。完美系统一定是用户体验极佳的，系统，营销与服务能够结合非常完美的系统，企业能够对整个系统
的每个节点进行控制，对用户也有很好的引导性，帮助用户达成目标期望，以下为系统结构示例：
二． 构建以数据为中心的用户体验体系
以数据为中心的用户体验组织结构
以数据为中心的用户体验组织结构中主要包括三个组织，分别为业务规划组织（产品），营销规划组织（营销），数据研究中心（研究）。
以数据为中心的组织特征：
阶段
产品团队
数据团队
营销团队
计划（Plan）
产品规划
数据库规划
营销规划
上线（Do）
初级产品上线
数据挖掘与分析
初级营销执行
分析（Check）
根据数据进行业务重规划
根据数据提出优化方向建议
根据数据进行全面营销调整
调整（Action）
总结改进成果，进行更深入探索
总结数据，整理数据关系，数据预测
增加营销投放，进行营销
充分发掘数据价值，建立数据为中心的用户体验体系
用户的忠诚度有多高？用户是有生命周期的，如果我们在适当的机会增加用户使用价值，能够有效的提升客户价值。
如何了解您的用户？他就在您的数据库中，这里有更详细的信息，数据库能够帮助你做决策。
数据为中心的用户体验体系要求以数据作为沟通的前提，所有的业务都是通过数据来进行规划和管理。基于数据交互的业务规划
对象一般是一个系列产品或服务链条，通常广泛应用于通信业，银行业，保险业，零售业，互联网行业等。基于数据交互的业务规划必须以用户为中心，分析用户出
现需求的各种时机，并智能匹配以产品或服务，其实现以数据挖掘为核心。
不仅仅业务规划需要考虑用户体验，能否通过良好用户体验的营销来最大化产品价值更是用户体验的核心。基于数据的交互式营
销主要指互动营销，核心思想为分析用户的特定时机需求，并根据该需求推荐相关产品或服务满足用户需要，广泛应用于各种行业。
基于数据交互的业务规划同样必须以用户为中心，分析用户出现需求的各种时机，并智能匹配以产品或服务，其实现同样以数据挖掘为核心。
如果透过简单的调查，您可以发现用户在行为时刻每个时刻的行为意愿是不同的，但某个时刻用户期望动力大于行动阻力时，立刻产生行动。
用户总是处在决策的徘徊期，促进用户行为只需要适当的发力即可。企业在执行业务规划时一定要根据用户行为分析从而掌握用户心理，实际给以适当的推力而不是相反的力量，比如用户需要的是价格低的产品时，如果营销重点为尊贵则会产生相反的阻力，反之则形成动力。
三． 数据分析框架的主要事件
主要事件事件描述分类根据业务的需要进行必要的分类，比如对用户评级的分类，AA等级或AAA等级估计根据业务数据判断的需要定义需要估计的数据和数据区间值，对业务进行补充和协助，例如根据用户储蓄和投资行为估计用户投资风格预测根据数据的变化趋势预测数据的发展方向，例如根据历史投资数据帮助用户预测投资行情等数据分组根据业务需要对数据进行分组，例如购买A类的用户通常也会购买B类，购买A的用户后有一个B周期会产生C行为聚类数据集合的逻辑关系，比如同时拥有A特征和B特征的数据，可以推断出其也拥有C特征描述描述性数据有助于提取关键要素进行数据归纳，例如从数据关键词中进行近似业务营销，备忘录等复杂数据挖掘例如Video，Audio，图形图像等等
1. 1. 分类（Classification）
• 在业务构建中，最重要的分类一般是对用户数据的分类，主要用于精准营销
• 通常分类数据最大的问题在于分类区间的规划，例如分类区间的颗粒度以及分类区间的区间界限等，分类区间的规划需要根据业务流来设定，而业务流的设计必须以用户需要为核心，因此分类的核心思想在于能够完成满足用户需要的业务
• 由于市场需求是变化的，分类通常也是变化的，例如银行业务中VIP用户的储蓄区间
1. 2. 估计（Estimation）
• 通常数据估计是互动营销的基础，基于用户行为进行数据估计为基础进行互动营销已经被证实具有较高的业务转化率，银行业中通常通过用户数据估计用户对金融产品的偏好，电信业务和互联网业务则通常通过用户数据估计用户需要的相关服务或者估计用户的生命周期
• 数据估计必须基于数据的细分和数据逻辑关联性，数据估计需要有较高的数据挖掘和数据分析水平
1. 3. 预测（Prediction）
• 根据数据变化趋势进行未来预测通常是非常有力的产品推广方式，例如证券业通常会推荐走势良好的股票，银行会根据用户的资本情况协助用户投资理财以达到某个未来预期，电信行业通常以服务使用的增长来判断业务扩张和收缩以及营销等。
• 数据预测通常是多个变量的共同结果，每组变量之间一般会存在某个相互联系的数值，我们根据每个变量的关系通常可以计算出数据预测值，并以此作为业务决策的依据展开后续行动
1. 4. 数据分组（Affinity Grouping）
• 数据分组是精准营销的基础。当数据分组以用户特征为主要维度时，通常可以用于估计下一次行为的基础，例如通过用户使用的服务特征的需要来营销配套服务和工具，购买了A类产品的用户一般会有B行为等等。
• 数据分组的难点在于分组维度的合理性，通常其精确性取决于分组逻辑是否与用户行为特征一致。
1. 5. 聚类（Clustering）
• 数据聚类是数据分析的重点项目之一。例如在健康管理系统中通过症状组合可以大致估计病人的疾病，在电信行业产品创新中用户使用的业务组合通常是构成服务套餐的重要依据，在银行业产品创新中用户投资行为聚合也是其金融产品创新的重要依据。
• 数据聚类的要点在于聚类维度选取的正确性，需要不断的实践来验证其可行性
1. 6. 描述（Description）
• 描述性数据的最大效用在于可以对事件进行详细归纳，通常很多细微的机会发现和灵感启迪来自于一些描述性的用户建议，同时用户更愿意通过描述性的方法来查询搜索等，这时就需要技术上通过较好的数据关联方法来协助用户。
• 描述性数据的使用难点在于大数据量下数据要素提取和归类，其核心在于要素提取规则以及归类方法。要素提取和归类是其能够被使用的基础。
1. 7. 复杂数据挖掘
• 复杂数据挖掘比如Video，Audio等，其要素目前依然难以通过技术手段提取，但也可以从上下文与语境中提取一些要素帮助聚类。例如重要用户标记了高度重要性的Video一般优先权重也应该较高。
• 复杂数据的挖掘目前处理的方式一般通过数据录入的标准化来解决，核心在于数据录入标准体系的规划。建议为了整理的方便，初期规划是尽可能考虑完善，不仅仅适用现在，而且可以适用于未来。
四． 以数据为中心的用户体验体系构建相关技术
1. 1. 数据挖掘技术
• Clickstream Data 点击流数据
直接访问数量
访客来源
访客地理位置
点击流跟踪
• Outcomes Data 结果型数据
访客（初次访问数，访问总数，平均回访数，关注点）
页面浏览（平均浏览数，总PV ，访问超过一页的访客比）
时间（全局，人均）
关键行为（如：注册，购买）
转化率
相关（Keyword，趋势，网站
点击型结果型数据示例：
• Research Data 研究性数据
用户研究
启发式评估，用户体验测试
用户属性（数据库分析）
用户期望分析（从数据到服务）
研究性数据挖掘流程示例：
• Competitive Data 竞争性数据
“面”数据测量（大众分析）
网络服务数据测量（行业分析）
搜索引擎测量（舆情分析）
竞争性数据示例：
1. 2. 数据分析技术
• 初级数据分析
Click Density Analysis 点击密度分析
Visitor Primary Purpose 访客首要目的
Task Completion Rates 任务完成率
Segmented Visitor Trends 用户分层
Multichannel Impact Analysis 渠道分析
初级数据分析示例：
• 高级数据分析
用户价值组属性
用户特征组属性
数据估计值组合
数据预期值组合
聚类组合分析
用户深层次研究
高级数据分析应用示例：如何通过数据分析对不同用户推荐不同产品
理财规划思路：
被推销商品特性：
用户特性与商品特性的组合决定了营销策略：
1. 3. 跨渠道的数据交互思想
• 跨渠道数据交互一般服务或者营销为目的
• 跨渠道数据交互必须用户为中心
• 跨渠道数据交互能够给用户立体式体验，有效提升品牌体验
案例：Foursqure跨渠道应用
1. 4. 基于数据的互动式业务规划
• 基于数据交互的业务规划对象一般是一个系列产品或服务链条，通常广泛应用于通信业，银行业，保险业，零售业等
• 基于数据交互的业务规划必须以用户为中心，分析用户出现需求的各种时机，并智能匹配以产品或服务，其实现以数据挖掘为核心
案例：基于数据的互动式业务规划迅速提升转化率：
1. 5. 基于数据的互动式营销规划
• 基于数据的交互式营销主要指互动营销，核心思想为分析用户的特定时机需求，并根据该需求推荐相关产品或服务满足用户需要，广泛应用于各种行业。
• 基于数据交互的业务规划同样必须以用户为中心，分析用户出现需求的各种时机，并智能匹配以产品或服务，其实现同样以数据挖掘为核心。
案例：基于数据的互动式营销迅速提升业绩：
1. 6. 基于数据的交互式业务规划及营销规划应用案例
1. 7. 数据预测
• 数据分析：对照A服务和B服务的使用记录，使用A服务的用户在1个月收益小于B服务，而3个月会产生收益大于B服务
• 互动营销：建议需要1个月服务的用户使用B服务，建议需要3个月的用户使用A服务
• 业务创新：面向需要两个月服务的用户开发非A非B的C类型服务
五． 组织建设
1. 1. 业务流的持续改进实践
1. 2. 建设以数据为中心的组织
乐发网超市批发网提供超市货源信息,超市采购进货渠道。超市进货网提供成都食品批发,日用百货批发信息、微信淘宝网店超市采购信息和超市加盟信息.打造国内超市采购商与批发市场供应厂商搭建网上批发市场平台,是全国批发市场行业中电子商务权威性网站。
本文来源： 以数据为中心的用户体验系统
