一、B 端数据在体验上的意义

在体验为王的时代，B 端也在朝着体验精细化迈进，对数据的观测能够帮助设计师能更好地推动客户体验的提升

1. 获得精确客户画像，了解客户及行为模式

设计师大部分没有经营企业的经验，对真实客户的认知存在一定的差距，而且对企业进行调研往往成本很高。数据可以帮忙从企业规模、经营情况、行为偏好等维度补充客户画像。

2. 优化产品结构

B 端产品的功能，纷繁复杂，很容易像一个大集市，几百个功能堆砌。由于，B 端涉及到不同行业、和不同客户角色，功能偏好都是不一样的，可以通过数据，找到不同客户的需求侧重点，优化产品的结构。

3. 提升企业的任务效率

数据可以提供设计更理性的支撑，帮助产品流程优化、功能打磨，提升各个环节的人效，降低成本，从而帮助企业提效

二、数据来源

1. 业务数据：

①客户信息：客户在签约注册或使用产品过程中，填入的基本资料

②客户经理或业务人员对客户进行尽调、服务过程中，对客户资料的补充 。

③交易数据：客户交易过程中产生的结算记录

2. 行为数据：

通过在前端代码植入到对应位置的监控代码，或后端的服务器日志我们可以准确地记录客户对应行为的相关信息。后端日志所获取的数据类型不如前端埋点丰富，以下以前端端埋点为例：

①数据类型：这些信息可以用 what、who、when、where、how5 个单词来概括。

②埋点方式：埋点方式分为半自动化埋点与全自动埋点。一般由公司内部的数据组实现，也可以采用第三方平台，比如友盟、神策分析、growing IO 等等。

半自动埋点：把部分人工的工作进行标准化，做成 SDK，在 APP 或 web 产品中嵌入该段埋点代码。

全自动埋点：不管需不需要，将所有的点都埋了。通常这种埋点也是通过 SDK 实现的，但不需调用，已经直接嵌入在 APP 或 web 产品中了。

半自动化方式的埋点更加精准一点，B 端产品不建议使用全自动化埋点。

3. 外部渠道获取的数据：

①客户在社交媒体上的行为数据。

②客户在电商平台或自身 ERP 系统的交易数据，如建设银行将电商平台和信贷业务结合起来，便于阿里金融为其客户提供无抵押贷款；

③客户的产业链上下游数据。

④其他三方平台数据，如 DMP 推广营销平台。

三、数据维度

1. 基本信息

所属行业、注册资本、公司规模、经营主体、所在城市、关键人特征、成立年限….

2. 行为偏好

点击、浏览、停留、交易..

3. 生命周期

近一个月是否登录、平均访问时长、近三月结算笔数、注册时间超一年…

4. 客户价值

经营流水、是否 EVA、存款年日均、结算金额…

四、常见的体验指标

2. 客户在产品内的参与度情况

3. 评估单个功能的体验指标

任务型功能

落地页/流量分发页

五、常见的数据模型

1. 热力图分析

一目了然的展示客户在页面内的点击热度，用于多个功能入口的集合页，为功能入口调整或页面布局优化提供参考，常用来回答：

1. 客户是否点击了我们希望其互动的内容？
2. 客户感兴趣的内容是否和我们预想的一样？
3. 不同的运营位、不同的内容对客户的吸引力分别是多少

2. 漏斗分析

    漏斗分析主要用于分析一个多步骤完整的任务流程，通过将客户行为起始的各个行为节点作为分析模型节点，来衡量每个节点的转化效果。帮助我们清晰的地了解每一步的转化与流失情况，找出流失原因，提升转化表现。常用来回答：

哪一步是流失最多的步骤？

3. 事件流分析

事件流是了解客户在做完任一行为之后的流向，判断是否符合预设任务路径。也可以搭配漏斗分析，观察某一步未正常转化的客户后续的操作，以此分析转化失败原因，通过事件流分析可以回答以下问题：

1. 客户行为路径是否与预设的路径一致？
2. 产品迭代后，客户行为，路径是否有变化？
3. 此步骤的流失客户去了哪里，为什么流失

4. 客户细查

    客户细查可以展示单个用户的详情，以及单个用户在产品内的行为流。在此基础上，我们可以根据真实的用户足迹来验证某种猜想，或者从产品使用流程中发现潜在的问题，激发更多的灵感；还可以轻松地向具有高价值的用户了解他们使用产品的情况。

5. A/B test

   AB 测试是为产品的界面或流程制作两个（A/B）或多个（A/B/n）版本，在同一时间维度，分别让组成成分相同（相似）的访客群组（目标人群）随机的访问这些版本，收集各群组的用户体验数据和业务数据，最后分析、评估出最好版本，正式采用

六、数据可信度

1. 数据样本不够，呈现的数据会有偏差，无法反应真实规律，所以尽量确保充足的样本量。
2. 存在脏数据，埋点采集过程中出现的 BUG 采集错误，或客户使用过程中的无效输入。需要对脏数据的防控与清洗。