本文将围绕关于业务闭环的全新概念 —— SDAF 展开。SDAF 框架颠覆了传统模式，数据不是作为一个流，从头流到尾全职美工，而是作为一个中心，从 SDAF 四个环节完成了一个闭环，让整个公司及业务的所有角色都能够在闭环中发生作用。以下，且看笔者分享。
在加入神策之前，我一直在 C 端，在做业务的过程中，我发现在一家企业不管是做产品还是运营，其流程均可以包含在 SDAF 框架中，概括来说均是从发现想法/机会到策划/设计、研发、上线/投放最后进行反馈复盘。
值得强调的是，SDAF 框架中数据驱动是关键影响因子。原步骤中的数据流向是什么样呢？
一般在研发环节定义数据，即需要采集什么数据，然后在上线、投放的过程中用户使用后产生数据，然后在反馈环节分析数据。
在原来的数据流向里，数据驱动往往是从最后的反馈环节，反向驱动整个流程，因为直到最后一步才有数据，该部分的相关人员往往是关注数据的产品经理或者数据分析师，这将引发一个问题。
如下图，整个数据驱动从尾部到头部不断减弱，如我在过去公司负责产品时，数据团队提出的一些建议也很难说服产品进行调整。
因此，光看不做的数据驱动，没有任何意义。即使尾部不断输出各种数据报告和洞察，但改变不了前面的决策环节，将毫无作用。
但是，SDAF 框架颠覆了传统模式，数据不是作为一个流，从头流到尾，而是作为一个中心，从 SDAF 四个环节完成了一个闭环，让整个公司及业务的所有角色都能够在闭环中发生作用。
下面我将从观察到动作展开介绍 SDAF 闭环。文中数据均为模拟。
Sense：从抽象的数据中形成对业务和用户的洞察具体来说，感知可以从两个方面理解。
其一，从抽象数据中观察，完成对业务流程的感知，如银行、品牌零售等行业，过去他们对线下业务流程，如客户进店的走向，货架摆放设计等熟知，但当把业务从线下搬到线上时，他们对线上流量、用户留存，及商品 SKU 的展现销售情况可能并不清楚，只能看到最终的数据。
但结合 SDAF 闭环与数据分析产品可以进行真实业务流程的还原与各环节分析。下面举几个例子：
分组漏斗还原转化流程阻塞节点。漏斗分析模型可以辅助还原真实业务场景，如下图：
这是一个常见的例子，漏斗从 APP 启动、商品详情、加购物车到结算、生成订单、最后变成一个有效订单。
该流程是通用的，但仅看漏斗分析的价值有限，针对此，可以对漏斗进行分组，比如针对结算到生成订单这一环节，可以针对点了结算、但没有生成订单的人进行分组。
如按照订单的金额进行分组，分完组后发现，价格比较高的订单转化顺畅，转化失败的订单均是价格比较低的订单。
经过深入分析发现，该企业的包邮金额正好卡在 50 美元限额的地方，是否包邮对订单的转化影响非常大，针对这一现状企业可以进行一些优化，如是否需要补贴运费等，不管最终的决策是什么，企业一旦发现了业务流程中隐藏的真相后，每一步的转化就在掌控之中。
再比如，可以通过归因分析发现订单主要贡献来源。
企业的产品首页往往会有各种运营位、活动、文章推荐等，但运营不是堆功能或玩法，到底哪些对最终的成单有促进作用，如果只简单用漏斗分析较难区分，如某些用户会点击所有运营位，如何判断是哪个运营位对用户的购买有促进作用呢？
使用归因分析，可以明确地了解各个运营位与最终成交行为的关联性，将用户产生的零散行为有效联系起来，从关联关系中对业务流程产生更清晰的认知。
第三个例子，精准留存分析，发现潜在运营机会。
很多公司也会看大盘留存，如次日、次周次月留存是多少，但对于企业来说，如果不是产品进行了天翻地覆的变化或给产品引入了新的价值等，留存很难发生较大变化，虽然留存可能不是标准的日常判断指标，但在留存中也具备极高的分析价值，不用看大盘留存，而是看具体行为。
比如，运营可以看内容浏览，并按照内容的分类和标签进行分组。
从下图我们也能看出，游戏分类中的人首次看到推荐内容，后续还会继续看游戏内容，但其他类型的重复浏览的比率较小。从中我们会发现部分内容留存很高，但浏览人数不多，是否可以考虑在社区产品中加大游戏内容的推广投放，可能产品的目标人群偏好这些内容。通过留存分析模型可以在抽象数据中发现规律与特征。
此外，运营也可以通过用户画像，感知用户群体特征，精细化对比，比如有两组用户，其中一组是高价值的用户，另一组是流失预警用户，运营人员会疑惑同样的产品运营，造成这两个不同结果的差别在哪？
通过用户画像分组可进行用户特质的分析，从而判断用户的潜在风险，进行用户健康度预警。
在还原真实业务流程的基础上，进行目标用户群的分析，如了解公司用户都是什么样的人，他们有什么样的特征、什么样的特点。如下图，通过用户画像，感知用户群体特征，观察用户画像。
如图所示，不仅可以看用户组、用户的大群体，我们也可以分析单个用户画像，查看各种各样的规则标签。
在该层次上，不仅是单独的分析工具，还可以满足小型 CRM 需求或市场客户需求，通过用户群体画像和单用户画像协同支持。此时，便是在 Sense 环节上要解决的问题，需了解业务流程到底发生了什么？用户到底是谁？其有什么样的特征？
因此，在感知环节的两个关键是形成公司业务流程认知以及用户认知。
Decision：感性与理性的平衡，人与机器共同决策在 Sense 环节我们知道有什么问题全职美工，也知道了我们的用户群体有什么样的标签及特征，下一步进入决策阶段，需要做什么来改变我们用户表现。当对业务流程和用户形成了准确的认知之后，企业可以基于此做决策。在决策的过程中，人处理的信息是有限的，此时可以把机器引进来，让人跟机器共同决策。举例如下：
1. 基于智能推荐，实现千人千面精准运营，让产品更懂用户有限访问机会中没有及时让用户看到心动的商品、活动等信息，意味着离开和卸载。快速抓住用户眼球的有效手段之一是通过对人和物的精准匹配，在适当的阶段给用户呈现 TA 更感兴趣的信息，提高用户决策效率，达到提升留存、转化、付费的目的。
而人的消费全生命周期在一个产品里面，一个新用户从第一天来到产品，首先会有新人欢迎环节，同时提供新人礼包，在不了解其任何喜好时，会尽可能推荐我们在社区中最热门的商品，促进用户的转化。
当用户有购买行为后，便可获取偏好，并根据其浏览兴趣、购买兴趣进行商品推荐，同时也会展示老客活动轮播，以及后续的积分换购轮播、入会提醒、续费特惠轮播促进会员转换或复购等。如下图：
具体运营策略举例如下：
新用户：启动 APP 后显示欢迎语、首页轮播图展示新人礼包、物品列表推荐热门物品。
当用户有一定加购、购买等转化行为：
1）根据用户浏览、加购、购买的行为推荐个性化商品
2）首页轮播图展示面向老客的活动轮播
成熟用户：
1）给积分达到 XX 数的用户轮播积分换购活动；
2）给未入会用户轮播会员活动；
3）给会员临近到期用户推荐续费特惠活动。
2. 基于业务规则把合适的物品推给对的 TA在这个过程中，更智能一点是根据不同的人的个性化判断进行更恰当的推荐，其中一些可能是人进行决策，而其他一部分可以交给机器决策，人决策的部分可能是在个性化引擎中进行智能推荐的筛选设置，如下图：
在这个过程中运营人员可以直接设置并预览符合设置条件的用户可看到什么样的内容，不用真实设备进行测试，避免了过去内部开发的系统在测试时需要扮演成一个假用户进行刷网页、不同型号手机测试等。使用个性化推荐引擎，只需要设置好规则，即可还原真实用户，验证运营玩法。
通过人与机器的结合可以实现运营设置的效率化，和运营推荐的个性化。具体举例如下：
策略依据：用户的浏览、加购行为反映了用户的个人需求和偏好，根据用户的自然行为结果推荐相关商品极有可能吸引用户。
策略规则：
1）根据用户过去 30 天浏览、加购的行为计算用户偏好，例如：用户过去 30 天加购次数最多的商品分类。
2）给用户推荐偏好商品类型下的热销商品。
推荐结果：
用户 1:一线城市、25～30 岁男士，近期浏览/加购过啤酒、足球、汽车模型，说明其对同类商品感兴趣，推荐结果如图。
用户 2：一线城市、25～30 岁男士，同时也是年奶爸，近期除了加购过啤酒外，还浏览过儿童玩具、购买过水果，推荐结果包含：儿童玩具、啤酒、水果。
3. 基于算法模型自动实现个性化智能推荐也可基于算法模型自动实现个性化，可以根据用户行为的数据分析用户偏好，电商美工外包网并直接在后台设置推荐的热门排序、内容的筛选、劣质内容的剔除等，整个过程无需研发介入，运营可直接在后台配置，只需基于智能算法，便可以轻松完成智能推荐。
Action：基于数据的全方位智能触达手段在动作阶段，有三个核心关键词：基于数据、全方位、智能。
1. Action：基于数据的日常运营动作个性化刚开始决定做 Action 时，一些种子用户不理解，市面上已有很多推送供应商，为何你还要做推送？核心原因是供应商有发信息、短信的手段，但不是基于数据做的，其中有天壤之别。
以智能运营的一个基础运营场景为例，企业可以基于数据的日常运营动作个性化，如下图：
运营同事可以直接创建一个画布，根据不同的人群筛选定时推送，如上图设置了服饰鞋包、美容化妆、家用电器三类推送，给不同偏好的人群进行个性化推送。
肯定比全量推送高，并且只需轻轻点几下就可以实现，不用找研发跑用户标签，也不需要把标签数据导出再放到推送系统再发送。另一方面，用户画像系统与智能运营系统完全打通，运营动作的推进效果不用多说。
例子中提到的浏览品类倾向的标签是根据用户画像的算法规则得出的，如最近浏览了 5 个家电商品，将会判定该用户属于家用电器用户群，同时结合规则算法，每天都会更新标签，如可能后续该用户开始经常浏览服饰鞋包，便分入服饰鞋包用户群，动态的标签与实时的运营策略结合，便是基于数据的魅力。
2. Action：用户主动触发的运营动作什么叫做智能触发呢？
一般的运营活动的思路是运营主动，如今年的 618，我们配合一些企业做运营活动，是每天晚上十点定时把浏览但没有转化的订单用户筛选出来，批量发短信促成交。
这种运营主动的方式是有效果的，而且效果不错。但能不能做的更好呢?比如，用户在下午 1 点产生购买倾向，三点多在 A 电商没有下单可能在 B 电商购买了，A 电商晚上 10 点发促转化消息，可能效果会减弱。
因此，我们认为一个好的运营活动不应该依赖于运营者本身，而是以用户为主角，避免运营者疏忽或者选择的时机不对影响效果。
在智能运营系统中，有一个触发型运营功能叫做完成 A 未完成 B，运营者可以设置他完成 A（提交订单），但是在 15 分钟之内（时间可以自己设置）没有完成 B（支付订单），可以进行一些促转化的消息触发，促进用户的购买动作。
如先给用户发一个 push 提醒支付，若没效果，可以再发短信进行召回，如果还是没效果，可以在一小时未支付时发一个限时优惠券，整个过程可以根据平常的用户购买习惯，进行自动化设置，后续整个运营过程是以用户为主角自发的，不用依靠固定的运营人力每天固定时间点猜想用户行为进行推送动作。
同时，除了可以发短信、push 以及接入发优惠券的业务系统，运营系统最好可以兼容整个微信生态，做微信消息、小程序、对话等方式的触达。
3. Action：全面的触达手段的价值有时候回访客户时发现，有些客户只用 push 的触达方式，没有释放产品的完整运营价值，我一般会建议其多接一些触达用户的通道，增加的通道不是 1+1=2 的简单效果叠加，而是指数级的价值增长。
如上图，我一直认为大部分偏营销向的运营动作可以分成两类。第一类，在用户要转化但未转化的敏感时间点做实时营销，全部动作的主要目的是成单；另一类是，在用户转化完成后，可以基于用户的偏好及生命周期阶段做持续营销。
比如前面已经举过的一个例子，当用户要支付但未支付时，可分别通过客服消息、短信触达，及优惠券促转化。可以在智能运营中设置先干什么，再干什么，如果还没有转化可以继续触达，如针对客单价比较高的客户，可以设置专属的客服跟进。
在这个过程中只有把公司的短信、push、企业微信的通道都接到智能运营里才能让信息在中间流转，如果企业只接一个 push 通道，再好的运营策略也只能受限于通道，如果你增加接入多个通道，会将你的经营计划及能量放大很多倍。
持续营销也同理，只有接入更多的触达用户通道，才能更个性化更有效地触达，结合个性化引擎，运营人员可以根据用户标签及多元化的触发条件，让不同的用户在同样的位置上看到其偏好的不一样的内容。
同时，结合智能推荐系统，根据不同的浏览形式和历史特征，让用户在热门推荐及信息流中每次看到的东西都不一样，都是根据其最新的偏好进行推荐的。
如给新用户推送促进其首单转化的优惠力度大的商品，给老用户推送高品质商品促进复购等，在整个持续营销过程中，你只有把尽可能多的运营位置，如 banner 位、信息流、短信、push 等全部汇聚在一起，才能够将标签体系尽可能的丰富，并释放标签的价值。
Feedback：全面实时的数据反馈在反馈环节也有两个关键词，全面和实时。
第一，全面。
画册外包将各种各样的数据导入进来，不仅是导入进来，还要把不同的数据孤岛打通，这样才能真实的还原业务流程，提供动态的数据画像。下图中的系统支持数据的全面打通，基于 One ID 和全端数据接入能力，连通数据孤岛还原完整业务流程，提供动态用户画像。
第二个关键词，实时。下图为智能运营的一个数据概览：
大家不要小看实时两个字，在智能运营中，企业设置了一个运营推送活动，运营做完这个活动可以直接查看数据，不需要等待明天或者找数据分析师进行提数分析，运营活动一旦开始就可以实时查看数据，若设置了对照组，也可以直接看到对照组的效果。
在做运营活动时，我们可以提前设置主要目标和次要目标，在查看效果时直观的进行好坏判断，并可以根据数据反馈，快速进行运营活动文案、触达逻辑等调优。
前面简单介绍了 SDAF 理念的应用，不夸张地说在国内厂商中较难找到一家厂商在 SDAF 四个环节能够提供对应的产品，并且有效的打通运营闭环，满足数字化运营的需求。
SDAF 闭环的三大价值最后，我提炼一下，企业应用 SDAF 闭环的价值：
1.观察和动作统一在一个平台后，知行合一，效率大增过去企业常遇到的问题是提数和推送的位置对不上，其中的数据洞察会出现偏差，比如企业内部的数据标签很有价值，但无法将标签应用到微信后台进行推送，导致效果大大减弱，但通过数据分析看动作、用户画像的标签可以应用于智能运营，实现知行合一，让所有的数据流自由流动。
2.运营没有魔法，没有什么策略能一蹴而就如上图左半部分展示的这是常规的运营流程，从有想法到上线，半个月过去了。
但是看前面的例子，结合图中右半部分，你可以看到通过智能运营不到一天不仅想法可落地，还可以在过程中对照组测试，持续迭代，并将用户偏好的认知沉淀下来。
在整个过程中，速度足够快，不管是优化策略，还是改进错误都可以及时进行，避免损失，也可以尽可能快的加强业务认知并做好运营。
3. 基于观察的共识，形成动作的合力我觉得一定要基于观察的共识，最后所有人才能实现动作的合力，因为我们会发现不同的角色使用数据的需求不一样，KPI 也是不一样，做的事情也不一样。
在这样的场合下如果每一个角色他们获取数据的来源、口径不一样，各角色之间是完全没有办法对话的，可能每个人都觉得自己做的对，但公司最重要的核心指标却一直没有得到增长。
而基于 SDAF 闭环，从感知到反馈各环节作为一个闭环去运行，大家具备共识，如认为某个用户是高价值用户，就所有人都认为是高价值用户，针对共同目标形成合力。如下图：
综上，希望大家都能实现从观察到动作，实战数字化运营闭环。
全职美工
特别声明：以上内容（如有图片或视频亦包括在内）来源于网络，不代表本网站立场。本网站仅提供信息存储服务。如因作品内容、版权和其他问题需要同我们联系的，请联系我们及时处理。联系方式：451255985@qq.com，进行删除。