认知用户、理解用户、与用户做密切且有效的沟通，是企业在做数字化运营中的基本原则。然而知易行难，在实际的操作当中，大多数企业常常会陷入“知其然不知其所以然”的状态。具体体现为，企业的业务决策过于依赖经营结果数据，忽略了用户的心理、情感、诉求，或者虽然两者都有，却往往割裂使用。
DIA数皆智能致力于以体验驱动客户资产增值，倡导通过体验数据（X-Data）与运营数据（O-Data）融合的方式，驱动企业的数字化运营。其中O展示了“what”; X代表了“why”。只有充分结合XO 数据，做到 XO 融合，做更深入的剖析，更精准的人群细分，给出更精准的预测、策略，才能“知其然，也知其所以然”，回答出”how“的问题。
在汽车消费中，用户在购买汽车时候通常的旅程是“浏览咨询——留资——到店——试乘试驾——下定——提车”。用户从产生购买意向到最后下定，期间需要获取大量信息，面对品牌、经销商、销售人员等不同主体，决策过程缓慢，可能短则数周、长则一年才能完成整条链路。
如果在某个节点卡住，用户的关注点得不到回应、疑惑点得不到解答，就容易造成客户资产流失。因此，汽车企业就需要对旅程中每个节点进行数据度量，不仅明确旅程卡在哪里，还要找到卡住的原因。
例如，某车企的用户旅程路径，从咨询，到留资，再至到店均有不错的转化率，说明该车企有一定的品牌号召力，品牌曝光有明显效果，潜客愿意来了解产品。但是在试乘试驾阶段，运营O数据和体验X数据均呈现出下降，试乘试驾阶段成为该企业用户旅程的明显卡点。
针对此场景，我们发送针对性的问卷，获取相关 X 数据得知：未下定的人群可以分为对试驾体验满意/对试驾体验不满意这两类。
通过结合这些用户的O数据，包括基础资料（性别、年龄、家庭情况）、行为数据（前段旅程转化率、与销售沟通次数等），融合试乘试驾体验X数据，对已回复客户，我们能够为其添加更加精准的标签，便于进一步的精准运营。
而针对其他大多数未回复用户，通过因果算法、预测算法、聚类以及人群扩散等，我们能够对其满意度和驱动要素进行精准预测，并打上相应的预测标签。
根据更精细化的标签和精准的细分客群，我们可以对全部未下定用户展开针对性的运营行动，对满意人群推荐相应的内容和服务进行跟进，不满意人群开展针对性的二次邀约。细节如下：
其中，面对“服务不满意”的人群，需要进一步下钻用户对服务不满意的地方，在二次邀约的同时改善服务，否则如果只是重复上一轮操作，只会加重用户的不满意、加速用户流失。XO 融合不仅能够精准洞察人群、形成精细的运营策略，还能通过帮助企业完善自身的运营和管理。
因为有些客户的不满，来自于对 SOP 的执行不到位。例如，针对上述案例中的服务不满意的人群中，我们发现有一批用户在预约后等待了2-3天，这远远超出了企业规定的服务标准——1天。用户满意度的X数据和“首次预约后跟进时间”的O数据具有显著的相关关系。这说明在服务环节中，因一线销售人员执行不到位、延迟跟进，导致用户体验降低。
但有时，客户满意度低，是因为企业的 SOP 不完善。例如，在“试驾时长”上，我们发现试驾的时长O数据与满意度X数据关联不明显。有的人对试驾时长不敏感，有的人需要更多的时长，经销商标准的30分钟试驾时长难以直接提升满意度。这表明在试乘环节中，SOP有缺漏，为了精细化圈人，精准提升用户体验，可以在SOP中增加一条内容，在试驾前询问用户期望的试驾时长。还可以为用户打上“时间敏感”的标签，督促销售人员守时尽责、提升服务效率。
通过O数据发现旅程中的卡点，用X数据进一步下钻抓住的原因，XO融合相互印证，再通过算法进行人群扩散和预测，开展针对性的优化。这条路径不仅能够有效推进用户走向下一个旅程节点，还可以反馈到每个环节中的经营策略上，通过洞察用户、优化SOP提升。DIA数皆智能XO融合的工作理念能够帮助企业提高企业整体的运行效率、打造闭环能力，帮助企业实现客户资产增值，为客户带来长期、健康的用户价值。
