?在產(chǎn)品的設(shè)計(jì)與運(yùn)營(yíng)過程中，通過數(shù)據(jù)對(duì)用戶行為進(jìn)行分析，我們可以總結(jié)分析出用戶行為與產(chǎn)品之間的關(guān)聯(lián)，并針對(duì)性地對(duì)產(chǎn)品做出改進(jìn)。
一、為什么要做用戶行為分析
用戶行為數(shù)據(jù)時(shí)指在產(chǎn)品內(nèi)進(jìn)行各種操作產(chǎn)生的數(shù)據(jù)。比如：訪問、瀏覽和行為事件。每個(gè)訪問事件可由多個(gè)瀏覽事件和點(diǎn)擊事件構(gòu)成。
同樣的可以理解為5個(gè)元素構(gòu)成：who、when、where、how、what。誰(shuí)在什么時(shí)間，什么地點(diǎn)以什么樣的交互方式做了什么。
交易數(shù)據(jù)和服務(wù)端日志數(shù)據(jù)更多的是“結(jié)果型”數(shù)據(jù)，我們從中知道，用戶完成了注冊(cè)、完成了下載、完成了購(gòu)買。但是要分析用戶為什么放棄注冊(cè)、為什么不下載、為什么不購(gòu)買等“過程型”原因，我們是沒法從交易數(shù)據(jù)和服務(wù)端日志數(shù)據(jù)中得知的。
那么，我們要如何去監(jiān)測(cè)用戶的行為數(shù)據(jù)呢？答案：埋點(diǎn)。
用戶行為分析平臺(tái)是企業(yè)精細(xì)化運(yùn)營(yíng)和數(shù)據(jù)驅(qū)動(dòng)的必備工具，它通過全面的用戶行為埋點(diǎn)，統(tǒng)一的上報(bào)方式和統(tǒng)一的數(shù)據(jù)格式，搭建出了用戶行為數(shù)據(jù)體系，并充分利用用戶行為數(shù)據(jù)，挖掘用戶留存、用戶畫像，用戶行為路徑等數(shù)據(jù)價(jià)值，幫助企業(yè)用數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)增長(zhǎng)。
當(dāng)我們有了用戶行為數(shù)據(jù)后，可以把行為數(shù)據(jù)做成一個(gè)按小時(shí)、按天、按月份，或者按用戶分組、事件級(jí)別拆分的一個(gè)表。這個(gè)表可以用來幫助我們分析用戶行為。
二、常見用戶行為分析模型
用戶行為分析主要有：
1、事件分析
2、留存分析
3、漏斗分析
4、用戶行為路徑分析
2.1 事件分析
1、定義
事件是追蹤或記錄的用戶行為或業(yè)務(wù)過程。事件是通過埋點(diǎn)記錄，通過SDK上傳的用戶行為或業(yè)務(wù)過程記錄。例如，一個(gè)視頻內(nèi)容產(chǎn)品可能包含的事件：1）播放視頻；2）暫停；3）繼續(xù)播放；4）分享；5）評(píng)論。
一個(gè)事件可能包含多個(gè)事件屬性，例如，“播放視頻”事件下可能包含的屬性：1）來源；2）是否自動(dòng)播放；3）播放形態(tài)。
公共屬性
有的屬性，是所有事件都具有的。我們將這類屬性抽象出來，稱為“公共屬性”。公共屬性又分為用戶屬性和設(shè)備屬性。
1）用戶屬性：描述用戶自身狀態(tài)的屬性，這類屬性一般不會(huì)發(fā)生變化。例如，用戶年齡、性別等。這些屬性一般存在于數(shù)據(jù)倉(cāng)庫(kù)的用戶屬性表中，該表僅存儲(chǔ)各用戶屬性最新的狀態(tài)。
2）設(shè)備屬性：一般指除了用戶屬性之外的其他公共屬性。幾乎每個(gè)事件都有這些屬性，且隨時(shí)間的變化而發(fā)生變化。例如，操作系統(tǒng)、版本、渠道等。這些屬性隨各個(gè)事件存在事件表中，以記錄設(shè)備屬性變化前后的所有狀態(tài)。
2、作用
事件分析是指基于事件的指標(biāo)統(tǒng)計(jì)、屬性分組、條件篩選等功能的查詢分析。通過事件分析的過濾、分組、創(chuàng)建組合指標(biāo)等功能，可以對(duì)預(yù)先設(shè)計(jì)好的埋點(diǎn)數(shù)據(jù)進(jìn)行不同維度的分析。例如：
? 最近30天的DAU變化趨勢(shì)；
? 最近30天來自上海的用戶每天對(duì)商品的瀏覽時(shí)長(zhǎng)；
? 最近7天20到30歲年齡段用戶每天對(duì)商品的點(diǎn)擊量。
3、 應(yīng)用場(chǎng)景
某互聯(lián)網(wǎng)電商平臺(tái)的運(yùn)營(yíng)人員發(fā)現(xiàn)，4月1日的活動(dòng)頁(yè)面PV數(shù)據(jù)異常高，因此要快速排查原因。是正常流量，還是虛假流量給我們的“愚人節(jié)驚喜”。
步驟如下：
1）將“瀏覽活動(dòng)頁(yè)面的總次數(shù)事件“按照“渠道”查看
2）篩選出數(shù)據(jù)最高的“渠道”，可以看出是來自于“今日頭條”渠道的流量異常突出；
3）繼續(xù)按照“地區(qū)”下鉆分析，發(fā)現(xiàn)有90%的流量來自于“其它”地區(qū)。
由此可以得出是今日頭條的虛假流量。一般來說，經(jīng)過細(xì)分篩查后，都能找出數(shù)據(jù)異常的原因。
4、圖例：
2.2 留存分析
1、定義
既在某一統(tǒng)計(jì)時(shí)段內(nèi)的新增用戶數(shù)中再經(jīng)過一段時(shí)間后仍啟動(dòng)該應(yīng)用的用戶比例（留存率=留存用戶/新增用戶*100%）。
2、作用
留存率是驗(yàn)證用戶粘性的關(guān)鍵指標(biāo)，設(shè)計(jì)師和產(chǎn)品經(jīng)理通常可以利用留存率與競(jìng)品對(duì)標(biāo)，衡量用戶的粘性和忠誠(chéng)度。通常重點(diǎn)關(guān)注次日、3日、7日、30日即可，并觀察留存率的衰減程度。留存率跟應(yīng)用的類型也有很大關(guān)系。通常來說，工具類應(yīng)用的首月留存率可能普遍比游戲類的首月留存率要高。
3、應(yīng)用場(chǎng)景
某app某一時(shí)段新增用戶數(shù)為100人，這一時(shí)段用戶次日啟動(dòng)為80人，在第7天再次啟動(dòng)該應(yīng)用為40人，第30日啟動(dòng)用戶數(shù)為10人。
次日留存率=80/100*100%=80%
7日留存率=40/100*100%=40%
30日留存率=10/100*100%=10%
留存率的“40–20–10”規(guī)則
Facebook平臺(tái)流傳出留存率“40–20–10”規(guī)則，規(guī)則中的數(shù)字表示的是次日留存率、第7日留存率和第30日留存率。
若以上時(shí)段的留存率低，會(huì)映射出哪些問題？
次日留存率低：說明所針對(duì)的用戶群對(duì)我們的產(chǎn)品不感興趣；
7日留存率低：說明我們產(chǎn)品的內(nèi)容質(zhì)量太差，用戶過了新鮮勁兒之后發(fā)現(xiàn)產(chǎn)品用起來特別枯燥；
30日留存率低：版本迭代規(guī)劃做得不好，功能更新、內(nèi)容更新、BUG修復(fù)、性能等都做得比較差，此時(shí)需要重新規(guī)劃迭代內(nèi)容，不可一錯(cuò)再錯(cuò)。
4、圖例
2.3 漏斗分析
1、定義
漏斗分析就是轉(zhuǎn)化率分析，是通過計(jì)算目標(biāo)流程中的起點(diǎn)，到最后完成目標(biāo)節(jié)點(diǎn)的用戶量與留存率，流量漏斗模型在產(chǎn)品中的經(jīng)典運(yùn)用是AARRR模型。
AARRR是Acquisition、Activation、Retention、Revenue、Refer，這個(gè)五個(gè)單詞的縮寫，分別對(duì)應(yīng)用戶生命周期中的5個(gè)重要環(huán)節(jié)。
2、作用
衡量每一節(jié)點(diǎn)的轉(zhuǎn)換率，通過異常數(shù)據(jù)（轉(zhuǎn)換率過低）找出異常節(jié)點(diǎn)，進(jìn)而確定各個(gè)環(huán)節(jié)的流失率，分析用戶怎么流失、為什么流失、在哪里流失。根據(jù)數(shù)據(jù)改進(jìn)產(chǎn)品，最終提升整體轉(zhuǎn)化率。
3、應(yīng)用場(chǎng)景
以電商網(wǎng)站為例，想要統(tǒng)計(jì)用戶訪問網(wǎng)站、訪問商品詳情頁(yè)、加入購(gòu)物車、支付訂單到支付成功的轉(zhuǎn)換率。發(fā)現(xiàn)從訂單支付到支付成功轉(zhuǎn)換率僅有4%，明顯過低。即可分析支付節(jié)點(diǎn)是否存在bug，由什么原因?qū)е隆?/p>
4、圖例
2.4 路徑分析
1、定義
路徑分析能夠幫助運(yùn)營(yíng)者了解用戶在產(chǎn)品中的行為路徑，通過哪些路徑達(dá)到關(guān)注頁(yè)面，以及通過哪些頁(yè)面離開應(yīng)用。
2、作用
確定產(chǎn)品用戶從訪問到轉(zhuǎn)化/流失都經(jīng)過了哪些流程，轉(zhuǎn)化用戶與流失用戶是否有行為區(qū)別，以及用戶行為路徑是否符合預(yù)期
3、應(yīng)用場(chǎng)景
相對(duì)于漏斗分析，我們知道了用戶到達(dá)指定節(jié)點(diǎn)的轉(zhuǎn)化率是50%，那么另外50%的用戶又去往了哪里呢，一般我們會(huì)采用行為路徑進(jìn)一步判斷。
例如，在線教育產(chǎn)品通過漏斗分析，得出用戶瀏覽課程詳情頁(yè)到購(gòu)買課程只有10%的轉(zhuǎn)化率，比預(yù)期低了很多。于是將流失的用戶保存為“課程流失用戶分組”。對(duì)改組進(jìn)行行為路徑分析。
我們發(fā)現(xiàn)這部分用戶達(dá)到瀏覽課程頁(yè)面后，走向2條路徑：
1、20%的用戶退出課程瀏覽頁(yè)面；
2、80%的用戶點(diǎn)擊下方的“課程詳情”后，退出了詳情頁(yè)面。
因此，我們可以再次細(xì)分，第二條路徑的用戶其實(shí)是有購(gòu)買意愿的，可能看了介紹后，對(duì)課程詳情的介紹并不滿意所以選擇退出課程詳情頁(yè)。進(jìn)而我們可以將課程詳情頁(yè)做修改，增加課程描述及趣味性，增強(qiáng)用戶的購(gòu)買意愿。
4、圖例
