我們可能因為相信虛假而受騙，自然，我們也會因為相信真實而受騙
互聯網數據最重要的部分是用戶的行為分析，挖掘用戶偏好能更好的實現商業的價值，同時，異常的行為分析也是對用戶的一種安全防護措施。用戶行為簡單的可以分為五個要素：時間、地點、人物、交互和內容。在獲得網站或APP等平臺訪問量基本數據的情況下，對有關數據進行統計、分析，從中發現用戶訪問網站或APP等平臺的規律，并將這些規律與網絡營銷策略等相結合，從而發現目前網絡營銷活動中可能存在的問題，并為進一步修正或重新制定網絡營銷策略提供依據。
只有做了用戶行為分析才能知道用戶畫像、才能對用戶各種行為做一個初步的預判，進而對行為產生一個長效的統計分析。分析目的的一種是關注流失，尤其是對轉化有要求的網站。用戶行為分析幫助分析用戶怎么流失、為什么流失、在哪里流失。當你有了很多用戶行為數據、定義事件之后，你可以把用戶數據做成一個按小時、按天，或者按用戶級別、事件級別拆分的一個表，從而為后期的商務行為做一個參考。
正常行為分析
正常行為分析的目的在于數據驅動增長，數據驅動增長的關鍵在于指標。
硅谷公司用數據去實現驅動業務增長，主要有三個目標：
1)提升關鍵指標
2)改變產品體驗
3)優化運營流程
如果細分，還可以分為：拉新、轉化、促活、留存和變現。
拉新的場景在于分析SEM(search engine marketing) 和 SEO (search engine optimizing) 的每個關鍵詞的 ROI(投資回報率:return on invest)。同時還有 各個合作伙伴的渠道導流情況。尤其是搜索引擎，關鍵詞帶來的流量是可觀的。這些流量只能帶來用戶，至于是否達成商務行為，還要結合自身的數據進行統計。
轉化率是一個數據分析的重要指標，與之相對應的一個詞是流失率。定義入口，統計事件只是一個起點，對于最終的結果只是一個借鑒，落地的還是決策。一種提高轉化率的決策是，分析用戶從進入-注冊-驗證-登陸-使用的整個過程，通過漏斗分析，檢驗每個環節的流失率，優化流程，提高用戶轉化。
促活是對產品內容及流暢度的一個檢驗。通過分析用戶行為，統計用戶頁面停留，完善用戶畫像，進而精準分析定位，從而個性化推薦愈加精準。
用戶流失，在時間的長河中是一種自然而然的事情。每個產品都有自己的壽命，我們所做的只是延緩或者重生。這也是分析留存的一個主要的目的。通過對用戶行為的一個長期的追蹤，有了這些數據的支撐，分析哪些使用造成了流失，哪些使用更好的維護了用戶關系，便能更好的維護一個商業的變現。
商業變現是檢驗一款產品是否成功的一個重要指標，當然非盈利機構除外。一款產品會有它獨特的盈利點，找到并有效的接入才能維護產品的正常迭代。商業變現有直接變現和間接變現之分，直接變現以直接打成交易為主，例如O2O等。間接變現通過廣告、導流等產生可觀資金流。
至于手段，我們后面會說。
增長黑客
數據驅動增長，關鍵在于提升關鍵指標、改善產品體驗、優化運營流程。如果沒有長期的數據統計分析，對于這些無異于盲人摸象。這也即是我們常說的，數據是一切的基石。
提升關鍵指標，最好是一個轉化率，而不是UV、PV這種簡單的數字，因為這些肯定會提升；改變用戶體驗，主要在于細節的把控，人以貌相，除非是大家不得不用的工具型壟斷軟件，大部分軟件，UI是留住客戶的第一步，然后是產品使用體驗，流暢度、響應速度等；優化運營流程，重點在于簡化，如無必要，勿增實體，把那些太過于復雜的功能重新梳理，有些事直接一點反而更好。
產品決定了你獲取用戶數據的基本面。不同的用戶層面和產品形態也可能導致不論怎么努力就是無法快速獲取用戶的結果。那么，什么樣的產品或者功能能快速獲取用戶呢？
1）用戶使用頻率高
2）用戶密度大
3）一個動作所覆蓋的人數
滿足了以上條件的產品，想要快速獲取用戶就很容易了，下面是一個互聯網產品的用戶增長模型：AARRR模型。
所謂AARRR用戶模型其實就是“獲?。ˋcquisition）”、“激活（Activation）”、“留存（Retention）”、“傳播（Referral）”、“收入（Revenue）”。從上面的AARRR模型圖我們也可以看到，其實它是一個漏斗，從用戶獲取到激活到留存，留存到傳播和收入就是一個自上而下的漏斗，越往下越窄。理想的境況下，我們都希望這是一個圓柱體，但顯然這是比較困難的，而我們要做的就是精細化分析用戶獲取到收入的整個過程。
常用手段簡單介紹如下：
創造更多的著陸頁
付費廣告應該有針對性的鏈接到相應的著陸頁上，而不是主頁
建立定向的LINK-TRACKING(鏈路跟蹤)
刪除著陸頁上不重要的鏈接
使用qualaroo等調查工具得到客戶反饋
購買統計數據的工具
拆分用戶需求
大量的A/B Test
CTA（Call to Action 期望用戶進行的操作）使用更強的對比色
將CTA放在右側
在頁面的最下方重復你的CTA
在頁面上寫上你對用戶做出的保證（不會透露用戶信息等）
立刻顯示驗證（如填寫表單時)
……
增長黑客，簡單來說就是建立一個增長黑客的坐標系。增長黑客是通過快速的迭代試驗找到實現產品增長的有效方法。我們的終點是實現產品有效增長，為了到達這個終點，我們需要在三個方面努力，第一點是找到努力的起點，第二點是找到努力的方向，第三點是加快努力的程度。
用一個等式表示就是：起點+方向+行動=終點。增長黑客的革命性方法就在行動上。增長黑客的核心實際上類似于敏捷開發，只不過增長黑客是以運營人員為中心，敏捷開發是以產品經理為中心。
異常行為分析
基于深度學習的Action Recognition（行為識別）是目前AI研究的一個方向，也是當下發表論文比較多的一個領域。
目前談論比較多的大概有以下幾個方向：
混合代理方法檢測擁擠場景中異常行為
老年人動作識別和異常行為檢測
基于視頻的異常檢測
行人檢測和路徑分析
導航，包括監控行為和檢測異常
醫療健康和其他相關領域異常行為的識別
人類活動識別（HAR）
智能家居行為預測
籠統的概括可分為：Structure、Inputs和Connection。
行為可分為個人行為和群體交互行為，在真實情境下，異常行為的發生經常伴隨猛烈的動作，例如，突然速度加快；或是在恐慌情境下，在一個局限的區域中混亂的運動，與周圍人動作的對比。將人群行為作為一個Bag-of-words模型，通過靜態和動態代理的信息整合，來確定人群行為的異常。靜態代理用來處理某個特定的點，用來分析該點周圍的動作信息。動態代理用來處理一個移動的目標，分析目標運動和周圍人的動作信息。即是所謂的混合代理模型。
其他如活動識別被認為是一個序列標簽問題，而異常行為是基于與正常模式脫離標記的。
基于視頻異常檢測最基本的方面，即視頻特征表示。大部分研究工作都是在尋找一種合適的表示方法，以便在視頻流中，以可接受的誤報率，準確的檢測異常。然而，由于環境和人類動作的大量變化，這是個巨大的挑戰，由于高維度的數據特征帶來了較高的空間時間復雜度。深度學習算法的弱監督特性可以幫助從視頻數據本身中學到表示方法，而不用手動地從某個特定場景下設計合適的特征，以此對視頻表示建模。
關于導航，深度學習這方面最近的研究已經證實了從數據中直接學習特征的能力，并且循環神經網絡相關的研究已經表明了序列到序列問題的典型結果，例如神經機器翻譯和神經圖像標題生成。受到這些方法的激勵，在給定一段較短的關于某個行人的歷史數據、其周圍的人和過去的行為，來預測行人的下一步動作。這個方法的創新點在于其結合了關注模型，這種模型使用了軟關注和硬關注，來映射從局部鄰域到關注的行人的未來位置的軌跡信息。關注權重（如硬連線）的一個簡單的近似值是如何與軟關注權重混合一起，在有著幾百相鄰人的真實世界情境下使得模型更可靠。此外，這個架構可以直接應用于異常事件檢測中而不需要手工特征。
異常行為識別在醫療健康和其他相關領域也引起了很大的關注，特別是對老年人的身心健康，墜落及其他疾病、衰老等方面引起了越來越多的關注。基于墜落檢測技術的設備可以有效實時地監控墜落事件的發生，并幫助受傷人員接受急救。然而，對于墜落檢測和監控，傳統方法的內置分類器盡管可以達到一個相對高的檢測正確率，但是其誤報率過高，進一步地，由于異常行為的傳感器數據在真實應用中很稀少，這種方法必須面對這種不平衡問題。為了處理這個難題，使用一種對于眼睛、手表等可穿戴物品的two-stage adaptive weighted extreme learning machine（AWELM）的方法來檢測和監控墜落。這種方法，通過兩階段識別計劃，實現了高檢測準確度和誤檢率之間的平衡；其次，通過兩階段自適應權重方法，使得對于稀少的異常行為數據的不平衡學習方法變得有效；第三，使用極值學習機，提出一種輕型的分類方法，處理可穿戴設備的資源限制，來加速訓練和更好的泛化，這使得大范圍的健康應用成為可能，特別是最終幫助老年人減少墜落事件的風險。
人類活動識別（HAR）在健康和社會保健領域也是一個相對活躍的研究課題?；贖AR的深度攝像機，從人類深度輪廓，通過傳統的分類器，比如Hidden Markov Model (HMM)，Conditional Random Fields等抽取的特征，識別人類活動。另外，使用循環神經網絡（RNN，深度學習算法的一種）的HAR系統，利用多個隨時間變化的關節角度，來表示時空特征矩陣（即時間上的多個身體關節角度），能夠可靠地識別12種人類活動，并且比HMM和DBN的性能要好。
行為識別是深度學習還未完全攻克的領域，雖然現在已經有了一些特殊的手段來統計分析，但還有很大的空間。在沒有找到更好的模式去表達時，最妥帖的方式是真實記錄。
