本文作者從實際項目出發，結合自己的所思所想，從定義、數據、指標、分析視角和應用場景5個方面對用戶行為數據分析方法展開了詳細闡述，與大家分享。

最近，由于公司開發新產品，需要設計一個數字化運營的平臺，主要目標是：

1. 收集多源用戶數據；
2. 數據分析；
3. 用戶分群；
4. 用戶畫像

所以現在想根據自己閱讀過的資料，以及市面上已有的大數據用戶行為分析產品（主要體驗了GrowingIO和神策數據），并結合自己的理解和想法，重思路輕技術的角度進行一個學習分享，希望自己也有更多的收獲和反思。本文主要闡述數據分析模塊的內容，后續等自己研究好用戶畫像資料后再來分享。

寫在前面

互聯網時代背景下，用戶每天都會在日常使用的app上留下自己的行為，例如淘寶上搜索、瀏覽、購買商品；抖音上收藏、點贊、評論視頻等等，而每個產品背后不僅記錄了用戶行為這樣的實時動態數據，還記錄了用戶一些靜態數據（個人信息、或用戶屬性）。

數據源不只有app，還有小程序、web、H5、第三方。至于第三方來源的數據，我理解的就是利用用戶的靜態數據來做關聯，一方面可以打通多個產品之間的信息，這樣可以更多維度的去理解用戶，也可以創造更多機會的營銷觸達；另一方面，就是便于新產品的冷啟動。

將多源的用戶數據收集到平臺，最重要的是如何處理和分析數據，使得數據能夠驅動產品，達到公司戰略目的。數據分析需要更多的關注用戶表現，為各團隊的決策提供數據支撐，并以用戶表現來反觀決策效果，這樣數據分析就有了精細化的應用場景。

具體有：

1. 對于設計團隊，數據分析可以幫助他們如何提高用戶體驗、功能增減和優化等；
2. 對于運營團隊，數據分析可以幫助他們如何精準投放文案、活動、廣告等；
3. 對于BD團隊，可以幫助他們篩選推廣渠道、把握目標客戶等；
4. 對于公司，深度理解業務、快速更進方案和洞察問題所在等。
5. 更多……

下面進入數據分析模塊的內容分享，用戶行為數據分析方法常見的主要有5種，我將從五個方面結合自己的理解來闡述。如下圖所示：

01 事件分析

1. 定義/概念

事件分析是對用戶觸發的行為事件進行多角度分析。

按照小學時代的日記寫作方法理解，敘述一件事情重要的元素是時間、地點、人物、做了什么、怎么做的、為什么做、做了多少，也就等同于5W2H模型（when、where、who、why、what、how、how much）。

對事件分析普遍采集的數據進行歸納研究后，我發現可以用一個公式進行理解：

一個用戶行為事件=時間when+地點where+人物who（單個用戶、用戶群）+行為what（動作+動作對象）+工具how（設備、操作系統、語言等）+指標how much（統計事件的計量方式）。

2. 需要記錄的數據

根據上述的公式，需要記錄的數據如下：

3. 計量方式/統計指標

• 事件觸發次數，例如點擊【立即購買】按鈕元素多少次；
• 事件觸發人數，例如點擊【收藏】按鈕人數；
• 事件觸發金額，例如點擊【支付】總金額、人均、次均；
• 事件觸發的頁面數，例如瀏覽了產品多少個頁面，才滿足了自己的需求；
• 事件發生時長，例如瀏覽商品列表頁、詳情頁的時長，瀏覽短視頻時長等。

4. 分析視角

通過分層、分組、和過濾的方式進行分析，根據上述公式的元素總結分層、分組和過濾的維度。

（1）時間

（2）用戶

（3）行為

其實在很多資料上都把行為和事件都當作一樣的概念，但是我自己覺得行為是事件的一個元素。用《數據結構》課本上的知識，確切的來說：事件就是一個數據元素，行為是事件的一個項。所以我在本文將把行為和事件劃為2個概念，所以【事件屬性】這個詞我覺得用【行為屬性】來表示更貼切。

我從用戶和產品兩個角度對行為屬性進行分類和歸納。其一，在上述的那個公式中，按照用戶視角下的用戶在屏幕前的動作和動作對象（這里我是結合主謂賓結構來思考的，有了用戶（主語），行為的話應當包括動作（謂語），動作對象（賓語），這樣就是完整的結構），然后我自己還根據用戶視角下用戶態度來對行為屬性進行分類。其二，站在產品角度，或者是公司角度，用戶行為中最關心的是，用戶的轉化行為、購買行為、社交行為等。具體如下圖所示：

（4）工具

（5）地點

（6）事件結果

事件的結果分層、分組和過濾就是對統計指標進行劃分。

5. 應用場景

由于用戶行為是動態，所以在前端事件分析的結果會展示過去、實時現在、趨勢未來。例如實時在線人數、實時交易額等；用曲線圖展示事件的發展的趨勢，以預測未來的變化方向；也能夠統計事件總體情況。經過細化的分層，又能夠對用戶進行精細化的分組，以便于精準的用戶運營。

經過對事件分析的總結，個人發現事件分析是所有分析方法的前提，捋清楚了事件分析的思路和各維度參數的含義，才能進一步的去了解其他的分析方法，特別是對用戶行為和用戶屬性的理解，如何能夠全量地進行分類和局部關鍵行為的概括。

02 分布分析

1. 定義/概念

分布分析主要分析兩種情況：

1. 洞察用戶行為分布規律；
2. 觀察不同維度（渠道、地區等）用戶分布情況。

說到底分布分析就是事件分析中分層和分組的過程，是一種非連續性變量的統計分析方法，其目的就是為了進行層間和組間對比分析，以找到產品優化方向、甄別核心用戶群、實時調整運營策略。

2. 需要記錄的數據

同事件分析

3. 計量方式/統計指標

行為次數、用戶數

4. 分析視角

分布分析的思路與事件分析的分層、分組分析的過程一致。但是分布分析更側重對比分析，事件分析主要是呈現層間和組間的數據信息。

5. 應用場景

對比分析，可以得出topN的列表，及時調整資源分配。

• 行為分布，可以對產品功能進行優化，以提升轉化和留存。
• 用戶分布，可以獲取ARPU最大的核心用戶群體，以優化運營策略。

03 留存分析

1. 定義/概念

一種用來分析用戶參與情況/活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行后續行為，衡量產品對用戶價值高低的重要方法。

留存分析較其他的分析方法，更側重于分析產品對用戶的意義，只有用戶覺得產品幫助自己解決了某些問題、滿足了自己的需求、或者功能用起來更便捷的時候才會延用下去，否則用戶一定吝嗇自己的時間和手機內存的。這也是驗證用戶需求分析是否到位，產品設計是否合理的關鍵指標。

2. 需要記錄的數據

除了同事件分析外，還需要記錄產品功能信息。

3. 計量方式/統計指標

n日留存率、n日留存人數。

4. 分析視角

留存分析主要從兩個角度出發，用戶的留存情況和產品功能的留存情況。

5. 應用場景

留存分析應用于需要明確一些問題的場景。

• 用戶是否觸達產品核心價值（關鍵事件，轉化行為）？
• 留下來的是不是目標用戶？
• 用戶活躍程度、質量如何？
• 關鍵事件前后間隔時間是多少？
• 用戶生命周期和產品使用周期是什么樣的？
• 產品是否滿足了用戶需求？
• 用戶為什么留下來、或者沒留下來？
• ……

最終為產品的迭代、產品的設計、運營策略、資源分配進行最佳的調整。

04 漏斗分析

1. 定義/概念

首先我想通過自己設計的漏斗分析舉一個例子，這個例子是關于【搜索購買】的漏斗。如下圖所示。

從圖中可看出，漏斗分析是對多個行為進行分析，并且這些行為不僅有先后次序的，而且是一個完整的復雜事件，對漏斗的每個行為我們都很關心（不只是開始和結束的行為，還有中間的過程，這點似乎是對留存分析的一個細節補充）。

漏斗分析是需要先預設好漏斗步驟和窗口期，總的來說是設計好的轉化漏斗和轉化周期，一般情況是對核心事件的轉化行為的一個衡量方法。一個轉化漏斗分析，可以得到許多的信息，如圖右邊的【數據細節】所示。

需要注意的一點就是，漏斗分析沒有強順序，中間可以重復步驟內的行為，也可以穿插步驟外的行為，只要在窗口期內完成漏斗步驟內的行為即可。例如：窗口期為1天，漏斗步驟為“A->B->C->D->E”，在用戶觸發A->B ，又回到A，再回到B或F，那么只會記錄A->B一次，而F行為不在漏斗步驟內，則不參與統計。

2. 需要記錄的數據

同事件分析。

3. 計量方式/統計指標

• 漏斗轉化率、轉化人數、轉化次數；
• 漏斗流失率、流失人數、未轉化次數。

4. 分析視角

1）單個漏斗分析對預先設置好的漏斗步驟進行分析，漏斗步驟涉及多個行為，每一個行為都會對轉化產生重要影響，此方式是對一個轉化事件進行有順序的行為分層，我們可以從總體來觀察漏斗的數據變化，也可以切分行為層進行單個或幾個行為來觀察漏斗內哪些環節出現了問題。

2）多個漏斗分析，就可以進行對比研究。如下圖所示：

一方面是我自己更細化了漏斗步驟內的行為，對行為做了一個過濾、或者增加一個副級行為。比如：購買商品的轉化漏斗“搜索->瀏覽商品列表頁->點擊商品->瀏覽商品詳情頁->加入購物車->生成訂單->支付訂單->支付成功”，可以對搜索這個行為進行過濾和增加，過濾的維度可以是“搜索了多少次”，增加的維度可以是“點擊熱搜”、“搜索詞推薦”等副級行為。細分的漏斗對比分析后，可以更加精準的找到用戶在搜索多少次可以找到需要的商品，搜索詞推薦是否有效？

另一方面，可以采用事件分析分層、分組、過濾的方式來對比觀察。

5. 應用場景

漏斗分析是衡量流量轉化、頁面轉化的高頻數據分析方法。

可以幫助解決如下場景的問題：

從產品的角度來說：

• 核心轉化行為的觸達在預設的步驟中是否科學合理，是否能夠讓用戶有效觸發產品的核心功能。
• 產品的核心功能在用戶使用時，是否達到簡單快捷，從而提高轉化效率？如果不是，那么卡在哪個環節，對該環節進行深入分析。
• 獲得轉化周期等等

從用戶角度來說：

• 在每個漏斗步驟上，既有進入下一個步驟的用戶，也有在這個步驟上流失的用戶，從而對用戶進行更細致的分群，也獲得了忠實用戶群和潛在用戶群，對于精細化的用戶運營提供了數據支撐。

05 路徑分析

1. 定義/概念

路徑分析顧名思義就是用戶在產品上進行操作的過程，有些地方會用“用戶旅程”、“用戶動線”詞匯來形容用戶路徑。這好比是一種數字化方式來跟蹤和監控用戶的所有行為，從而可以得到頻繁訪問路徑。和漏斗分析一樣，目標還是為了提升關鍵模塊的轉化率。因此，路徑分析需要得出最短路徑、優化最低轉化環節、跟蹤主流路徑。

2. 需要記錄的數據

同事件分析。

3. 計量方式/統計指標

用戶數：流失、轉化、留存。

關注路徑上每個環節的用戶數的變化。

4. 分析視角

路徑分析主要分為三類：轉化漏斗、智能路徑、用戶路徑。

路徑分析呈現的所有路徑，都可以用于構建新的漏斗分析，發現新的主流路徑和轉化漏斗。

1）轉化漏斗：屬于預置好用戶路徑的分析。

2）智能路徑：設定好目標行為（終末行為，例如用戶購買商品事件中，目標行為就是“支付訂單成功”）之后可以發現很多條路途可以到達目的地。

3）用戶路徑：主要為了完整再現用戶整個轉化過程，有一種監控和跟蹤的意思。例如用戶在購買紙巾的過程中，可能先是搜索紙巾，然后看了商品列表頁，瀏覽了商品詳情頁，但是突然有了生活用品的活動廣告，又去逛了生活用品，逛著逛著可能覺得自己缺牙刷了，又開始看牙刷，退出廣告里的內容，發現產品推薦了一條漂亮的裙子，突然覺得自己缺一條，于是購物車里可能有多個牌子的紙巾，有牙刷、還有裙子，但是可能最終還是只買了紙巾，也有可能全部支付成功。這樣完整再現用戶購買過程，就可以驗證廣告的觸達效率、產品推薦算法精準度，用戶標簽創建合理性等。

5. 應用場景

1）路徑分析需要解決如下問題：

Q1：用戶從進入產品到離開的行為是什么？

Q2：用戶是否按照產品設計引導的路徑在行進？哪些步驟上發生了流失？

Q3：用戶離開預想的路徑后，實際走向是什么？

Q4：不同渠道帶來的用戶，不同特征的用戶行為差異在哪里？

2）多維度進行用戶分群

總結

所有的分析都可用于用戶分群、用戶標簽。每種分析是對立統一的，看似目的不同，但是又是相互補充，使得產品的成長獲得全面的營養素。用戶網絡行為數據越來越龐大，充分挖掘數據的價值是數據分析的目的，不論使用的一般的統計方法，還是機器學習等模型算法，都是為了《make?sense of?data》。

最近剛翻閱這本書，特別喜歡里面的一句話：“The?challenges of handling and making sense of this information are significant，because of the increasing volume of data, the complexity that arises from the diverse types of information that are collected, and the reliability of the data collected”。大數據時代下，數據也像石油、煤礦一樣是以一種社會資源，存儲了大量復雜結構的數據，也同時存儲了很多真相。

相信拿著這樣的復雜龐大、擁有真相的數據，會使得對需求的把握、產品運營策略、公司戰略部署有著巨大的意義。

寫在最后

以上根據自己的理解闡述的內容可能還不夠深刻、也可能存在錯誤。特別是對于應用場景的這塊內容，感覺還不是太有深度和廣度。我會繼續再看看資料，來豐富應用場景這方面的感知和見解。

比如：留存分析。“客戶使用產品時間越長，帶來的現金流或者利潤越高，如果再收支平衡前流失，則會造成損失。公司長久盈利需滿足：獲客成本＜1/3客戶生命周期價值”。此方面的知識還不夠，需要繼續努力。

除了上述常見分析方法外，還有其他分析，接下去也會繼續探索。