一、用戶行為是什么？。

1. 用戶行為。

用戶行為是用戶在產品上產生的行為。

我們以小明的case具象化用戶行為表現：。

因為小明關注作者的信息被記錄了下來,當該作者有發(fā)布信息時,則會通知所有關注他的人,而小明也是其中之一。

用戶行為數據是從一次次的行為中而來的,行為數據是通過埋點進行監(jiān)控（相見埋點介紹）、后續(xù)一篇文章將介紹如何（設計埋點）。

通常是數據同學完成埋點設計,由開發(fā)完成監(jiān)控程序 或 調用SDK。

針對小明的行為（假設以下均已埋點）：。

3. 用戶行為分析。

是指對用戶行為數據進行數據分析、研究。

4. 用戶行為分析的作用。

（1）通過用戶行為分析,可以還原用戶使用的真實過程。

一個xxx的人在什么樣的環(huán)境中（由于什么樣的行為）在時間點做了xxx事情做了什么事情結果如何（2）“了解用戶,還原用戶”是“以用戶中心”的第一步。

只有詳細、清楚的了解用戶的行為習慣、真實的使用路徑、進而找出 產品使用、渠道推廣等過程中存在的問題,提高用戶/頁面/業(yè)務過程中的轉化率。

（3）用戶行為分析（case需要補充）可以用于。

A. 拉新：渠道分析、SEM分析、用戶質量分析、。

B. 轉化：新增用戶注冊轉化過程、產品使用過程轉化（搜索、推薦等）、push推送調起過程、站外拉起過程。

C.促活：用戶停留時長、用戶行為分布、。

D.留存：用戶留存分析。

E.商業(yè)化：根據用戶歷史行為展示廣告。

二、如何進行用戶行為分析？。

1. 行為事件分析。

行為事件分析方法主要用于 深度研究某行為事件,以及對產品的影響以及影響程度。

針對某一具體行為,全面的描述、對比,針對其異常表象 深度下鉆分析各維度、確認導致該行為數據表現的原因。

如快手的播放量徒增:同期對比分析,確認歷史上是否有發(fā)生過,對比 去年/上個季度/上月/上周/昨日的 數據的相對表現。

多事件對比分析。

對比瀏覽量、點贊、評論、分享事件的數據是否存在徒增。

通過對比多個事件,確認徒增現象發(fā)生的范圍。

維度下鉆：由于播放量取決于3個部門用戶在快手消費視頻,被監(jiān)控程序上報。

所以在三個方面分析：。

監(jiān)控程序是否異常？在快手哪個頁面的播放量增加呢？是發(fā)現、關注、還是同城？-> 對應頁面做了哪些調整？是否增加了引流；哪一部分用戶群的播放量增加了？交叉分析 用戶自然屬性（平臺、性別、年齡、地域、教育學歷、機型、消費能力）、行為屬性（新增、回流、?；钴S用戶；直播用戶、短視頻用戶….）、視頻屬性（視頻類型、作者類型….）。

2. 留存分析。

留存是衡量用戶是否再次使用產品的指標,也是每一個app賴以生存的指標,能夠反映任何一款產品健康度,是產品、運營、推薦效果的整體表現。

如果一個app從來沒有留存用戶,那DAU將永遠是新增用戶,那么產品將無法運行下去,更別說新用戶成本付諸東流。

貼合業(yè)務屬性、精細化留存過程 將對留存數據更有價值和指導意義。

通過留存分析,能夠剖析用戶留在產品的原因,從而優(yōu)化產品核心功能提升留存。

留存的類型：。

用戶留存：用戶使用app后,經過一段時間仍舊使用。

功能留存：用戶使用xxx功能后,經過一段時間仍舊使用該功能,且其他功能均有所變化。

此時,該功能對用戶留存有正向作用。

先前有寫過 留存分析的文章,這里就不贅述了。

3. 漏斗分析。

漏斗分析實質是轉化分析,是通過衡量每一個轉化步驟的轉化率,通過轉化率的異常數據找出有問題的環(huán)節(jié)并解決,進而實現優(yōu)化整個流程的完成率。

在產品初期(處于與市場適配的階段)：通過漏斗分析找到用戶觸達的瓶頸,幫助用戶觸達產品核心價值,真實反映MVP與市場匹配程度；在產品中期(處于用戶平穩(wěn)增加的階段): (1)通過漏斗分析優(yōu)化渠道,找到目標群體用戶; (2)通過漏斗分析優(yōu)化用戶在各模塊的體驗(基礎的登錄模塊、產品核心價值模塊: 如抖音的播放模塊、淘寶的購買模塊等)；在產品后期(處于用戶價值產出的階段): (1)通過漏斗分析可以改善用戶生命周期(優(yōu)化用戶體驗提高用戶生命周期,間接拉長用戶群體的價值產出的時間長度,減少高價值用戶群體的流失)；(2)可以通過漏斗分析優(yōu)化商業(yè)化模塊,像商品的購買過程（購物車-提交訂單的轉化漏斗）、廣告的曝光點擊等,提高生命周期中單位時間產生的價值。

4. 路徑分析。

路徑分析可以將紛雜的app日志按照用戶的使用過程,呈現出“明確的”用戶現存路徑。

發(fā)現路徑問題,進而優(yōu)化,使用戶盡可能短路徑體驗到產品核心價值。

通過路徑分析,可以了解到像小明這樣9點左右播放視頻的用戶：他們是通過push點擊而來,這部分用戶占比是多少；他們匆匆結束播放,再也沒有下一步行為,這部分用戶占比又有多少。

針對他們利用碎片化時間播放視屏的場景,尤其是突然退出的場景,是否在下一次打開app時,仍舊打開終端的視頻。

是否有其他策略可以針對該場景來優(yōu)化？。

此外,路徑分析不僅僅可以用于行為路徑分析,也可以用于用戶群體轉化分析。

例如：新用戶中分別轉化為 忠實用戶、常活躍用戶、潛在流失用戶、流失用戶的分析。

5. 用戶分群分析。

通過了解用戶畫像,可以幫助運營理解用戶。

根據用戶畫像（基本屬性、用戶偏好、生活習慣、用戶行為等）的標簽信息將用戶分群。

通過用戶分群行為表現對比,可以進一步了解不同群體對產品的反饋,有針對性的優(yōu)化產品。

發(fā)現中 西南地區(qū)的低端機型使用app時,奔潰率特別高,開發(fā)可以針對該點進行優(yōu)化、降低奔潰率；可以針對不同的用戶群體的行為表現 做 定向投放、push等,從而實現精細化運營。

業(yè)內的商業(yè)化行為分析產品,基本上將用戶畫像的生成、標簽的過程均合并在用戶分群的群體定義中,降低了操作流程。

三、用戶行為分析的完整鏈路。

以小明為case的用戶行為每天數以萬/億計的產生,如何對“這類人群”進行“行為分析”？需要行為分析將明細級別的日志聚合后再以較為可讀的形式展示出來。

為了保障埋點可靠、數據上報及時、行為數據分析有效。

需要一套完整的用戶行為系統(tǒng),包括從數據埋點設計、埋點開發(fā)、數據上報、數據模型開發(fā)、行為數據分析。

過程中也需要多方協作完成,如何保障多方協作中高效、便利的完成、產出具有業(yè)務價值的數據分析結論。