密度 登錄用戶 精細化分析 做出 新版 分享圖片 結合 評價 指定

一、行為事件分析 1.什麽是行為事件分析 企業追蹤或記錄的用戶行為或業務過程，如用戶註冊、瀏覽產品詳情頁、成功投資、提現等，通過研究與事件發生關聯的所有因素來挖掘用戶行為事件背後的原因、交互影響等。 2.行為事件分析的特點與價值 行為事件分析法一般經過事件定義與選擇、下鉆分析、解釋與結論等環節。 事件定義與選擇 事件描述的是，一個用戶在某個時間點、某個地方、以某種方式完成了某個具體的事情。Who、When、Where、What、How 是定義一個事件的關鍵因素。 Who 是參與事件的主體，對於未登陸用戶，可以是 Cookie、設備 ID 等匿名 ID ;對於登錄用戶，可以使用後臺配置的實際用戶 ID; When 是事件發生的實際時間，應該記錄精確到毫秒的事件發生時間; Where 即事件發生的地點，可以通過 IP 來解析用戶所在省市;也可以根據 GPS 定位方式獲取地理位置信息。 How 即用戶從事這個事件的方式。用戶使用的設備、瀏覽器、 APP 版本、渠道來源等等; What 描述用戶所做的這個事件的所有具體內容。比如對於“購買”類型的事件，則可能需要記錄的字段有：商品名稱、商品類型、購買數量、購買金額、付款方式等。 多維度下鉆分析 變化趨勢、維度對比等等各種細分問題 解釋與結論 對分析結果進行合理的理論解釋，判斷數據分析結果是否與預期相符，如判斷產品的細節優化是否提升了觸發用戶數。如果相悖，則應該針對不足的部分進行再分析與實證。 3.案例分析（源於人人都是產品經理，神策-張喬） 某互聯網金融客戶運營人員發現，4月10日號來自新浪渠道的 PV 數異常標高，因此需要快速排查原因：是異常流量還是虛假流量？ 企業可以先定義事件，通過“篩選條件”限定廣告系列來源為“新浪”。再從其它多個維度進行細分下鉆，比如“地理位置”、“時間”、“廣告系列媒介”、“操作系統”、“瀏覽器”等。當進行細分篩查時，虛假流量無處遁形。下圖為來源為“新浪”的各城市瀏覽頁面的總次數。 圖1.1 來源新浪的各城市瀏覽頁面的總次數 在剔除虛假流量後，運營人員可進行其他用戶行為分析。通過“投資成功”事件，查看各個時段的投資金額。若想知道每個產品類型的投資金額，此時再按照“產品類型”進行分組查看即可。如圖2。 圖1.2 不同產品投資成功的支付金額的總和 當用戶投資到期後，後續行為可能是提現或繼續投資，運營人員可以實時關註“提現率”的變化趨勢。 圖1.3 用戶投資到期後提現率的變化情況 值得強調的是，行為事件分析方法是多種數據分析模型之一，它與其他分析模型存在無法割裂的關系。只有各分析模型實現科學互動和配合，能夠科學揭示出用戶個人／群體行為的內部規律，並據此做出理論推導，不斷在工作實踐中優化商業決策和產品智能。 二、用戶留存分析 1.什麽是留存分析 留存分析是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，有多少人會進行後續行為。這是用來衡量產品對用戶價值高低的重要方法。 留存分析可以幫助回答以下問題 · 一個新客戶在未來的一段時間內是否會完成您期許用戶完成的行為？如支付訂單等； ·某個社交產品改進了新註冊用戶的引導流程，期待改善用戶註冊後的參與程度，如何驗證？ ·想判斷某項產品改動是否奏效，如新增了一個邀請好友的功能，觀察是否有人因新增功能而多使用產品幾個月？ 2.活躍用戶百分比能代替留存分析嗎 不行，如果產品目前處於快速增長階段，很有可能新用戶中的活躍用戶數增長掩蓋了老用戶活躍度的變化。 3.留存分析模型特點與價值 特點 科學的留存分析模型具有靈活條件配置——根據具體需求篩選初始行為或後續行為的細分維度，針對用戶屬性篩選合適的分析對象的特點。 價值 ① 留存率是判斷產品價值最重要的標準，揭示了產品保留用戶的能力 留存率反映的實際上是一種轉化率，即由初期的不穩定的用戶轉化為活躍用戶、穩定用戶、忠誠用戶的過程。隨著統計數字的變化，可以看到不同時期用戶的變化情況，從而判斷產品對客戶的吸引力。 ② 宏觀上把握用戶生命周期長度以及定位產品可改善至之處 通過留存分析，可以查看新功能上線之後，對不同群體的留存是否帶來不同效果? 可以判斷產品新功能或某活動是否提高了用戶的留存率？結合版本更新、市場推廣等諸多因素結合，砍掉使用頻率低的功能，實現快速叠代驗證，制定相應的策略。 4.案例分析（源於人人都是產品經理，神策-張喬） 遊戲行業提升活躍、留存——如何精準找到玩家“流失點”？ 遊戲的生命周期的時長差異、玩家的遊戲粘度，直接體現了遊戲的競爭能力和盈利能力。玩家對遊戲的直觀感受、遊戲難度曲線、遊戲節奏的松弛、遊戲福利等遊戲內涵都能夠導致遊戲玩家流失。正確找到玩家流失原因，是促進玩家、活躍挽留玩家的第一步。下面為《迷城物語》在刪檔測試期間的相關應用情景。（註：以下配圖所涉及的數據，均為模擬真實應用場景下的虛擬數據） 圖2.1統計出了流失玩家的等級分布，判斷玩家流失與關卡設置的相關性。 圖2.1 了解玩家在首次登陸遊戲之後的8周流失情況分析（圖片來源：神策數據產品） 上圖顯示，100～110級、80～90級是玩家流失較多的關卡。為精準導致玩家流失的關鍵因素，需要每個環節、具體場景進行深入追蹤與分析，余略。 三、漏鬥分析 1.什麽是漏鬥分析 漏鬥分析是一套流程式數據分析，它能夠科學反映用戶行為狀態以及從起點到終點各階段用戶轉化率情況的重要分析模型。 漏鬥分析模型已經廣泛應用於流量監控、產品目標轉化等日常數據運營與數據分析的工作中。漏鬥能夠展現出流程中各個階段的轉化率，通過漏鬥各環節相關數據的比較,能夠直觀地發現和說明問題所在，從而找到優化方向。 2.漏鬥分析模型的特點與價值 監控用戶在各個層級的轉化情況，聚焦用戶選購全流程中最有效轉化路徑，同時通過不同層級的轉情況，迅速定位流失環節，找到可優化的短板，提升用戶體驗。 多維度切分與呈現用戶轉化情況，成單瓶頸無處遁形。 通過觀察不同屬性的用戶群體各環節轉化率，各流程步驟轉化率的差異對比，了解轉化率最高的用戶群體，分析漏鬥合理性，並針對轉化率異常環節進行調整。 3.在漏鬥分析模型中，科學歸因、屬性關聯的重要性 歸因 在科學的漏鬥分析中，需要科學歸因設置。每一次轉化節點應根據事件功勞差異（事件對轉化的功勞大小）而科學設置。 以市場營銷為例，市場活動、線上運營、郵件營銷都可能觸發用戶購買。A 欲選購一款化妝品，通過市場活動了解 M 產品，後來在百度貼吧了解更多信息，但是始終沒有下定決心購買。後來收到 M 公司的營銷郵件，A 被打折信息及詳實的客戶評價所吸引，直接郵件內跳轉至網站購買了該商品。 那麽，在漏鬥設置時，轉化歸因應該“歸”哪一個渠道呢？在這個案例中，運營人員願意以實際轉化的事件的屬性為準。郵件營銷的渠道在用戶購買決策的全流程中對用戶影響的“功勞”最大、權重較大，直接促進用戶轉化。在科學的漏鬥分析模型中，用戶群體篩選和分組時，以實際轉化事件——郵件營銷來源的用戶群體的屬性為準，則大大增大了漏鬥分析的科學性。 屬性關聯 定義“轉化”時，要求漏鬥轉化的前後步驟有相同的屬性值。比如同一 ID（包括品類 ID、商品 ID）才能作為轉化條件——瀏覽 iphone6，購買同一款 iphone6 才能被定義為一次轉化。 4.案例分析（源於人人都是產品經理，神策-張喬） 某電商企業客戶根據客戶的消費能力，將客戶劃分為普通會員、黃金會員、鉆石會員。為加強對用戶的轉化引導，F 欲針對不同用戶群體采用不同的運營方式。 圖3.1 普通會員與鉆石會員的漏鬥轉化情況對比（圖片來源：神策數據產品） 通過對比，可明顯看出，普通會員從“提交訂單”到“支付訂單”的轉化率明顯低於鉆石會員。為找到“支付訂單”階段轉化率變低的原因，F公司運營人員應深度分析普通會員轉化率情況，如對比不同付費渠道（PC 端、手機端等）的轉化情況，找到優化的短板。另外，可以嘗試支付訂單流程的新手引導，幫助新手順利完成購買。 四、用戶行為路徑分析 1.什麽是用戶行為路徑分析 對用戶在APP或網站中的訪問行為路徑進行的分析。 為了衡量網站優化的效果或營銷推廣的效果，以及了解用戶行為偏好，時常要對訪問路徑的轉換數據進行分析。 2.用戶行為路徑分析的價值 用戶典型路徑識別與用戶特征分析 通過用戶整體行為路徑找到不同行為間的關系，挖掘規律並找到瓶頸。 產品設計的優化與改進 了解用戶整體行為的主路徑和次路徑，根據用戶路徑中各個環節的轉化率，發現用戶的行為規律和偏好，發現哪些操作過於冗長繁瑣，這樣可以幫助我們針對性地改進剪輯操作模塊，優化用戶體驗。 也可以用於監測和定位用戶路徑走向中存在的問題，判斷影響轉化的主要因素和次要因素，也可以發現某些冷僻的功能點。 產品運營過程的監控 產品關鍵模塊的轉化率本身即是一項很重要的產品運營指標，通過路徑分析來監測與驗證相應的運營活動結果，可以方便相關人員認識了解運營活動效果。 3.用戶行為分析模型和漏鬥模型 漏鬥模型通常是對用戶在網站或App中一系列關鍵節點的轉化率的描述，這些關鍵節點往往是我們人為指定的。 路徑分析通常是對每一個用戶的每一個行為路徑進行跟蹤與記錄，在此基礎上分析挖掘用戶路徑行為特點，涉及到每一步的來源與去向、每一步的轉化率。 可以說，漏鬥模型是事先的、人為的、主動的設定了若幹個關鍵事件節點路徑，而路徑分析是探索性的去挖掘整體的行為路徑，找出用戶的主流路徑，甚至可能發現某些事先不為人知的有趣的模式路徑。 4.案例分析（源於人人都是產品經理，神策-張喬） 中商惠民是中國最大的社區O2O服務平臺。在一次評估客戶總體轉化率過程中，通過漏鬥分析發現，從登錄惠配通APP後，提交訂單的商超客戶僅有 30 %，接下來可以通過用戶路徑客戶流失的原因所在。通過用戶路徑分析模型，清晰展示了商超客戶的動作走向，為判斷客戶流失原因重要方式之一。 圖4.1 來源：神策數據產品 中商惠民運營人員選取若幹事件對客戶購買路徑進行深度分析。圖中顯示，用戶登錄APP後，約有40 %的客戶會點擊Banner，30 %的客戶會直接進行商品搜索，約10%的用戶會瀏覽商品列表，約 5 %的客戶直接退出APP。 運營人員進一步看4類用戶的提交訂單的情況，直接進行“搜索商品”的用戶進行提交訂單比例最高，超過 90 % ；與其形成鮮明對比的是，盡管“點擊Banner”是更多客戶登錄APP後的首選動作（約占總客戶的40 %）但是這部分用戶群體在瀏覽商品列表後，僅僅30%的用戶提交訂單，說明Banner內容布局有著比較糟糕的用戶體驗，則將此作為首選優化與改進的方向。 五、用戶分群 1.什麽是用戶分群 用戶分群數據分析方法是進行用戶畫像的關鍵數據分析模型，這是企業進行數據分析、精細化運營的第一步。用戶分群即用戶信息標簽化，通過用戶的歷史行為路徑、行為特征、偏好等屬性，將具有相同屬性的用戶劃分為一個群體，並進行後續分析。 2.用戶分群關註點 他們是誰？ 行為特點有哪些？ 偏好是什麽？ 潛在需求和行為喜好是什麽？ 六、點擊分析 1.點擊分析和熱力圖的區別 熱力圖：熱力圖是以特殊高亮的形式顯示訪客熱衷的頁面區域和訪客所在的地理區域的圖示。 圖6.1 點擊圖：在用戶行為分析領域，點擊分析被應用於顯示頁面或頁面組（結構相同的頁面，如商品詳情頁、官網博客等）區域中不同元素點擊密度的圖示。包括元素被點擊的次數、占比、發生點擊的用戶列表、按鈕的當前與歷史內容等因素。 圖6.2 2.點擊分析的作用 了解用戶和頁面上各元素的交互情況，判斷哪些元素對客戶最有吸引力，為優化和調整網頁設計提供了科學依據 3.點擊分析要分析什麽？ ① 精準評估用戶與網站交互背後的深層關系 按照事件屬性和用戶屬性進行篩選，查看頁面元素點擊背後的用戶列表，對特定環境下特定用戶群體對特定元素的點擊進行精細化分析。 ② 網頁內跳轉點擊分析，抽絲剝繭般完成網頁深層次的點擊分析 ③ 與其他分析模型配合，以全面視角探索數據價值，能夠深度感知用戶體驗，實現科學決策。 改版後，如何評估新版本對用戶體驗的影響？一處修改，是否影響其他元素的點擊……等等。再如 A/B 測試，反復驗證優化效果選擇最優方案等 4.案例分析（源於人人都是產品經理，神策-張喬） 點擊分析應用場景：電商界面的優化與改進；企業官網改版 電商界面的優化與改進——配合實時多維分析，驗證方案科學與否 以商品詳情頁的優化為例，電商產品人員可以 URL 規則建立了一個頁面組，並選擇任意一個商品詳情頁作為背景展示點擊情況，“點擊分析”對於相同結構的網頁，如商品詳情頁、購物頁面、博客文章等，提供了統一、便捷的點擊分析方式。 該網站中商品詳情頁的點擊圖情況如圖6.2 通過該圖我們可以看到： 用戶在該頁面頻繁地點擊商品的圖片，和已購買的人數。 顯然，用戶在購買前希望了解更多的商品信息，尤其是圖片、已購買用戶的評價，進而決定是否下單。然而，在更深入分析頁面時發現，商品圖片只有 1 張且不支持查看大圖，又無法查看用戶評價。通過查看網站的歷史數據，每天大約有 50% 的用戶來瀏覽的都是這樣的商品詳情頁。因此為了優化目標頁的用戶體驗，可以： ·要求商家發布商品時必須上傳不少於 3 張照片； ·支持所有類型的商品詳情頁都有已購買者的評價露出。 從商品詳情頁的點擊圖中，右側邊欄中“我的心願單”這個按鈕被用戶，尤其老用戶點擊率很高。以此為參考，為頁面改版找到一些方向：在合適的位置新增“加入心願單”按鈕。 改版後，產品人員再次通過點擊分析工具評估效果時發現，“加入心願單”按鈕的點擊率達到 30%，而“立即購買”按鈕的點擊率只下降了 1%，圖略。說明這次改版對“立即購買”按鈕的點擊率的沖擊程度不大，並不會影響頁面的最終轉化。 “加入心願單”是否對用戶轉化造成影響？產品人員可通過用戶路徑“加入心願單”操作的頻率和人數，或者通過留存率判斷用戶黏性的強弱變化……

【數據分析學習筆記】用戶行為分析模型