【數據分析學習筆記】用戶行爲分析模型

1、行爲事件分析

1.什麼是行爲事件分析

企業追蹤或記錄的用戶行爲或業務過程，如用戶註冊、瀏覽產品詳情頁、成功投資、提現等，經過研究與事件發生關聯的全部因素來挖掘用戶行爲事件背後的緣由、交互影響等。

2.行爲事件分析的特色與價值

行爲事件分析法通常通過事件定義與選擇、下鑽分析、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，對於未登錄用戶，能夠是 Cookie、設備 ID 等匿名 ID ;對於登陸用戶，可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，能夠經過 IP 來解析用戶所在省市;也能夠根據 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 描述用戶所作的這個事件的全部具體內容。好比對於「購買」類型的事件，則可能須要記錄的字段有：商品名稱、商品類型、購買數量、購買金額、付款方式等。

多維度下鑽分析

變化趨勢、維度對比等等各類細分問題

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高了觸發用戶數。若是相悖，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，所以須要快速排查緣由：是異常流量仍是虛假流量？

企業能夠先定義事件，經過「篩選條件」限定廣告系列來源爲「新浪」。再從其它多個維度進行細分下鑽，好比「地理位置」、「時間」、「廣告系列媒介」、「操做系統」、「瀏覽器」等。當進行細分篩查時，虛假流量無處遁形。下圖爲來源爲「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，運營人員可進行其餘用戶行爲分析。經過「投資成功」事件，查看各個時段的投資金額。若想知道每一個產品類型的投資金額，此時再按照「產品類型」進行分組查看便可。如圖2。

圖1.2 不一樣產品投資成功的支付金額的總和

 

當用戶投資到期後，後續行爲多是提現或繼續投資，運營人員能夠實時關注「提現率」的變化趨勢。

圖1.3 用戶投資到期後提現率的變化狀況

 

值得強調的是，行爲事件分析方法是多種數據分析模型之一，它與其餘分析模型存在沒法割裂的關係。只有各分析模型實現科學互動和配合，可以科學揭示出用戶我的／羣體行爲的內部規律，並據此作出理論推導，不斷在工做實踐中優化商業決策和產品智能。

 

2、用戶留存分析

1.什麼是留存分析

留存分析是一種用來分析用戶參與狀況/活躍程度的分析模型，考察進行初始行爲的用戶中，有多少人會進行後續行爲。這是用來衡量產品對用戶價值高低的重要方法。

留存分析能夠幫助回答如下問題

· 一個新客戶在將來的一段時間內是否會完成您期許用戶完成的行爲？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，若是產品目前處於快速增加階段，頗有可能新用戶中的活躍用戶數增加掩蓋了老用戶活躍度的變化。

3.留存分析模型特色與價值

特色

科學的留存分析模型具備靈活條件配置——根據具體需求篩選初始行爲或後續行爲的細分維度，針對用戶屬性篩選合適的分析對象的特色。

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

留存率反映的其實是一種轉化率，即由初期的不穩定的用戶轉化爲活躍用戶、穩定用戶、忠誠用戶的過程。隨着統計數字的變化，能夠看到不一樣時期用戶的變化狀況，從而判斷產品對客戶的吸引力。

② 宏觀上把握用戶生命週期長度以及定位產品可改善至之處

經過留存分析，能夠查看新功能上線以後，對不一樣羣體的留存是否帶來不一樣效果? 能夠判斷產品新功能或某活動是否提升了用戶的留存率？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，實現快速迭代驗證，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）

遊戲行業提高活躍、留存——如何精準找到玩家「流失點」？

遊戲的生命週期的時長差別、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覺、遊戲難度曲線、遊戲節奏的鬆弛、遊戲福利等遊戲內涵都可以致使遊戲玩家流失。正確找到玩家流失緣由，是促進玩家、活躍挽留玩家的第一步。下面爲《迷城物語》在刪檔測試期間的相關應用情景。（注：如下配圖所涉及的數據，均爲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佈，判斷玩家流失與關卡設置的相關性。

圖2.1 瞭解玩家在首次登錄遊戲以後的8周流失狀況分析（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。爲精準致使玩家流失的關鍵因素，須要每一個環節、具體場景進行深刻追蹤與分析，餘略。

 

3、漏斗分析

1.什麼是漏斗分析

漏斗分析是一套流程式數據分析，它可以科學反映用戶行爲狀態以及從起點到終點各階段用戶轉化率狀況的重要分析模型。

漏斗分析模型已經普遍應用於流量監控、產品目標轉化等平常數據運營與數據分析的工做中。漏斗可以展示出流程中各個階段的轉化率，經過漏斗各環節相關數據的比較,可以直觀地發現和說明問題所在，從而找到優化方向。

2.漏斗分析模型的特色與價值

監控用戶在各個層級的轉化狀況，聚焦用戶選購全流程中最有效轉化路徑，同時經過不一樣層級的轉狀況，迅速定位流失環節，找到可優化的短板，提高用戶體驗。

多維度切分與呈現用戶轉化狀況，成單瓶頸無處遁形。

經過觀察不一樣屬性的用戶羣體各環節轉化率，各流程步驟轉化率的差別對比，瞭解轉化率最高的用戶羣體，分析漏斗合理性，並針對轉化率異常環節進行調整。

3.在漏斗分析模型中，科學歸因、屬性關聯的重要性

歸因

在科學的漏斗分析中，須要科學歸因設置。每一次轉化節點應根據事件功勞差別（事件對轉化的功勞大小）而科學設置。

以市場營銷爲例，市場活動、線上運營、郵件營銷均可能觸發用戶購買。A 欲選購一款化妝品，經過市場活動了解 M 產品，後來在百度貼吧瞭解更多信息，可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。

那麼，在漏斗設置時，轉化歸因應該「歸」哪個渠道呢？在這個案例中，運營人員願意以實際轉化的事件的屬性爲準。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。在科學的漏斗分析模型中，用戶羣體篩選和分組時，以實際轉化事件——郵件營銷來源的用戶羣體的屬性爲準，則大大增大了漏斗分析的科學性。

屬性關聯

定義「轉化」時，要求漏斗轉化的先後步驟有相同的屬性值。好比同一 ID（包括品類 ID、商品 ID）才能做爲轉化條件——瀏覽 iphone6，購買同一款 iphone6 才能被定義爲一次轉化。

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，將客戶劃分爲普通會員、黃金會員、鑽石會員。爲增強對用戶的轉化引導，F 欲針對不一樣用戶羣體採用不一樣的運營方式。

圖3.1 普通會員與鑽石會員的漏斗轉化狀況對比（圖片來源：神策數據產品）

 

經過對比，可明顯看出，普通會員從「提交訂單」到「支付訂單」的轉化率明顯低於鑽石會員。爲找到「支付訂單」階段轉化率變低的緣由，F公司運營人員應深度分析普通會員轉化率狀況，如對比不一樣付費渠道（PC 端、手機端等）的轉化狀況，找到優化的短板。另外，能夠嘗試支付訂單流程的新手引導，幫助新手順利完成購買。

 

4、用戶行爲路徑分析

1.什麼是用戶行爲路徑分析

對用戶在APP或網站中的訪問行爲路徑進行的分析。

爲了衡量網站優化的效果或營銷推廣的效果，以及瞭解用戶行爲偏好，時常要對訪問路徑的轉換數據進行分析。

2.用戶行爲路徑分析的價值

用戶典型路徑識別與用戶特徵分析

經過用戶總體行爲路徑找到不一樣行爲間的關係，挖掘規律並找到瓶頸。

產品設計的優化與改進

瞭解用戶總體行爲的主路徑和次路徑，根據用戶路徑中各個環節的轉化率，發現用戶的行爲規律和偏好，發現哪些操做過於冗長繁瑣，這樣能夠幫助咱們針對性地改進剪輯操做模塊，優化用戶體驗。

也能夠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，也能夠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自己便是一項很重要的產品運營指標，經過路徑分析來監測與驗證相應的運營活動結果，能夠方便相關人員認識瞭解運營活動效果。

3.用戶行爲分析模型和漏斗模型

漏斗模型一般是對用戶在網站或App中一系列關鍵節點的轉化率的描述，這些關鍵節點每每是咱們人爲指定的。

路徑分析一般是對每個用戶的每個行爲路徑進行跟蹤與記錄，在此基礎上分析挖掘用戶路徑行爲特色，涉及到每一步的來源與去向、每一步的轉化率。

能夠說，漏斗模型是事先的、人爲的、主動的設定了若干個關鍵事件節點路徑，而路徑分析是探索性的去挖掘總體的行爲路徑，找出用戶的主流路徑，甚至可能發現某些事先鮮爲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。在一次評估客戶整體轉化率過程當中，經過漏斗分析發現，從登陸惠配通APP後，提交訂單的商超客戶僅有 30 %，接下來能夠經過用戶路徑客戶流失的緣由所在。經過用戶路徑分析模型，清晰展現了商超客戶的動做走向，爲判斷客戶流失緣由重要方式之一。

圖4.1 來源：神策數據產品

 

中商惠民運營人員選取若干事件對客戶購買路徑進行深度分析。圖中顯示，用戶登陸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狀況，直接進行「搜索商品」的用戶進行提交訂單比例最高，超過 90 % ；與其造成鮮明對比的是，儘管「點擊Banner」是更多客戶登陸APP後的首選動做（約佔總客戶的40 %）可是這部分用戶羣體在瀏覽商品列表後，僅僅30%的用戶提交訂單，說明Banner內容佈局有着比較糟糕的用戶體驗，則將此做爲首選優化與改進的方向。

 

5、用戶分羣

1.什麼是用戶分羣

用戶分羣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。用戶分羣即用戶信息標籤化，經過用戶的歷史行爲路徑、行爲特徵、偏好等屬性，將具備相同屬性的用戶劃分爲一個羣體，並進行後續分析。

2.用戶分羣關注點

他們是誰？

行爲特色有哪些？

偏好是什麼？

潛在需求和行爲喜愛是什麼？

 

6、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：在用戶行爲分析領域，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）區域中不一樣元素點擊密度的圖示。包括元素被點擊的次數、佔比、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.點擊分析的做用

瞭解用戶和頁面上各元素的交互狀況，判斷哪些元素對客戶最有吸引力，爲優化和調整網頁設計提供了科學依據

3.點擊分析要分析什麼？

① 精準評估用戶與網站交互背後的深層關係

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羣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 與其餘分析模型配合，以全面視角探索數據價值，可以深度感知用戶體驗，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，是否影響其餘元素的點擊……等等。再如 A/B 測試，反覆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爲例，電商產品人員能夠 URL 規則創建了一個頁面組，並選擇任意一個商品詳情頁做爲背景展現點擊狀況，「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1、便捷的點擊分析方式。

 

該網站中商品詳情頁的點擊圖狀況如圖6.2

 

經過該圖咱們能夠看到：

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，用戶在購買前但願瞭解更多的商品信息，尤爲是圖片、已購買用戶的評價，進而決定是否下單。然而，在更深刻分析頁面時發現，商品圖片只有 1 張且不支持查看大圖，又沒法查看用戶評價。經過查看網站的歷史數據，天天大約有 50% 的用戶來瀏覽的都是這樣的商品詳情頁。所以爲了優化目標頁的用戶體驗，能夠：

·要求商家發佈商品時必須上傳很多於 3 張照片；

·支持全部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「個人心願單」這個按鈕被用戶，尤爲老用戶點擊率很高。以此爲參考，爲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，產品人員再次經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「當即購買」按鈕的點擊率只降低了 1%，圖略。說明此次改版對「當即購買」按鈕的點擊率的衝擊程度不大，並不會影響頁面的最終轉化。

「加入心願單」是否對用戶轉化形成影響？產品人員可經過用戶路徑「加入心願單」操做的頻率和人數，或者經過留存率判斷用戶黏性的強弱變化……