數據分析中，你認爲用戶行爲分析最重要的3個點是什麼

點擊流數據記錄了用戶在網站的幾乎全部行爲動做，衍生出許多行爲指標，有些指標是全部網站都統一的，好比訪問頻率、平均停留時長等；有些指標根據網站的特徵定製，好比電子商務網站的消費行爲、社區網站的內容發佈行爲和社交媒介的信息互動行爲。我習慣將用戶的行爲指標分爲三大類，即黏性、活躍和產出，每一個分類能夠包含多個行爲指標來共同衡量用戶在這三類中的行爲表現，進而區分用戶的行爲特徵，對用戶進行分類或者綜合評定，如圖6-7所示。

 

圖 6-1    用戶行爲分析分類指標[z1] 

用戶行爲指標中的黏性（Stickiness）主要關注用戶在一段時間內持續訪問和使用網站的狀況，更強調一種持續的狀態，這裏將「訪問頻率」和「訪問間隔時間」兩個指標歸到了黏性的分類；活躍（Activity）則更多地針對用戶每次的訪問過程，考察用戶訪問中的參與度（Engagement），因此對統計期中用戶的每次訪問取了平均值，選擇「平均訪問時長」和「平均訪問頁面數」來衡量活躍；黏性和活躍從用戶的訪問狀況衡量用戶可能創造的價值，多是顯性也多是隱形，如品牌、口碑等，但產出（Outcomes）直接根據網站的業務衡量用戶創造的直接價值輸出，如電子商務網站能夠選擇「訂單數」和「客單價」，一個衡量產出的頻率，另外一個衡量平均產出價值的大小。

用戶行爲分析注意點！

在統計用戶行爲指標進行分析時，須要注意選擇合適的時間段，時間段的長度不能太短，否則沒法體現用戶長期和持續性的行爲特徵，黏性指標的分析會不許確；同時短時間的用戶行爲也會誤導對用戶總體特徵和價值的判斷，有可能用戶在該段時間內極度活躍或者極度低調，也可能用戶在短期內創造了高產出，但從長期看用戶創造的價值並無那麼高。

用戶行爲指標統計的時間段能夠根據網站業務特色和用戶的行爲密度進行選擇，對於通常的網站，建議每個月統計一次比較合適，能夠針對某些用戶或分類來比較每個月的行爲指標數據的變化。

根據須要，能夠創造其餘的用戶行爲分類，也能夠基於這三類，每一個類別添加不一樣的行爲指標，前提是每一個行爲分類可以體現其分析的價值，而且每一個分類下的指標能夠有效地衡量這個分類的績效表現，儘可能保證分類和指標分析上的獨立性，不存在做用的重疊。好比，在黏性使用了訪問頻率，訪問次數越多相應的總的訪問頁面數（Pageviews）也越多，若是在活躍中選擇總的Pageviews，指標間就存在相互的關聯性，進而對分析結果產生重複的影響，因此這裏選擇每一個訪問的平均訪問頁面數來保證指標的獨立性。基於行爲分類和指標的獨立性，就能體現出不一樣的分析價值。

用戶行爲分析還有一種更簡單的方法——RFM分析，僅選擇三個指標：

w   最近一次消費（Recency）

w   消費頻率（Frequency）

w   消費金額（Monetary）

RFM分析原先用於傳統營銷、零售業等領域，適用於擁有多種消費品或快速消費品的行業，只要任何有數據記錄的消費均可以用於分析。在網站分析中電子商務網站能夠直接套用，其餘網站也能夠基於RFM的分析思路進行修改後使用。

提取相關數據以前，首先須要肯定數據的時間跨度，根據網站銷售物品的差別，肯定合適的時間跨度。若是經營的是快速消費品，能夠肯定時間跨度爲一個季度或者一個月；若是銷售的產品更替的時間相對久些，如電子產品，能夠肯定時間跨度爲一年、半年或者一個季度。由於RFM也是基於用戶持續行爲的分析，因此不建議獲取短期內的數據。

其中最近一次消費（Recency）取出來的數據是一個時間點，須要計算與當前時間的間隔，單位能夠是天，也能夠是小時；消費頻率（Frequency）這個指標能夠直接對每位用戶的消費次數進行計數獲得；消費金額（Monetary）這裏取的是該時間段內每位用戶的消費總額，經過相加（SUM）求得。獲取三個指標的數據之後，須要計算每一個指標數據的均值，分別以AVG(R)、AVG(F)、AVG(M)來表示，最後經過將每位客戶的三個指標與均值進行比較，能夠將客戶細分爲8類，見表6-1。

表 6-1            RFM分析用戶分類

訪問間隔	訪問頻率	消費金額	客戶類型
é	é	é	重要價值客戶
é	ê	é	重要發展客戶
ê	é	é	重要保持客戶
ê	ê	é	重要挽留客戶
é	é	ê	通常價值客戶
é	ê	ê	通常發展客戶
ê	é	ê	通常保持客戶
ê	ê	ê	通常挽留客戶

注：「é」表示大於均值，「ê」表示小於均值

表6-1中，咱們能夠認爲當消費金額大於均值時該用戶可以創造較高價值，所以是網站的重要用戶；訪問頻率高於均值，用戶訪問比較持續，應該保持這種持續性，而訪問頻率太低的用戶須要提高他們的訪問頻率，屬於須要發展的用戶；最近訪問間隔從某種程度上反映用戶流失的傾向，間隔時間越長用戶流失的可能性越大，對於這類用戶須要重點挽留。

RFM模型包括三個指標，沒法用平面座標圖來展現，因此這裏使用三維座標系進行展現，其中X軸表示Recency，Y軸表示Frequency，Z軸表示Monetary，座標系的8個象限分別表示8類用戶，根據上表中的分類，能夠如圖6-8所示進行描述。

 

圖 6-2    RFM分析用戶分類三維圖

原始的RFM分析只能分析有交易行爲的用戶，而對訪問過網站但未消費的用戶因爲指標的限制沒法進行分析，這樣就沒法發現潛在客戶。因此在分析電子商務網站的用戶時，因爲網站數據的豐富性，不只擁有交易數據，並且能夠收集到用戶的瀏覽訪問數據，能夠擴展到更廣闊的角度去觀察用戶。

基於用戶行爲指標的用戶分佈

基於上面用戶行爲指標的統計結果，能夠結合一些圖表來表現每一個行爲的用戶分佈狀況。Google Analytics上面在用戶行爲模塊中對新老用戶佔比、訪問頻率和間隔、訪問時長和深度的分佈狀況進行分析和展示，如訪問頻率的用戶分佈狀況，使用了條形圖進行展示，如圖6-9所示。

 

圖 6-3    Google Analytics用戶訪問頻率分佈圖

圖6-9展示了訪問次數在1～5次的用戶的訪問數和頁面瀏覽數，及訪問數和頁面瀏覽數在整體中所佔的比例。用於展示數據分佈狀況的圖表有不少，好比用餅圖能夠顯示每一個數據類別的比例，能夠用於新老用戶佔比的展示，最經常使用是直方圖，直方圖與柱狀圖比較相似，而柱狀圖經常使用來展示不一樣數據項的數量大小，如每一個省份的訪問數，這裏的橫座標省份間是相互獨立的，因此每一個柱形之間是相互分離的，而直方圖則經常使用於展示頻數和分佈，橫座標的數據通常是連續的，因此直方是緊靠在一塊兒的，不少時候橫座標是基於分組的數據，咱們將用戶的客單價分組後展示每組數據的用戶分佈比例，如圖6-10所示。

 

圖 6-4    客單價用戶分佈圖

圖6-10中，將客單價每隔30進行分組（圖中30顯示的是客單價爲0～30的用戶比例，以此類推），大於300的獨立一組，統計每組用戶數及所佔比例並展現。數據的分組儘可能使用同樣的組距，這樣可讓數據看上去更均勻，但有時候因爲數據分佈比較特殊，使用不相同的組距也何嘗不可，但要註釋清楚。直方圖的分組個數在6～20比較合適，若是橫座標的分組或數據項異常多，可能展示出來的直方圖看上去會很是密集，這時能夠藉助「趨勢線」來觀察數據的總體分佈狀況，或者使用帶平滑線的散點圖，如圖6-11所示。

 

圖 6-5    訪問間隔天數用戶分佈圖

圖6-11所示的是近60天中訪問的用戶的最近一次訪問距離當前的間隔天數的用戶分佈圖，顯示了每一個訪問間隔天數的用戶比例，由於沒有對數據作分組，橫座標顯示了連續的60天的數據，因此使用了帶平滑曲線的散點圖進行展示，可以比較直觀地展示用戶的保留狀況。咱們能夠從圖中獲得一些其餘信息，好比能夠定義訪問間隔天數超過兩週的爲沉默用戶或者休眠用戶，只要取訪問間隔天數超過14天的用戶就能夠獲得相應的用戶比例；若是定義訪問間隔超過30天的用戶爲流失用戶，也能夠從圖表中計算獲得流失的用戶比例。因此基於用戶的行爲分佈圖能夠獲取一些額外的用戶統計指標。

直方圖或者帶平滑曲線的散點圖都只能表現用戶分佈的頻數或比例中的一個指標，藉助排列圖能夠將頻數和比例同時展示在一張圖中，如圖6-12所示。

 

圖 6-6    消費次數用戶分佈排列圖

圖6-12的排列圖也叫帕累託圖，原先主要用於產品質量管理的領域，用於統計和分析引發產品質量問題的主要因素，使用直方圖表示數據分佈的頻數，使用折線圖表示數據分佈的頻率的累計。從這個消費次數的用戶分佈圖中能夠獲得不少信息：零消費（消費次數爲0次）用戶比例與消費（消費次數大於0次）用戶比例、單次消費（消費次數爲1次）用戶比例和屢次消費（消費次數大於1次）用戶比例，因此基於用戶分佈圖一樣能夠作用戶的行爲細分。

散點圖較多地用於表現兩個指標之間的聯繫，在相關分析和迴歸分析中較經常使用，但其本質也是展示數據的分佈，並且是基於兩個指標展示數據點的分佈位置，這裏選擇用戶訪問的平均停留時長和平均瀏覽頁面數來繪製散點圖，如圖6-13所示。

 

圖 6-7    平均訪問時長&頁面數用戶分佈圖

圖6-13中，咱們抽取了100個用戶做爲樣本展示每位用戶平均每次訪問的停留時長和瀏覽頁面數的分佈狀況，從圖中能夠發現網站中有多少用戶比較活躍，例如定義平均停留時長超過3分鐘（180秒）而且平均頁面瀏覽數超過3個的用戶爲活躍用戶，那麼圖中綠框範圍內的用戶就是活躍用戶，而且越接近綠框的右上角，用戶的活躍度越高。

用戶行爲指標的用戶分佈能夠幫助咱們發現許多額外的信息，同時基於每期的統計結果進行比較並分析用戶各行爲指標分佈的變化能夠掌控用戶的發展狀況，因此按期統計和分析用戶行爲指標的分佈狀況是十分有用的。

基於用戶細分的用戶行爲分析

前面對用戶的分類和行爲作了分析，但對於分析的輸出結果，咱們可能無從下手，觀察新老用戶、流失用戶及用戶的各類行爲指標和行爲分佈也許能夠作出很好的報告，評估用戶的發展狀況，但結論太過宏觀，咱們所能作的也只是根據分析結果調整用戶的總體運營策略，其餘可以採起的細節措施寥寥無幾。而網站分析始終須要把握的一個前提就是分析的結果須要有效地指導行動（Take actions），因此這裏就要介紹如何獲得更加有效的看法（Insights）。

前面已經介紹過一些常見的用戶分類：新老用戶、流失留存用戶等，不一樣的用戶分類羣體可能會有不一樣的行爲表現，咱們能夠經過分析各類用戶分類的用戶行爲指標來區分各種用戶的特徵及對網站的指望要求，進而針對各種用戶羣體進行調整和定向的營銷推廣。這裏主要以指導內容層面的調整爲導向，經過比較各用戶細分羣體對內容需求的差別，優化內容運營，將優質的內容或者符合用戶偏好的內容推薦給相應的用戶。這裏舉例三類用戶細分，即流失用戶與留存用戶、新用戶與老用戶、單次購買用戶和二次購買用戶，基於這三類細分，對每一個分類的用戶購買商品進行比較分析，明確哪些商品更加符合用戶的預期。

這裏的細分比較仍是以電子商務網站的數據爲例，首先是基於流失用戶和留存用戶，電商網站的內容就是商品，咱們基於每一個商品計算購買這些商品的用戶中購買以後形成流失的用戶比例，如圖6-14所示。

 

圖 6-8    流失用戶和留存用戶細分比較

首先要明確一下圖中各指標的定義，每一個商品的流失用戶比例應該是購買該商品後流失的用戶數在全部購買該商品的用戶中的佔比，但只知道每一個商品的流失用戶比例沒法評價這個商品是否對用戶保留有促進做用，或者在必定程度上形成了用戶的流失，只有經過與整體水平的比較才能得出相應的結論。因此這裏須要重點解釋的是「與整體比較」這個數值是怎麼計算獲得的，這裏的百分比不是直接相減的結果，而是一個差別的幅度體現，這裏假設整體用戶流失率爲56%，那麼以A商品爲例，與整體比較的結果是：( 58.13% - 56% ) / 56% = 3.80%，使用一樣的計算方法也能夠獲得其餘商品與整體比較的差別幅度。最後就是展現，在Excel中經過「條件格式」裏面的數據條功能能夠直接展示出圖中的效果，很是方便。

圖6-14中截取的Excel數據條的展現效果基於Excel2010，Excel2010開始支持雙向的數據條，以零爲界，正數向右負數向左，2010以前的版本僅支持單向的數據條。數據條左右方向的顏色均可以自定義，默認負數爲紅色、正數爲綠色，基本思路是紅色表示指標表現較差，綠色表示指標表現較好，這裏由於與整體比較流失率較高（正數）表現爲很差，比整體低（負數）表現較好，因此對數據條的左右顏色進行了互換，正數爲紅色，表現較差，負數爲綠色，表現較好，以後的圖表也聽從這個原則。

很明顯，圖6-14中的分析結果對運營調整有直接的指導性，目的是促進用戶保留，因此咱們要作的就是將有利於用戶留存的商品（F商品的用戶流失率明顯要比整體低得多，說明F產品更有利於用戶保留）推薦給用戶，而將那些可能致使用戶流失的商品（C商品）進行優化或者下架。

一樣，使用上面的方法能夠區分不一樣用戶羣的購買偏向。新老用戶的細分是最多見的用戶細分方法，咱們可使用相似的方法來看看新老用戶對商品的不一樣喜愛，如圖6-15所示。

 

圖 6-9    新老用戶細分比較

從圖6-15中你看出了什麼？購買D商品的用戶中新用戶的比例明顯偏低，也許新用戶根本就不喜歡這個商品，而B商品和F商品顯然更加符合新用戶的口味。若是你的網站能夠進行新老用戶區分的定向推廣，那麼上面這個分析結果將讓你受益良多。

固然，這個數據呈現的特徵可能跟商品的推廣渠道有必定關係，好比圖6-15中的D商品可能使用老用戶比較集中的推廣渠道（如EDM），那麼購買用戶中天然老用戶的比例會偏高；或者把某些商品放在新用戶比較集中的Landing Page中展現，那麼購買該商品的新用戶比例顯然也會偏高。因此，在作此類分析時須要注意根據推廣渠道的差別，具體問題具體分析，不能一律而論。

再來看一下相似的方法怎麼促成用戶的重複購買。對於電子商務網站而言，用戶的首次購物體驗很是重要，這會直接影響用戶是否會產生再次或者以後的屢次購買，或者是否可以成爲網站的忠誠客戶。若是你的網站注重用戶關係管理，有足夠的數據支持，那麼能夠嘗試下使用如圖6-16所示的分析方法。

 

圖 6-10 首次二次購買用戶細分比較

須要注意的是，這裏的基礎用戶羣設定在了每一個商品的首次購買用戶（不是全部用戶），咱們要分析的是全部將該商品做爲首次購買商品的狀況下，用戶是否還會發起以後的再次甚至屢次購買行爲（這裏的二次購買用戶不是指購買次數是2次的用戶，而是指全部購買次數超過1次的用戶），從而評價商品對於首次購買體驗的影響好壞。從圖6-16能夠看出，B商品和F商品在促成二次購買的表現不佳，頗有可能商品的使用或質量問題影響了用戶的滿意度，阻礙了用戶再次購買的腳步。根據分析結果，咱們尤爲須要對那些二次購買率比整體水平低不少的商品進行重點關注，同時也須要根據商品的特徵進行分析，有些商品確實比較容易促成二次購買，由於可能存在交叉銷售和向上營銷的狀況。

若是你從Google Analytics上尋找相似的數據，其實惟一能夠找到的就只有新訪問比例，由於GA無法細分首次購買和二次購買用戶，而流失和留存用戶是網站的自定義指標。在GA的內容模塊裏面細分到每一個頁面的指標也未包含% New Visits（在流量來源、地域細分裏面有該度量），因此須要自定義報告來查看網站每一個頁面的新訪問比例，比較的基準仍是網站整體的新訪問比例，GA的展示方式選擇裏面直接提供了與整體比較的視圖「Comparison」，圖6-17是我作的自定義報表。

 

圖 6-11 GA基於內容細分新老用戶比較

如圖6-17所示，GA上面展示的效果和用Excel 2010定製條件格式後的效果很像，這種基於基準的比較展示很是直觀實用，其實在其餘分析中一樣能夠用到。個人博客文章的新用戶比例比較中能夠分析出什麼？訪問數排在前幾名的文章中很明顯的趨勢就是概念性和方法論的文章的新用戶比例高於均值（固然主要靠搜索引擎的幫忙），而觀點性和分析性的文章的新用戶比例低於均值（老用戶更偏向於實踐和應用），因此若是個人博客能夠動態向新用戶和老用戶展示不一樣的內容，那麼這個分析將十分有價值，也許你的網站能夠嘗試一下。

最後用一句話總結：細分是用於比較的，比較是爲了反映差別進而作出調整優化的，因此細分的目的最終仍是指導運營決策，這纔是數據分析的價值體現。