用戶分析模型

一、用戶模型

「不只要知道用戶當下在想什麼，更要知道用戶背後在想什麼，以及用戶正在經歷着什麼。」

傳統用戶模型構建方式

用戶模型：基於對用戶的訪談和觀察等研究結果創建，嚴謹可靠但費時；

臨時用戶模型：基於行業專家或市場調查數據對用戶的理解創建，快速但容易有偏頗。（缺少時間，資源的狀況下）

爲了節省時間，下降風險，產品團隊每每儘快將產品推向用戶，快速試錯，在這種場景下如何構造用戶模型？

1，首先，整理和收集已經得到的任何可認知用戶的經驗和數據，將這些信息映射成爲用戶的描述信息（屬性）或用戶的行爲信息，並存儲起來造成用戶檔案,

2，實時關注自身數據的波動，及時採起行動

3，記錄用戶的行爲數據而不是單純地爲用戶打標籤

4，360°覆蓋用戶全生命週期的用戶檔案

用戶的每一步成長都經過行爲記錄下來，基於用戶所在生命週期的不一樣階段，針對新用戶、流失用戶、活躍用戶、沉默用戶分別採起有針對性的拉新、轉化、留存等運營策略。

 

二、事件模型

1.事件是什麼

就是用戶在產品上的行爲，它是用戶行爲的一個專業描述，用戶在產品上的全部得到的程序反饋均可以抽象爲事件，由開發人員經過埋點進行採集，通俗講就是：將一段代碼放入對應的頁面/按鈕，用戶進入頁面/點擊按鈕的本質是在加載背後的代碼，同時再加載事件採集代碼，這樣就被SDK所記錄下來了。

（利用百度統計加入代碼採集用戶下載成功和失敗事件）

2.事件的採集

事件：用戶在產品上的行爲

屬性：描述事件的維度

值：屬性的內容

採集時機:用戶點擊（click）、網頁加載完成、服務器判斷返回等。在設計埋點需求文檔時，採集時機的說明尤其重要，也是保證數據準確性的核心。

舉個例子，在採集過程當中若是沒有明確時機，當用戶點擊了註冊按鈕，因爲用戶輸入了錯誤的註冊信息實際沒有註冊成功，可能仍然會進行記錄，這樣在統計註冊成功事件的時候就不是準確的。而正確的採集時機描述應該是「服務器返回註冊成功的判斷」。（日本官網採集的就是返回激活成功或者失敗頁面）

3.事件的分析

• 人數：某一事件（行爲）有多少人觸發了
• 次數：某一事件（行爲）觸發了多少次
• 人均次數：某一事件（行爲）平均觸發多少次
• 活躍比：在一個時間區間內，觸發某一事件的人數佔當前時間段內全部活躍人數的比

4.事件的管理

當事件不少時，能夠對事件進行分門別類地管理。同時，能夠從產品業務角度將重要的用戶行爲標註出來，以即可以在分析時方便、快捷地查找經常使用、重要的事件。

三、漏斗模型

漏斗模型幫助你分析一個多步驟過程當中每一步的轉化與流失狀況。

舉例來講，用戶下載產品的完整流程可能包含如下步驟：

 

咱們能夠將如上流程設置爲一個漏斗，分析總體的轉化狀況，以及每一步具體的轉化率和轉化中位時間

咱們須要將按照流程操做的用戶進行各個轉化層級上的監控，尋找每一個層級的可優化點；

對沒有按照流程操做的用戶繪製他們的轉化路徑，找到可提高用戶體驗，縮短路徑的空間。

更好的利用漏斗模型：

1.細化每個環節，展現到點擊之間？點擊到下載之間？下載到安裝之間？安裝到體驗之間？

2.擁有埋點意識和全局觀念，纔可以有效採集，爲每一個環節的漏斗優化作出決策依據，推進各個部門優化

四、熱圖分析模型

什麼是熱圖分析模型？

反映用戶在網頁上的關注點在哪裏，尤爲對於官網首頁來講，信息密度極高，用戶到底是如何點擊，如何瀏覽的效果圖

按計算維度劃分，熱圖能夠分爲點擊熱圖和瀏覽熱圖。

點擊熱圖：追蹤的是鼠標的點擊狀況，進行人數、次數統計並基於百分比進行熱力分佈，點擊熱圖又分爲兩種，一種是鼠標的全部點擊，一種是頁面可點擊元素的點擊。前者能夠追蹤頁面上全部可點擊和不可點擊位置的被點擊狀況，後者只追蹤頁面上可點擊元素的點擊狀況。

瀏覽熱圖（也稱注意力熱圖）記錄的是用戶在不一樣頁面或同一頁面不一樣位置停留時間的百分比計算，基於停留時長。

熱圖分析模型中的新特性

一、面向特定人羣的分析與人羣對比

好比理財產品，投資用戶和未投資用戶關注點確定不一樣

二、聚焦分析

點擊率= 點擊次數/當前頁面的瀏覽次數

聚焦率=點擊次數/當前頁面的點擊總次數

應用場景

一、落地頁效果分析

二、首頁流量追蹤

三、關鍵頁體驗衡量（產品體驗和下載頁面）

五、自定義留存分析模型

留存定義和公式

定義：知足某個條件的用戶，在某個時間點有沒有進行回訪行爲

公式：若知足某個條件的用戶數爲n，在某個時間點進行回訪行爲的用戶數爲m，那麼該時間點的留存率就是m/n

• N-day留存，即第幾日留存，只計算第N天完成回訪行爲的用戶
• Unbounded留存（N天內留存），留存會累計計算N天內全部完成過回訪行爲的用戶。
• -Bracket留存 （自定義觀察期留存）N-day留存和Unbounded留存都是按照獨立的天/周/月爲觀察單位計算，但有時候咱們不但願受限於這種固定時間度量，咱們但願劃分爲幾個觀察期

第一個觀察期：第二天

第二個觀察期：第3日-第7日

第三個觀察期：第8日-第14日

第四個觀察期：第15日到第30日

自定義留存

上述三種留存方式，都是對時間的限定，對留存的定義都是用戶打開了APP或進入了網站

自定義留存是基於業務場景下的留存狀況，好比閱讀類產品會把看過至少一篇文章的用戶定義爲真正的留存用戶，電商類產品會把至少查看過一次商品詳情定義爲有效留存

• 初始行爲：初始與回訪是相對的概念。
• 回訪行爲：與初始行爲的設定是而且關係。用戶的初始行爲能夠理解爲上一次行爲，回訪行爲即理解爲下一次行爲。

對初始行爲和回訪行爲的設定本質上是在進一步篩選用戶羣。在滴滴的一次增加分享會曾提到過「搶了紅包的用戶後來打了車的日留存」，即初始行爲是搶了紅包，回訪行爲是打了車。「搶了紅包的用戶打了車的3日留存」即初始行爲是搶了紅包，回訪行爲是打車，看這部分人的第三天留存。

六、粘性分析

定義：對活躍用戶使用產品的習慣的分析，例如一個月使用了幾天，使用大於一天，大於七天的用戶有多少，例如某些產品上線了新功能，用戶使用須要簽到，能夠由此分析出用戶的使用習慣，評估新功能的吸引力和健康度。

做用：使用留存分析，瞭解產品和功能黏住用戶的能力如何，用戶喜歡哪一個功能，不一樣用戶在同一功能在適用上的差別，有助於科學評估產品，制定留存策略

舉例：股票APP，已投資用戶和未投資的用戶觸發功能【查看股票市場】的次數

七、全行爲路徑分析

行爲路徑分析分爲漏斗分析和全行爲路徑分析。與漏斗分析模型不一樣，漏斗分析模型是分析既定的行爲轉化，例如電商產品，分析從查看產品詳情到最終支付每一步的轉化率。而全行爲路徑分析是對用戶在APP或網站的每一個模塊的流轉狀況，挖掘用戶的訪問模式，從而優化產品或網站

通常可用樹形圖表現，以下圖，一個線上培訓網站，用戶大都會打開搜索課程，因此須要優化搜索課程。而在第一次搜索課程後，用戶並無搜索到想要的課程，又進行了第二次搜索，所以能夠將用戶搜索頻率高的關鍵詞設置成可點擊元素，連接到用戶使用頻率高的相關課程。引導用戶點擊獲得想要的結果

 

八、用戶分羣模型

分羣是對某一特徵用戶的劃分和歸組，而分層，更多的是對全量用戶的一個管理手段，細分用戶的方法其實咱們一直在用，好比咱們熟悉的RFM模型：

RFM模型是從用戶的業務數據中提取了三個特徵維度：最近一次消費時間（Recency）、消費頻率 (Frequency)、消費金額 (Monetary)。經過這三個維度將用戶有效地細分爲8個具備不一樣用戶價值及應對策略的羣體，以下圖所示。

 

另外四個用戶分羣的維度：

一、用戶屬性：用戶客觀的屬性，描述用戶真實人口屬性的標籤，好比：年齡、性別、城市、瀏覽器版本、系統版本、操做版本、渠道來源等就是用戶屬性

2.活躍時間

3.作過，沒作過

4.新增於：什麼時候新增用戶較多