本文笔者将与大家分享数据分析模块的内容，展开讲述5种常见的用户行为数据分析方法，以及自己对于这5种分析方法的一些看法。
最近，由于公司开发新产品，需要设计一个数字化运营的平台，主要目标是：
收集多源用户数据；
数据分析；
用户分群；
用户画像
所以，现在想根据自己阅读过的资料，以及市面上已有的大数据用户行为分析产品，并结合自己的理解和想法，重思路轻技术的角度进行一个学习分享，希望自己也有更多的收获和反思。
本文主要阐述数据分析模块的内容，后续等自己研究好用户画像资料后再来分享。
写在前面
互联网时代背景下，用户每天都会在日常使用的app上留下自己的行为，例如淘宝上搜索、浏览、购买商品；抖音上收藏、点赞、评论视频等等，而每个产品背后不仅记录了用户行为这样的实时动态数据，还记录了用户一些静态数据（个人信息、或用户属性）。
数据源不只有app，还有小程序、web、H5、第三方。至于第三方来源的数据，我理解的就是利用用户的静态数据来做关联，一方面可以打通多个产品之间的信息，这样可以更多维度的去理解用户，也可以创造更多机会的营销触达；另一方面，就是便于新产品的冷启动。
将多源的用户数据收集到平台，最重要的是如何处理和分析数据，使得数据能够驱动产品，达到公司战略目的。数据分析需要更多的关注用户表现，为各团队的决策提供数据支撑，并以用户表现来反观决策效果，这样数据分析就有了精细化的应用场景。
具体有：
对于设计团队，数据分析可以帮助他们如何提高用户体验、功能增减和优化等；
对于运营团队，数据分析可以帮助他们如何精准投放文案、活动、广告等；
对于BD团队，可以帮助他们筛选推广渠道、把握目标客户等；
对于公司，深度理解业务、快速更进方案和洞察问题所在等。
更多……
下面进入数据分析模块的内容分享，用户行为数据分析方法常见的主要有5种，我将从五个方面结合自己的理解来阐述。如下图所示：
01 事件分析
1. 定义/概念
事件分析是对用户触发的行为事件进行多角度分析。
按照小学时代的日记写作方法理解，叙述一件事情重要的元素是时间、地点、人物、做了什么、怎么做的、为什么做、做了多少，也就等同于5W2H模型（when、where、who、why、what、how、how much）。
对事件分析普遍采集的数据进行归纳研究后，我发现可以用一个公式进行理解：
一个用户行为事件=时间when+地点where+人物who（单个用户、用户群）+行为what（动作+动作对象）+工具how（设备、操作系统、语言等）+指标how much（统计事件的计量方式）。
2. 需要记录的数据
根据上述的公式，需要记录的数据如下：
3. 计量方式/统计指标
事件触发次数，例如点击【立即购买】按钮元素多少次；
事件触发人数，例如点击【收藏】按钮人数；
事件触发金额，例如点击【支付】总金额、人均、次均；
事件触发的页面数，例如浏览了产品多少个页面，才满足了自己的需求；
事件发生时长，例如浏览商品列表页、详情页的时长，浏览短视频时长等。
4. 分析视角
通过分层、分组、和过滤的方式进行分析，根据上述公式的元素总结分层、分组和过滤的维度。
1）时间
2）用户
3）行为
其实在很多资料上都把行为和事件都当作一样的概念，但是我自己觉得行为是事件的一个元素。用《数据结构》课本上的知识，确切的来说：事件就是一个数据元素，行为是事件的一个项。所以我在本文将把行为和事件划为2个概念，所以【事件属性】这个词我觉得用【行为属性】来表示更贴切。
我从用户和产品两个角度对行为属性进行分类和归纳。其一，在上述的那个公式中，按照用户视角下的用户在屏幕前的动作和动作对象（这里我是结合主谓宾结构来思考的，有了用户（主语），行为的话应当包括动作（谓语），动作对象（宾语），这样就是完整的结构），然后我自己还根据用户视角下用户态度来对行为属性进行分类。其二，站在产品角度，或者是公司角度，用户行为中最关心的是，用户的转化行为、购买行为、社交行为等。具体如下图所示：
4）工具
5）地点
6）事件结果
事件的结果分层、分组和过滤就是对统计指标进行划分。
5. 应用场景
由于用户行为是动态，所以在前端事件分析的结果会展示过去、实时现在、趋势未来。例如实时在线人数、实时交易额等；用曲线图展示事件的发展的趋势，以预测未来的变化方向；也能够统计事件总体情况。经过细化的分层，又能够对用户进行精细化的分组，以便于精准的用户运营。
经过对事件分析的总结，个人发现事件分析是所有分析方法的前提，捋清楚了事件分析的思路和各维度参数的含义，才能进一步的去了解其他的分析方法，特别是对用户行为和用户属性的理解，如何能够全量地进行分类和局部关键行为的概括。
02 分布分析
1. 定义/概念
分布分析主要分析两种情况：
洞察用户行为分布规律；
观察不同维度（渠道、地区等）用户分布情况。
说到底分布分析就是事件分析中分层和分组的过程，是一种非连续性变量的统计分析方法，其目的就是为了进行层间和组间对比分析，以找到产品优化方向、甄别核心用户群、实时调整运营策略。
2. 需要记录的数据
同事件分析
3. 计量方式/统计指标
行为次数、用户数
4. 分析视角
分布分析的思路与事件分析的分层、分组分析的过程一致。但是分布分析更侧重对比分析，事件分析主要是呈现层间和组间的数据信息。
5. 应用场景
对比分析，可以得出topN的列表，及时调整资源分配。
行为分布，可以对产品功能进行优化，以提升转化和留存。
用户分布，可以获取ARPU最大的核心用户群体，以优化运营策略。
03 留存分析
1. 定义/概念
一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为，衡量产品对用户价值高低的重要方法。
留存分析较其他的分析方法，更侧重于分析产品对用户的意义，只有用户觉得产品帮助自己解决了某些问题、满足了自己的需求、或者功能用起来更便捷的时候才会延用下去，否则用户一定吝啬自己的时间和手机内存的。这也是验证用户需求分析是否到位，产品设计是否合理的关键指标。
2. 需要记录的数据
除了同事件分析外，还需要记录产品功能信息。
3. 计量方式/统计指标
n日留存率、n日留存人数。
4. 分析视角
留存分析主要从两个角度出发，用户的留存情况和产品功能的留存情况。
5. 应用场景
留存分析应用于需要明确一些问题的场景。
最终为产品的迭代、产品的设计、运营策略、资源分配进行最佳的调整。
04 漏斗分析
1. 定义/概念
首先我想通过自己设计的漏斗分析举一个例子，这个例子是关于【搜索购买】的漏斗。如下图所示。
从图中可看出，漏斗分析是对多个行为进行分析，并且这些行为不仅有先后次序的，而且是一个完整的复杂事件，对漏斗的每个行为我们都很关心（不只是开始和结束的行为，还有中间的过程，这点似乎是对留存分析的一个细节补充）。
漏斗分析是需要先预设好漏斗步骤和窗口期，总的来说是设计好的转化漏斗和转化周期，一般情况是对核心事件的转化行为的一个衡量方法。一个转化漏斗分析，可以得到许多的信息，如图右边的【数据细节】所示。
需要注意的一点就是，漏斗分析没有强顺序，中间可以重复步骤内的行为，也可以穿插步骤外的行为，只要在窗口期内完成漏斗步骤内的行为即可。例如：窗口期为1天，漏斗步骤为“A->B->C->D->E”，在用户触发A->B ，又回到A，再回到B或F，那么只会记录A->B一次，而F行为不在漏斗步骤内，则不参与统计。
2. 需要记录的数据
同事件分析。
3. 计量方式/统计指标
4. 分析视角
1）单
个漏斗分析对预先设置好的漏斗步骤进行分析，漏斗步骤涉及多个行为，每一个行为都会对转化产生重要影响，此方式是对一个转化事件进行有顺序的行为
分层，我们可以从总体来观察漏斗的数据变化，也可以切分行为层进行单个或几个行为来观察漏斗内哪些环节出现了问题。
2）多个漏斗分析，就可以进行对比研究。
如下图所示：一方面是我自己更细化了漏斗步骤内的行为，对行为做了一个过滤、或者增加一个副级行为。比如：购买商品的转化漏斗“搜索->浏览商品列表页->点击商品->浏览商品详情页->加入购物车->生成订单->支付订单->支付成功”，可以对搜索这个行为进行过滤和增加，过滤的维度可以是“搜索了多少次”，增加的维度可以是“点击热搜”、“搜索词推荐”等副级行为。细分的漏斗对比分析后，可以更加精准的找到用户在搜索多少次可以找到需要的商品，搜索词推荐是否有效？
另一方面，可以采用事件分析分层、分组、过滤的方式来对比观察。
5. 应用场景
漏斗分析是衡量流量转化、页面转化的高频数据分析方法。
可以帮助解决如下场景的问题：
从产品的角度来说：
从用户角度来说：
1. 定义/概念
路径分析顾名思义就是用户在产品上进行操作的过程，有些地方会用“用户旅程”、“用户动线”词汇来形容用户路径。这好比是一种数字化方式来跟踪和监控用户的所有行为，从而可以得到频繁访问路径。和漏斗分析一样，目标还是为了提升关键模块的转化率。因此，路径分析需要得出最短路径、优化最低转化环节、跟踪主流路径。
2. 需要记录的数据
同事件分析。
3. 计量方式/统计指标
用户数：流失、转化、留存。
关注路径上每个环节的用户数的变化。
4. 分析视角
路径分析主要分为三类：转化漏斗、智能路径、用户路径。
路径分析呈现的所有路径，都可以用于构建新的漏斗分析，发现新的主流路径和转化漏斗。
1）转化漏斗：属于预置好用户路径的分析。
2）智能路径：设定好目标行为（终末行为，例如用户购买商品事件中，目标行为就是“支付订单成功”）之后可以发现很多条路途可以到达目的地。
3）用户路径：主要为了完整再现用户整个转化过程，有一种监控和跟踪的意思。例如用户在购买纸巾的过程中，可能先是搜索纸巾，然后看了商品列表页，浏览了商品详情页，但是突然有了生活用品的活动广告，又去逛了生活用品，逛着逛着可能觉得自己缺牙刷了，又开始看牙刷，退出广告里的内容，发现产品推荐了一条漂亮的裙子，突然觉得自己缺一条，于是购物车里可能有多个牌子的纸巾，有牙刷、还有裙子，但是可能最终还是只买了纸巾，也有可能全部支付成功。这样完整再现用户购买过程，就可以验证广告的触达效率、产品推荐算法精准度，用户标签创建合理性等。
5. 应用场景
1）路径分析需要解决如下问题：
Q1：用户从进入产品到离开的行为是什么？
Q2：用户是否按照产品设计引导的路径在行进？哪些步骤上发生了流失？
Q3：用户离开预想的路径后，实际走向是什么？
Q4：不同渠道带来的用户，不同特征的用户行为差异在哪里？
2）多维度进行用户分群
总结
所有的分析都可用于用户分群、用户标签。每种分析是对立统一的，看似目的不同，但是又是相互补充，使得产品的成长获得全面的营养素。用户网络行为数据越来越庞大，充分挖掘数据的价值是数据分析的目的，不论使用的一般的统计方法，还是机器学习等模型算法，都是为了《make sense of data》。
最近刚翻阅这本书，特别喜欢里面的一句话：“The challenges of handling and making sense of this information are significant，because of the increasing volume of data, the complexity that arises from the diverse types of information that are collected, and the reliability of the data collected”。大数据时代下，数据也像石油、煤矿一样是以一种社会资源，存储了大量复杂结构的数据，也同时存储了很多真相。
相信拿着这样的复杂庞大、拥有真相的数据，会使得对需求的把握、产品运营策略、公司战略部署有着巨大的意义。
写在最后
以上根据自己的理解阐述的内容可能还不够深刻、也可能存在错误。特别是对于应用场景的这块内容，感觉还不是太有深度和广度。我会继续再看看资料，来丰富应用场景这方面的感知和见解。
比如：留存分析。
“客户使用产品时间越长，带来的现金流或者利润越高，如果再收支平衡前流失，则会造成损失。公司长久盈利需满足：获客成本＜1/3客户生命周期价值”。此方面的知识还不够，需要继续努力。
除了上述常见分析方法外，还有其他分析，接下去也会继续探索。
文章来源于：运营派
【转载说明】 若上述素材出现侵权，请及时联系我们删除及进行处理：8088013@qq.com
