数据运营-用户行为分析

用户行为分析

用户行为分析模型主要有：事件/留存/漏斗/路径

1. 行为事件分析

行为事件 是追踪或记录的用户行为或业务过程。事件是通过埋点记录，通过SDK上传的用户行为或业务过程记录。

行为事件分析法来研究某行为事件的发生对企业组织价值的影响以及影响程度。企业借此来追踪或记录的用户行为或业务过程，如用户注册、浏览产品详情页、成功投资、提现等，通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。

应用场景

在日常工作中，运营、市场、产品、数据分析师根据实际工作情况而关注不同的事件指标。如最近三个月来自哪个渠道的用户注册量最高？变化趋势如何？各时段的人均充值金额是分别多少？上周来自北京发生过购买行为的独立用户数，按照年龄段的分布情况？每天的独立 Session 数是多少？诸如此类的指标查看的过程中，行为事件分析起到重要作用。

归纳起来，行为事件分析主要是解决用户是谁，从哪里来，什么时候来，干了什么事情，如何做的。行为事件分析法一般经过事件定义与选择、下钻分析、解释与结论等环节。

(1) 事件定义与选择。

事件的定义遵循5W原则：Who、When、Where、What、How。

• Who 是参与事件的主体，对于未登陆用户，可以是Cookie、设备ID等匿名ID ；对于登录用户，可以使用后台配置的实际用户ID；

• When 是事件发生的实际时间，应该记录精确到毫秒的事件发生时间；

• Where 即事件发生的地点，可以通过IP来解析用户所在省市；也可以根据 GPS 定位方式获取地理位置信息。

• How 即用户从事这个事件的方式。用户使用的设备、浏览器、 App 版本、渠道来源等等；

• What 描述用户所做的这个事件的所有具体内容。比如对于“购买”类型的事件，则可能需要记录的字段有：商品名称、商品类型、购买数量、购买金额、付款方式等。

(2) 多维度下钻分析

最为高效的行为事件分析要支持任意下钻分析和精细化条件筛选。当行为事件分析合理配置追踪事件和属性，可以激发出事件分析的强大潜能，为企业回答关于变化趋势、维度对比等等各种细分问题。同时，还可以通过添加筛选条件，可以精细化查看符合某些具体条件的事件数据。

(3) 解释与结论

此环节要对分析结果进行合理的理论解释，判断数据分析结果是否与预期相符，如判断产品的细节优化是否提升了触发用户数。如果相悖，则应该针对不足的部分进行再分析与实证。

举例说明：

某零售商品集团刚刚获取了2018年第一季度和第二季度的商品销售数据，经理注意到近期集团的运营状态不佳，八月的毛利数据似乎有些问题，和前几个月相比有明显的下降，第三季度存在达标的风险。因此，需要针对销售数据，通过商品和订单的相关历史数据，从中分析出影响毛利额的关键要素。并将该分析要素提供给领导/团队，以便相关部门可以根据发现采取行动，以提升集团整体毛利额。

通过分析销售数据的环比，下钻地区、门店，到品类差异，找出了销售异常的原因。

2. 留存分析

留存分析 是一种用来分析用户参与情况与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。

用户留存分析主要验证是否达到既定的运营目标，进而影响下一步的产品决策。通过留存量和留存率，可以了解用户的留存和流失状况。比如用次日留存、周留存、月留存等指标来衡量产品的人气或粘度。通常可以利用留存率与竞品对标，衡量用户的粘性和忠诚度。

留存率是判断产品价值最重要的标准，揭示了产品保留用户的能力。

举例说明：

留存率=留存用户/新增用户*100%

某app某一时段新增用户数为100人，这一时段用户次日启动为80人，在第7天再次启动该应用为40人，第30日启动用户数为10人。

次日留存率 = 80/100*100%=80%

7日留存率 = 40/100*100%=40%

30日留存率 = 10/100*100%=10%

Facebook平台流传出留存率**“40–20–10”规则**，规则中的数字表示的是次日留存率、第7日留存率和第30日留存率。

若以上时段的留存率低，会映射出哪些问题？

• 次日留存率低：说明所针对的用户群对我们的产品不感兴趣；

• 7日留存率低：说明我们产品的内容质量太差，用户过了新鲜劲儿之后发现产品用起来特别枯燥；

• 30日留存率低：版本迭代规划做得不好，功能更新、内容更新、BUG修复、性能等都做得比较差，此时需要重新规划迭代内容，不可一错再错。

3. 漏斗分析

漏斗分析是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。漏斗分析模型已经广泛应用于用户行为分析和APP数据分析的流量监控、产品目标转化等日常数据运营与数据分析的工作中。

漏斗分析最常用的是转化率和流失率两个互补型指标。用一个简单的例子来说明，假如有100人访问某电商网站，有30人点击注册，有10人注册成功。这个过程共有三步，第一步到第二步的转化率为30%，流失率为70%，第二步到第三步转化率为33%，流失率67%；整个过程的转化率为10%，流失率为90%。 该模型就是经典的漏斗分析模型。

漏斗模型的概念最早由St. Elmo Lewis （美国知名广告人）在1898年提出的，叫做消费者购买漏斗（the purchase funnel），也叫消费者漏斗（customer funnel）、营销漏斗（sales/marketing funnel）。Lewis提出的这个策略，后来被称为AIDA模型，即意识-兴趣-欲望-行动。

AIDMA模型是在AIDA模型（Attention, Interest, Desire, Action）的基础上，增加了Memory，形成的注意 → 兴趣 → 欲望 → 记忆 → 行动（购买）的模型。AIDMA模型主要适用于品牌营销方面，当然现在很多互联网产品也开始把自己作为品牌去打造，比如拼多多、抖音冠名综艺节目，爆款H5刷屏，网易云音乐的地铁刷屏广告等，都是从引起用户的兴趣，强化品牌记忆，从而吸引潜在用户。

因为AIDMA模型缺少用户反馈的环节，且随着互联网用户教育的完成，消费者行为模式发生了改变，随之衍生出了AISAS模型（Attention，Interest，Search，Action，Share)，也就是注意-兴趣-搜索-行动-分享。用户从接受到产品的宣传营销信息（硬广or软文），到引起兴趣，然后开始搜索进行了解（百度、知乎、微博、淘宝），到在线下载或支付，以及后续的评价分享环节（产品内、微信微博）。

AARRR模型是2007年由Dave McClure(500 Startups创始人)提出的一种业务增长模式。它包括5个阶段：获客(Acquisition)、激活(Activation)、留存(Retention)、商业变现(Revenue)、自传播(Referral)。它被做为公司关注的五个最重要的指标，因为这些指标有效地衡量了产品的增长，同时又简单且可操作。

互联网行业主要用AARRR模型：

4. 行为路径分析

这部分内容见下一篇 用户路径分析。

Ref:
行为事件分析
用户行为分析