简述常用的用户行为分析模型

​在产品的设计与运营过程中，通过数据对用户行为进行分析，我们可以总结分析出用户行为与产品之间的关联，并针对性地对产品做出改进。

一、常见用户行为分析模型

在数据分析的大框架下，通过对用户行为监测获得的数据进行分析研究的行为归结于用户行为分析。用户行为分析可以让产品更加详细、清楚地了解用户的行为习惯，从而找出网站、app、推广渠道等产品存在的问题，有助于产品发掘高转化率页面，让产品的营销更加精准、有效，提高业务转化率。

用户分析是用户中心的设计流程中的第一步。是一种理解用户，将他们的目标、需求与商业宗旨相匹配的理想方法，可以帮助企业定义产品的目标用户群。在用户行为领域，数据的使用及挖掘是非常重要的，通过数据分析方法的科学应用，经过理论推导，能够相对完整地揭示用户行为的内在规律，基于此帮助产品实现多维交叉分析。

针对用户行为分析，通常分为如下几个方法：

1. 行为事件分析
2. 页面点击分析
3. 用户行为路径分析
4. 漏斗模型分析
5. 用户健康度分析
6. 用户画像分析

二、常见分析模型的作用与应用场景

1. 行为事件分析

1）作用：行为事件分析方法主要用于研究某行为事件的发生对产品的影响以及影响程度。

2）应用场景：针对某一具体行为，进行深度下钻分析，分析维度全面细致，确认导致该行为的原因;或针对某一结果现象，回溯可能造成此现象的行为是什么。例如查看功能模块的渗透率，回溯点击该功能和不点击该功能的用户有什么行为差别。

3）涉及的数据指标：每个产品根据产品特性，会有不同的行为事件和筛选维度，但基本涵盖了该业务所需要的所有数据指标维度，进行前期数据规划中，需要对可分析事件进行全量数据埋点。后期平台运营过程中，将依赖于前期的数据采集规划。

4）图例：

2. 页面点击分析

1）作用：点击分析被应用于显示页面区域中不同元素点击密度的图示，可以：

• 精准评估用户与产品交互背后的深层关系
• 实现产品的跳转路径分析，完成产品页面之间的深层次的关系需求挖掘
• 与其他分析模型配合，全面视角探索数据价值
• 直观的对比和分析用户在页面的聚焦度、页面浏览次数和人数以及页面内各个可点击元素的百分比。

2）应用场景：通常用于首页、活动页、产品详情页等存在复杂交互逻辑的页面分析。一般分为可视化热力图、固定埋点两种形式。

3）涉及的数据指标：

• 浏览次数（PV）：该页面被浏览的次数。
• 浏览人数（UV）：该页面被浏览的人数。
• 页面内点击次数：该页面内所有可点击元素的总次数。
• 页面内点击人数：该页面内所有可点击元素的总人数。
• 点击人数占比：页面内点击人数/浏览人数。

4）图例：

页面点击热力图

鼠标滑动热力图

3. 用户行为路径分析

1）作用：明确用户现存路径有哪些，发现路径问题，或优化用户行为沿着最优访问路径前进，结合业务场景需求进行前端布局调整

2）应用场景：确定产品用户从访问到转化/流失都经过了哪些流程，转化用户与流失用户是否有行为区别，以及用户行为路径是否符合预期

3）涉及的数据指标：全链路页面级PV、UV，以及路径流转关系

4）图例：

4. 漏斗模型分析

1）作用：从一个事件环节的最开始到最终转化成购买的整个流程中的一个个子环节，相邻环节的转化率表现力。就是指用数据指标来量化每一个步骤的表现。（流量漏斗模型在产品中的经典运用是AARRR模型，不过现在已经流行更新的RARRA模型）

2）应用场景：衡量每一个转化步骤的转化率，通过异常数据指标找出有问题的环节并解决，最终提升整体购买转化率

3）涉及的数据指标：转化周期（每层漏斗的时间的集合）、转化率（每层漏斗之间的）

4）图例

5. 用户健康度分析

1）作用：用户健康度是基于用户行为数据综合考虑的核心指标，体现产品的运营情况，为产品的发展进行预警。包括三大类型指标：产品基础指标、流量质量指标、产品营收指标。

2）应用场景：更大范围的业务综合指标考量，体现完整产品运营情况，预测未来发展。

3）涉及的数据指标：

• 产品基础指标，主要评价产品本身的运行状态：DAU、PV、UV、新用户数
• 流量质量指标，主要评价用户流量的质量高低：跳出率、人均浏览次数、人均停留时间、用户留存率、用户回访率
• 产品营收指标，主要评价产品的盈利能力与可持续性：用户支付金额（GMV）、客单价、订单转化率

4）产品营收指标恒等式：

销售额=访客数×成交转化率×客单价

销售额=曝光次数×点击率×成交转化率×客单价

5）图例

6. 用户画像分析

1）作用：根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。通过高度精炼用户特征来描述用户，可以让人更容易理解用户，并且可以方便计算机处理

2）应用场景：通过定义用户画像，可以帮助产品运营理解用户，产品设计从为所有人做产品，变成为带有某些标签的人群做产品，产品能够更精细化运营，且设计复杂度降低

3）涉及的数据指标（不限于）：

• 人口属性：性别、年龄等人的基本信息
• 兴趣特征：浏览内容、收藏内容、阅读咨询、购买物品偏好等
• 位置特征：用户所处城市、所处居住区域、用户移动轨迹等
• 设备属性：使用的终端特征等
• 行为数据：访问时间、浏览路径等用户在网站的行为日志数据
• 社交数据：用户社交相关数据

4）用户标签库图例

后续有机会将更新每种分析方法的具体方法步骤及案例，欢迎交流讨论

 

作者：赵小洛，wechat：luoluo963，邮箱：[email protected]

本文由 @赵小洛 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。