我們所處的行業(yè)下，各類產(chǎn)品變得成熟精細，大家開始拼細節(jié)卷服務，市場競爭激烈。對于產(chǎn)品的各種優(yōu)化改版也就開始變得謹慎，往往需要經(jīng)過用戶研究或是數(shù)據(jù)分析等工作來驗證或決策，不再是由設計師或產(chǎn)品經(jīng)理憑借過往經(jīng)驗辦事或?qū)烁偲氛粘?，恰好用戶行為分析就是用戶洞察中具有代表性的一項?/div>
回歸到用戶體驗相關(guān)設計，本身就是一項細致活兒，處處需要用戶研究或數(shù)據(jù)洞察來輔助設計工作，了解其相關(guān)甚至熟悉搭建分析，從職能發(fā)展趨勢來看，可能是遲早的事；
所以即使你目前用不上用戶行為分析相關(guān)，也不要急著關(guān)掉文章，先簡單了解一下吧，說不定你會有興趣呢，說不定不久后剛好用上呢？
用戶行為分析是數(shù)據(jù)分析的一個重要領(lǐng)域，特別是在數(shù)字化服務行業(yè)中，主要目的是通過深入研究用戶群體的流量動向以及操作行為特征等，來了解用戶與產(chǎn)品間的關(guān)系、效果、趨勢，以幫助我們優(yōu)化產(chǎn)品設計、提升用戶體驗并驅(qū)動業(yè)務決策。
監(jiān)測用戶在產(chǎn)品上做出了哪些行為、是否符合預期、有什么特征、問題在哪里，然后看看產(chǎn)品上需要做些什么調(diào)整或迎合用戶的特征偏好來決策啥的。
被動采集的行為數(shù)據(jù)有時候比用戶口述反饋的信息要更真實有效，一方面更加直接，另一方面也少了些用戶心理設防（霍桑效應）；
由于是群體性的大數(shù)據(jù)，所以更有代表性，并且是即時的數(shù)據(jù)記錄，不容易記混記錯，準確性也更好；
通過數(shù)字化技術(shù)實現(xiàn)，可以伴隨產(chǎn)品發(fā)展持續(xù)的采集數(shù)據(jù)，可以較為方便的調(diào)取過往數(shù)據(jù)進行比對追溯分析；
用戶行為的背后依舊是人文心理等方面的內(nèi)容分析或業(yè)務場景化決策，往往離不開人工的加持介入；
以下是對用戶行為分析的工作流圖解，由于不同企業(yè)的訴求有差異，以下工作流僅代表大部分用作交流；
此次主要聊聊基礎的上手運用與注意事項，不涉及過深或難以理解的部分，如果說用戶行為分析可以到達高等數(shù)學的程度，那么此次就講講加減乘除好了，師父領(lǐng)進門，修行靠個人，各位看客請上座！
首先你的產(chǎn)品得有流量，然后得有一個關(guān)乎到用戶行為的目標，例如想看看用戶流量分布、了解功能使用頻率、任務執(zhí)行的漏斗關(guān)系、用戶行為偏好、用戶數(shù)據(jù)畫像構(gòu)建等，這個時候就可以考慮開始了，不然就可能南轅北轍費力不討好。
首先構(gòu)建一套完善的用戶行為分析系統(tǒng)并持續(xù)的維護與應用并不是一個輕松的事情，所以最好是針對性構(gòu)建+多迭代，不要上來就想著做全盤搭建，表面的工作或問題往往可能只是浮冰，逐步的深入后問題會越來越多，個人深有體會！
通過業(yè)務目標向下拆解，一般上層目標無非是商業(yè)轉(zhuǎn)化、用戶活躍留存、任務通過率這些，向下拆解則是通過業(yè)務目標去鎖定核心的業(yè)務場景或任務線路，這些核心的頁面、場景或是任務線路，就是你前期可以界定的一個范圍，后續(xù)的重點工作則是將核心功能的入口或路徑窮舉出來，避免數(shù)據(jù)對不上或找不到異常源頭的情況。
在我的認知里，用戶行為分析建設不是一錘子買賣，步伐走小一點，基礎搭好一些，以后的迭代建設或維護也會輕松許多；
概括一下就是，不要追求全面，靠攏業(yè)務價值，關(guān)聯(lián)上指標或者核心業(yè)務場景即可；
之前網(wǎng)上看到有大佬給了一個建設思路，這里搬來大家參考一下；
數(shù)據(jù)埋點技術(shù)已經(jīng)很成熟了，甚至有很多第三方的埋點+分析的服務，以及采集用戶行為數(shù)據(jù)的不僅僅只有埋點技術(shù)方案，哪怕你做一個錄屏技術(shù)都可以，只不過從數(shù)字化產(chǎn)品視角出發(fā)，埋點技術(shù)更有性價比，以及符合用戶隱私權(quán)益，所以這里專門講一下“埋點”這個老技術(shù)，熟悉的大佬們可以跳過埋點這部分。
數(shù)字化應用大多有個特征，就是需要用戶進行界面交互，有交互就有行為動作發(fā)生，而
數(shù)據(jù)埋點
就是將用戶在
界面交互
時產(chǎn)生的
各種類型
的
監(jiān)控日志
上報到產(chǎn)品后臺去，這樣業(yè)務團隊就可以知道到用戶在不同頁面或業(yè)務場景下操作了什么，去往過哪些頁面，當結(jié)合業(yè)務后臺的訂單等數(shù)據(jù)時，就可以還原出更加清晰的用戶行為全貌。
通常這些埋點會分為
“頁面訪問(PV、UV)、區(qū)塊曝光(區(qū)域、時長)、按鈕操作(動作、狀態(tài))”
三大類型，并
攜帶交互元素和操作者的各類特征信息參數(shù)
，便于我們知曉更多的場景細節(jié)與用戶情況，例如知曉這個【免費試用】按鈕是對應了那個產(chǎn)品？點擊的用戶是否已開通這個產(chǎn)品？這個用戶是否為付費用戶？是否個人還是商家類型？用戶從那個渠道進來的等，而且這些植入在產(chǎn)品代碼中的埋點可以不間斷持續(xù)的采集和配套產(chǎn)品迭代進行維護，可以幫助業(yè)務團隊獲取大量有效數(shù)據(jù)用作業(yè)務分析決策。
這些數(shù)據(jù)埋點主要是為業(yè)務目標的洞察分析服務，也就是說業(yè)務目標中需要采集用戶行為數(shù)據(jù)時，埋點就要派上用場了，相比傳統(tǒng)的業(yè)務日志，埋點可以收集到更加全面的界面交互的行為數(shù)據(jù)，能夠簡易的還原出一套線上用戶的使用情景，而不僅限于一些業(yè)務后臺就能統(tǒng)計出的轉(zhuǎn)化率或基礎數(shù)據(jù)等；
并且埋點數(shù)據(jù)可以與業(yè)務數(shù)據(jù)分開存儲運維，這意味著埋點數(shù)據(jù)可以更迅速的根據(jù)設定的指標公式統(tǒng)計出期望的數(shù)據(jù)或視圖，并且不會干擾業(yè)務訪問的性能質(zhì)量，因此產(chǎn)品迭代后的新老數(shù)據(jù)對比、營銷活動的效果評估、用戶行為的特征偏好識別等，數(shù)據(jù)埋點都以可以派上用場的。
首先埋點需求沒有固定的文檔格式，其次不同埋點服務平臺的要求也有差異，就移動端來講，很多服務商已經(jīng)支持可視化埋點、全埋點、無埋點服務，可以實現(xiàn)自動識別交互元素并進行埋點操作，大大減少了開發(fā)工作量，那么再聊回埋點需求怎么提。
核心結(jié)論就是由上而下，通過業(yè)務目標或核心指標進行拆解，然后關(guān)聯(lián)到核心的任務流程上，對于一個頁面或一套流程沒有必要進行全篇埋點，技巧我概括為以下幾點；
埋點需求的主要內(nèi)容基本包含以下，根據(jù)業(yè)務或埋點平臺的差異，可以自行調(diào)整；
擴參即擴展參數(shù)，指在當前用戶界面中可以請求到的業(yè)務數(shù)據(jù)，并將這些業(yè)務數(shù)據(jù)綁定到埋點日志中一并上報給埋點數(shù)據(jù)后臺，通常為一些用戶屬性參數(shù)、業(yè)務屬性參數(shù)、設備屬性參數(shù)、網(wǎng)絡環(huán)境參數(shù)，這樣我們就可以通過這些額外的參數(shù)進行數(shù)據(jù)分析或是過濾，舉個典型案例；
簡單說就是提升數(shù)據(jù)質(zhì)量與準確性，在龐大的一套數(shù)據(jù)中，我們需要弄清楚數(shù)據(jù)之間的映射關(guān)系，即不同的數(shù)據(jù)參數(shù)代表了什么元素什么動作什么含義，數(shù)據(jù)是否有缺漏或冗余、報錯漏報亂報、是否有無效的臟數(shù)據(jù)（例如內(nèi)部的測試數(shù)據(jù)或腳本爬蟲等帶來的數(shù)據(jù)），如果我們不去將這些數(shù)據(jù)進行治理，則統(tǒng)計出的數(shù)據(jù)指標特征或趨勢都將不可靠，無法被商業(yè)應用。
簡單講就是元數(shù)據(jù)沒治理準確，得到的數(shù)據(jù)指標也就失去了實用價值。
本質(zhì)是查缺補漏將無效的數(shù)據(jù)過濾掉或糾錯
，再把數(shù)據(jù)涵義映射成具體的指標或描述，用作進一步的指標計算與分析，如果數(shù)據(jù)又多又雜，你會發(fā)覺這一步要你老命，例如埋點就需要逐個查詢原始埋點的位置、觸發(fā)條件、埋點用途、埋點含義甚至與關(guān)聯(lián)業(yè)務數(shù)據(jù)的關(guān)系校對等。
不過還好，
一般來講這些工作都是數(shù)據(jù)建模（BI）相關(guān)人員去負責的
，
作為應用層的我們，更多的是能夠根據(jù)業(yè)務目標提出埋點需求、提出指標與數(shù)據(jù)報表需求，以及通過數(shù)據(jù)核算或查看數(shù)據(jù)趨勢等手段找出異常讓 BI 修復
，所以這里就不展開埋點數(shù)據(jù)治理的方法了。
就埋點監(jiān)控用戶行為的方式來講，除了平時的治理與報表問題修復，每次迭代改版還要做好相關(guān)埋點信息的管理與維護更新，保證不出錯，不影響關(guān)聯(lián)指標，甚至是線上用戶偏好的推薦算法等應用，特別是數(shù)據(jù)規(guī)模越來越大后，又密切關(guān)聯(lián)著業(yè)務決策時，數(shù)據(jù)更不容出錯，且要求準確。
在用戶行為分析內(nèi)容構(gòu)建的過程中，除非是有特定場景特定訴求，通常個人認為都是先出指標、再完善行為鏈路、再逐步豐滿用戶畫像的一個過程，原因如下；
-
通常先接到的都是一些核心指標，例如轉(zhuǎn)化率、留存率、活躍度等，同時這些指標也是上層最先關(guān)注到的；
-
接著就是完善不同場景或任務路徑相關(guān)，幫助洞察微觀視角下的體驗障礙或用戶偏好等，產(chǎn)出流量統(tǒng)計、流程漏斗等，起到業(yè)務體驗的洞察改善決策作用；
-
用戶畫像的數(shù)據(jù)本身就沒那么好收集，并且是一個逐步完善和被業(yè)務決策應用的過程，所以一開始不會直接奔著用戶畫像構(gòu)建開始；
所謂指標可以理解成是產(chǎn)品某項業(yè)務的成績，例如我是賣包子的，那么我的指標大概率就是每天賣出去多少包子、利潤有多少、哪款包子銷量高，根據(jù)這些信息我就可以知道我平時應該準備多少包子、哪些品類的包子需要多做一些、我靠賣包子能賺多少錢。
實際上指標的構(gòu)建邏輯可以很簡單，例如A占B的百分比、ABC的總和、連續(xù)多天A占B的變化等，很多加減乘除的算法就能搞定，主要是能拿到真實數(shù)據(jù)，不然我懷疑你在做爛賬......
用戶行為路徑是一種數(shù)字化的旅行地圖，相比較傳統(tǒng)服務的旅行地圖，場景會更純粹、意圖更準確、數(shù)據(jù)采集更便捷，主要作用有以下幾點；
-
分析用戶在產(chǎn)品中的活動范圍或頁面路徑的關(guān)系，可以幫助了解用戶活躍分布，流量走向等情況；
-
識別在任務或流程漏斗中的卡點或跳失情況，幫助優(yōu)化流程體驗或提升轉(zhuǎn)化率等指標；
-
通過用戶的互動方式或路徑特征來進行用戶分類或偏好分析預測等，用于內(nèi)容推薦算法或精準營銷；
這些行為我們可以大致分為瀏覽、消費、互動三大類，根據(jù)不同的業(yè)務類型，可以選擇性采集和分析相關(guān)數(shù)據(jù)，例如電商產(chǎn)品就比較關(guān)注用戶的瀏覽與消費行為，常見的有商品瀏覽、添加購物車到下單；
而社交應用就更關(guān)注用戶的互動行為，如不同類型的內(nèi)容訪問、評論點贊、關(guān)注收藏分享等；
這些數(shù)據(jù)最終可能由可視化的數(shù)據(jù)報表呈現(xiàn)出來，以便于業(yè)務團隊快捷的找到數(shù)據(jù)問題或特征，如常見的漏斗圖、?；鶊D、雷達圖、樹狀圖、散點圖、決策樹等；
最近在UXRen的一場分享會中，聽羅浩講了體驗營銷的話題，雖然是關(guān)于用戶研究在職能崗位上挖掘新的商業(yè)能力的內(nèi)容，但是其中有一段是關(guān)于如何在旅行地圖中挖掘新的營銷觸點，有一些體會，這里結(jié)合用戶行為鏈路分析簡單聊一下；
產(chǎn)品功能與業(yè)務增多，引流渠道多樣化，不同渠道流量的撬動關(guān)鍵是什么，核心場景具備哪些能力，哪些渠道的流量能吃掉，這些流量所處的觸點或場景能支持什么，用戶意圖是什么，產(chǎn)品能力能滿足什么，產(chǎn)品發(fā)展可以支持哪些？如何分流或匹配各類流量的意圖，并提供路徑分發(fā)，這些用戶流量數(shù)據(jù)有何趨勢或特征，是否能與場景或觸點進行根因分析，是否沉淀行為或偏好模型？
在于觀察不同觸點下的客戶意圖，展開業(yè)務所能觸及的部分或新的機會，并匹配合適的關(guān)鍵路徑，以提升轉(zhuǎn)化或用戶粘性等，然后做數(shù)據(jù)回歸分析，抓取有效的用戶特征信息，并應用到產(chǎn)品的內(nèi)容推薦或外部引流投放信息優(yōu)化上。
觸點展開與機會洞察，觸點場景——意圖識別——結(jié)果匹配（關(guān)鍵路徑）——（根因回歸）畫像更新——算法推薦——廣告優(yōu)化
這一套下來，是不是感覺有點兒似成相識？后來一想這不就是一套用戶增長的設計思路嘛。
主要是幫助了解和理解用戶，使得我們可以劃分用戶群體和識別偏好特征，最終以提供精準營銷或是洞察用戶訴求來迭代改善產(chǎn)品。
其中偏好特征我們還可以根據(jù)業(yè)務屬性細分為興趣偏好、行為偏好、消費偏好等，并為不同偏好特征的群體提供個性化的內(nèi)容服務，例如常見的內(nèi)容標簽標記，通過識別用戶常看內(nèi)容的標簽，來推薦類似的標簽的內(nèi)容或是有潛在興趣的標簽內(nèi)容來抓住用戶的興趣。
這些指標會通過用戶行為、設備信息、個人資料的完善來逐步獲取，主要可以了解到用戶的地域分布、年齡與性別分布、設備與活躍度情況，相應的數(shù)據(jù)在業(yè)務后臺基本上都能夠獲取到，只需要將某個時間分區(qū)的數(shù)據(jù)拉出來，經(jīng)過Excel之類的軟件把數(shù)據(jù)加工一下，就能夠獲取到相關(guān)數(shù)據(jù)視圖。
如果將多個數(shù)據(jù)指標結(jié)合起來分析，便可以獲取一些復合型數(shù)據(jù)指標，例如哪些年齡段的用戶群體消費能力更強、活躍度更高、不同教育背景的興趣愛好是否有一定的關(guān)聯(lián)性等等；
進階的數(shù)據(jù)畫像會完善更多的用戶特征信息，便于業(yè)務團隊找到用戶群體的特征，做進一步的精細化運營或內(nèi)容推薦，常見的畫像指標如下；
此外就是在收集用戶數(shù)據(jù)的過程中，保證用戶隱私安全、合法性和安全性。
當我們采集到一定的用戶數(shù)據(jù)后，就可以在數(shù)據(jù)畫像的構(gòu)建階段進一步完成用戶分層工作，這一步是為了將用戶分類，因為不同用戶群的目的是有差異的，例如閑逛、精準采購、參與活動的等等，以提供差異化的服務做精準營銷、識別用戶群體特征做業(yè)務策略決策、或是優(yōu)化產(chǎn)品體驗相關(guān)，不過當你的用戶規(guī)模尚小，運營模式簡單，你也不用迫切去進行用戶分層相關(guān)，因為收益不大。
那么通常都有哪些用戶分層模型呢？其實你并不陌生，一些給你列舉了一些；
相信你也發(fā)現(xiàn)了，用戶行為分析的構(gòu)建與產(chǎn)出并不只是行為鏈路的數(shù)據(jù)，同時會包攬很多其他的有價值的指標與數(shù)據(jù)，所以不要被用戶行為四個字迷惑，或許你此刻正需要構(gòu)建相關(guān)數(shù)據(jù)。
當你準備構(gòu)建或整理用戶行為分析前，記得目標或問題先行，針對性采集數(shù)據(jù)或建設指標，在你有了相對準確或清晰易懂的數(shù)據(jù)后，那些數(shù)據(jù)報表或圖表根本難不倒你，說白了無非是將純純的一堆數(shù)據(jù)換了形式展示，如果你數(shù)據(jù)可視化的形式與應用不夠了解，你可以看看AntV官網(wǎng)的介紹說明了解一下，其實你也不用每個都研究個遍，實用的就那么幾個，酷炫是要代價的，報表搭建平臺支不支持、Excel支不支持、時間精力夠不夠研發(fā)給你整，都是問題～
你可能疑問沒有完整的教程手把手教你啊，其實不然，構(gòu)建的前提、流程、要點、建設方向均在此篇中交代過，當你按照這套流程框架去做，基本上不會有啥大問題，一般來講這些內(nèi)容也夠用，至于選用哪些數(shù)據(jù)埋點平臺、數(shù)據(jù)分析平臺、報表搭建平臺、視自家公司情況而定吧。
也不要擔心在數(shù)據(jù)報表搭建或分析的過程中，你搞不定，是不是你執(zhí)行先不說，多問問百度或平臺客服總能解決，如果就是覺得很難上手，那么大概率是工具你不熟，或者工具不好用。
