導(dǎo)讀：企業(yè)的精細(xì)化運(yùn)營、數(shù)據(jù)驅(qū)動(dòng)都是基于大數(shù)據(jù)分析來進(jìn)行的。

在大數(shù)據(jù)分析中，對用戶行為進(jìn)行分析挖掘又是一個(gè)重要的方向，通過對用戶行為進(jìn)行分析，企業(yè)可以了解用戶從哪里來，進(jìn)入平臺(tái)后進(jìn)行了哪些操作，什么情況下進(jìn)行了下單付款，用戶的留存、分布情況是怎樣的等。

在這些數(shù)據(jù)的指導(dǎo)下可以不斷優(yōu)化產(chǎn)品設(shè)計(jì)、運(yùn)營模式從而促進(jìn)轉(zhuǎn)化率的提高和營收的增長。

基于用戶行為分析的常見場景包括事件分析、留存分析、分布分析、轉(zhuǎn)化分析、行為路徑分析等幾個(gè)模塊。下面就這幾個(gè)模塊進(jìn)行詳細(xì)介紹。

作者：趙宏田

來源：大數(shù)據(jù)DT（ID：hzdashuju）

01 事件分析

事件分析的應(yīng)用場景非常廣泛，通俗來講事件是指“一個(gè)用戶在某個(gè)時(shí)間、某個(gè)地點(diǎn)、進(jìn)行了某些行為操作”。

其中用戶可以包括登錄設(shè)備用戶userid，也可以指未登錄用戶cookie；時(shí)間指事件發(fā)生的實(shí)際時(shí)間；地點(diǎn)指事件發(fā)生地，可以通過解析日志記錄中的ip來獲取事件發(fā)生地；行為操作指事件本身，一般互聯(lián)網(wǎng)產(chǎn)品產(chǎn)品通過埋點(diǎn)等方式來捕獲用戶的行為。

相比傳統(tǒng)的寫SQL跑數(shù)的分析方式，事件分析功能有著及時(shí)查詢結(jié)果、可視化展現(xiàn)、可對不同事件不同用戶屬性進(jìn)行自由組合篩選分析等方面的優(yōu)勢。

• 事件分析場景案例

用戶進(jìn)入平臺(tái)后一般會(huì)經(jīng)過登錄、瀏覽、搜索、加購、付費(fèi)等環(huán)節(jié)，最后進(jìn)行付款。這里對瀏覽商品頁、加購和支付訂單三個(gè)行為事件進(jìn)行分析，可以看到每個(gè)事件的觸發(fā)人數(shù)及轉(zhuǎn)換情況。

02 留存分析

留存分析用來衡量用戶的參與情況與活躍程度，分析在觸發(fā)初始事件的用戶中有多少用戶還有后續(xù)的回訪行為，該部分回訪的用戶占初始用戶的比例。在產(chǎn)品使用上可以通過定義初始事件和回訪行為事件，計(jì)算出用戶的留存率，可按日、按周、按月來查看留存情況。

留存率是判斷產(chǎn)品價(jià)值的一個(gè)重要參考指標(biāo)，可以分析出由初始的新人用戶轉(zhuǎn)化為活躍用戶、忠誠用戶、高價(jià)值用戶的好壞情況。

• 留存分析場景案例

公司產(chǎn)品上線某一新功能模塊，運(yùn)營分析人員想看用戶的留存情況如何，可設(shè)定初始事件“訪問過該功能的任意版塊”，及后續(xù)事件“訪問過該功能的任意版塊”，來分析瀏覽過該功能的用戶后續(xù)7日、14日或30日后的回訪情況。

例如下圖中可以看出用戶的回訪率很低，次日留存和7日留存都在2%左右，也可以判斷出留存下的用戶都是對該功能感興趣的用戶。

03 分布分析

分布分析法根據(jù)用戶行為維度指標(biāo)，將用戶進(jìn)行區(qū)間分類統(tǒng)計(jì)數(shù)量，進(jìn)而得到用戶在各功能模塊粘性的分布情況。從分析維度來看主要包括按行為次數(shù)的分布分析，以及按行為時(shí)間的分布分析，通過直方圖或折線圖的形式展現(xiàn)分析結(jié)果。

對用戶行為事件的分析不僅有統(tǒng)計(jì)數(shù)量這種觀察指標(biāo)，還可以對該事件在不同維度中的分布來觀察，從而了解該行為事件的更多維度信息。

• 分布分析場景案例

運(yùn)營分析人員從平臺(tái)上篩選出一批高活躍用戶，對這批用戶的“加入購物車”行為事件的分布情況進(jìn)行分析，從下圖中可以看出大部分用戶加購次數(shù)在1-3次，僅有少量的用戶加購5-10次。如果進(jìn)一步深挖的話，可以把這些加購了5-10次的用戶單獨(dú)拎出來進(jìn)行定向營銷，通過發(fā)放紅包、優(yōu)惠券等方式促進(jìn)下單。

如果對用戶的訪問時(shí)間段進(jìn)行分布分析，可以了解用戶集中活躍的時(shí)間，進(jìn)一步可以在用戶活躍的時(shí)間段內(nèi)對其進(jìn)行主動(dòng)觸達(dá)營銷方面的操作。

04 轉(zhuǎn)化漏斗分析

轉(zhuǎn)化漏斗分析適用于對產(chǎn)品中的關(guān)鍵環(huán)節(jié)進(jìn)行監(jiān)控分析，通過自主定義漏斗步驟，對比分析關(guān)鍵步驟之間的轉(zhuǎn)化情況，找到薄弱環(huán)節(jié)，進(jìn)而優(yōu)化產(chǎn)品交互設(shè)計(jì)或改進(jìn)運(yùn)營策略，最終達(dá)到提升轉(zhuǎn)化、減少流失的目的。

例如常見的搜索轉(zhuǎn)化漏斗分析、購買產(chǎn)品轉(zhuǎn)化漏斗分析：

• 轉(zhuǎn)化漏斗分析場景案例

為分析業(yè)務(wù)流程的關(guān)鍵節(jié)點(diǎn)事件轉(zhuǎn)化效果，例如電商行業(yè)，可對啟動(dòng)APP、瀏覽頁面、瀏覽商品詳情頁、加入購物車、提交訂單幾個(gè)節(jié)點(diǎn)進(jìn)行具體分析。

發(fā)現(xiàn)問題的過程往往需要對變量進(jìn)行多次拆分，可以進(jìn)一步在每個(gè)節(jié)點(diǎn)設(shè)置事件的屬性篩選維度（包括省份/城市/頁面URL/設(shè)備型號(hào)等），完成多重維度的交叉分析。

例如針對從瀏覽頁面—>商品詳情頁—>加入購物車—>提交訂單—>支付成功，這一轉(zhuǎn)化路徑可以根據(jù)手機(jī)型號(hào)iOS和Android分別創(chuàng)建兩個(gè)轉(zhuǎn)化漏斗來對比不同手機(jī)型號(hào)間的轉(zhuǎn)化情況。

根據(jù)業(yè)務(wù)場景需要，設(shè)定1-7天的轉(zhuǎn)化有效期，如果轉(zhuǎn)化事件超過該有效期的，為無效轉(zhuǎn)化。最后根據(jù)設(shè)定的條件查看各節(jié)點(diǎn)間的轉(zhuǎn)化情況。

從生成的圖表可以看出從啟動(dòng)到瀏覽頁面這一步的流失較少，視為轉(zhuǎn)化率100%；從瀏覽頁面到瀏覽商品詳情頁的轉(zhuǎn)化為60.9%，流失嚴(yán)重。可能展示在列表頁的商品沒能吸引用戶的興趣或進(jìn)入詳情頁的步驟繁瑣；進(jìn)一步到加入購物車的轉(zhuǎn)化率為65.53%。

05 行為路徑分析

用戶行為路徑分析主要用于分析用戶在產(chǎn)品使用過程中的路徑，還原用戶真實(shí)行為軌跡。

通過路徑分析模型，可以掌握每一關(guān)鍵節(jié)點(diǎn)前后的流入、流向，以方便優(yōu)化節(jié)點(diǎn)交互或流程，從而提升產(chǎn)品轉(zhuǎn)化效率。

路徑分析有以下常見的應(yīng)用場景：

分析用戶初始行為事件的后續(xù)流量走向；

分析結(jié)束事件的流量來源；

詳細(xì)查看某個(gè)節(jié)點(diǎn)前后流量流入流出和流失的情況。

例如下圖是分析加入購物車前后的流量來源及去向情況：

從圖中可以看出，加入購物車的流量主要是從商品詳情頁而來，加入購物車后有將近50%的用戶選擇提交訂單，有40%的用戶選擇繼續(xù)瀏覽頁面，還有10%的用戶流向了登錄、注冊、瀏覽商品詳情頁等模塊。

06 session分析

用戶進(jìn)入電商類網(wǎng)站或APP的一個(gè)典型流程包括，進(jìn)入首頁后搜索關(guān)鍵詞、點(diǎn)擊商品板塊或點(diǎn)擊推薦商品進(jìn)入詳情頁，在詳情頁瀏覽點(diǎn)擊加購后退出該頁面搜索其它商品繼續(xù)瀏覽，最后進(jìn)入訂單頁進(jìn)行支付，或?yàn)g覽途中退出APP。這系列行為就是用戶的行為軌跡，對于用戶這樣的連續(xù)訪問會(huì)話，我們稱為session。

Session中記錄了用戶在什么時(shí)間點(diǎn)、通過什么樣的行為、瀏覽了什么頁面/商品。

一般session的切割為固定時(shí)長，如定義APP端session的切割時(shí)長為5分鐘時(shí)，即用戶每次訪問行為如果距離上一次訪問行為在5分鐘之內(nèi)，則記為同一次訪問，如果距離上次訪問大于5分鐘則記為兩次不同的訪問。通過session_id可用來標(biāo)識(shí)用戶的訪問，同一次連續(xù)訪問的session_id相同，否則不同。

基于session對用戶進(jìn)行分析具有非常重要的作用，可以從用戶的訪問來源、訪問著陸頁、退出頁、訪問次數(shù)、訪問路徑、訪問商品品類等多個(gè)維度分析用戶特征。

例如可以通過每天的session訪問次數(shù)及人均訪問次數(shù)，分析產(chǎn)品對用戶的粘性：

上面介紹了6種常見的用戶行為分析工具，用戶行為平臺(tái)的目的是通過分析進(jìn)而優(yōu)化產(chǎn)品、提升用戶體驗(yàn)及GMV，而不僅僅作為一個(gè)工具停留在分析層面。

關(guān)于作者：趙宏田，資深大數(shù)據(jù)技術(shù)專家，先后在中國地質(zhì)大學(xué)（武漢）和武漢大學(xué)獲得工學(xué)和經(jīng)濟(jì)學(xué)雙學(xué)士學(xué)位。在大數(shù)據(jù)、數(shù)據(jù)分析和數(shù)據(jù)化運(yùn)營領(lǐng)域有多年的實(shí)踐經(jīng)驗(yàn)，擅長Hadoop、Spark等大數(shù)據(jù)技術(shù)，以及業(yè)務(wù)數(shù)據(jù)分析、數(shù)據(jù)倉庫開發(fā)、爬蟲、用戶畫像系統(tǒng)搭建等。

延伸閱讀《用戶畫像：方法論與工程化解決方案》

點(diǎn)擊上方鏈接了解及購買

轉(zhuǎn)載請聯(lián)系微信：DoctorData

推薦語：資深大數(shù)據(jù)專家多個(gè)億級規(guī)模用戶畫像系統(tǒng)的經(jīng)驗(yàn)總結(jié)，技術(shù)、產(chǎn)品、運(yùn)營3個(gè)維度講解從0到1構(gòu)建用戶畫像系統(tǒng)的技術(shù)和方法論。

劃重點(diǎn)????

干貨直達(dá)????

• AlphaGo背后這項(xiàng)核心技術(shù)，后來怎么樣了？
  

• 手把手教你用Python畫一個(gè)絕美土星環(huán)
  

• 大廠和初創(chuàng)公司都在用！Redis好在哪？終于有人講明白了
  

• 5種不會(huì)被機(jī)器智能替代的能力

更多精彩????

在公眾號(hào)對話框輸入以下關(guān)鍵詞

查看更多優(yōu)質(zhì)內(nèi)容！

PPT?|?讀書?|?書單?|?硬核?|?干貨?

大數(shù)據(jù)?|?揭秘?|?Python?|?可視化

AI?|?人工智能?|?5G?|?中臺(tái)

機(jī)器學(xué)習(xí)?|?深度學(xué)習(xí)?|?神經(jīng)網(wǎng)絡(luò)

合伙人?|?1024?|?大神?|?數(shù)學(xué)

據(jù)統(tǒng)計(jì)，99%的大咖都完成了這個(gè)神操作

????

總結(jié)

以上是生活随笔為你收集整理的用户画像有什么用？怎样用？6个场景案例给你讲明白的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。