这篇文章是总结笔记。大部分内容参考以下文章:

Jecy：谈用户行为分析

请酌情参考。

1、用户行为分析的原因

到目前为止，随着商业模式的发展，它不仅销售可以制造的产品，而且还制造可以销售的产品。企业的业务必须基于有一定需求的用户，因此市场扩张的立足点将落在用户的行为分析上。只有更好地了解用户习惯、用户偏好和用户肖像，我们才能更好地创新、改进或迭代产品，数据分析可以帮助我们做到这一点。另一方面，随着科学技术的发展，产品和技术最终将被淘汰，但基本的市场需求将永远存在，并将继续下去，但用户的需求将变得更高或更改，因此数据分析将继续反复验证、更新迭代和学习进步。

二是用户行为分析的前提

数据分析和用户行为分析的基本前提是你应该非常熟悉公司的业务，有四个简单的问题可以帮助理解业务：

我们的业务是什么？(定位)谁是我们的客户？(市场细分)客户看重什么？(竞争优势)我们的业务应该是什么？(愿景和目标)3。如何分析用户行为？

说白了，用户行为分析就是从各个维度看用户对某些指标的反馈。

关键词1:维度-用户分类

维度是指用户分类。虽然公司在产品定位和市场细分阶段对用户群体有明确的定位，但在产品运营阶段，使用产品的用户群体需要进一步细分。

「按个人属性或标签划分」

例如：性别、年龄、地区、教育等

星座、行业、职业、消费能力、支付偏好等用户也可以贴上标签

「根据用户使用品的生命周期划分」——同期群划分

用户使用产品的生命周期一般为：免费试用、付费使用和终止使用。同期组划分是指根据用户最初使用产品的时间对用户进行划分。产品总是在更新和迭代中，对不同的同期组有不同的影响。例如，2018年1月 A 产品上架时，2月份注册用户的支付转化率为10%，3月份注册用户的支付转化率为20%，4月份注册用户的支付转化率为30%。

适用于分析：

产品业务总体情况

产品改版效果

产品改进后的用户体验等

用户保留/流失分析

「按用户使用产品的频率划分」——活跃度

用户可分为：新用户、普通用户、活跃用户、核心用户、流失用户。

活动指标应根据不同类型的业务在不同的发展阶段进行定制。

比如微信等社交应用，可能指日均使用时间；如果是外卖等 O2O 类应用可能是每周使用次数；如果是喜马拉雅内容类应用，可能是指每天听音频的时间。

「按用户价值划分」——RFM 模型及其衍生

PFM 模型通过衡量客户价值和客户创造价值的能力对用户进行分类。

有三个维度：

R：最新消费 RecencyF：消费频率 FrequencyM：消费金额 Money

可分为 5 类：

一般针对电商模式。

「基于业务模型的指标」——AARRR 漏斗模型

AARRR 5

A：Acquisition 获取用户

A：Activation 提高活动性

R：Retention 提高留存率

R：Revenue 获取收入

R：Refer 自传播

金字塔模型，就是根据这个流程来给用户分类的一个模型。

因此，对于这五层的用户分类，我们的操作对每一类都有不同的需求：如果我们想让新用户下载，我们会给新手福利；如果下载用户想让他们使用，给他们愚蠢的操作指导；如果用户想让他来得更多，经常来并建立信任，他们必须有持续的 ** 和优化。当然，感兴趣的用户希望他付费。自然促销是一种常见的手段。至于付费用户，服务必须做好。我希望人们能买两三次，甚至推荐给别人。

正态分布模型

当用户操作和维护的资源更加广泛和有限时，可以使用正态分布模型。例如，28法则是一种正态分布形式，80%接近曲线平均值，剩余20%是利润来源。

正态分布模型是在利润贡献和人数等两个维度进行建模。你会发现少数客户提供最多的利润，少数客户因为运营成本和紧急情况而赔钱，剩下的大部分利润接近恒定值。

因此，根据这三种情况，我们可以分配运维资源，重点维护高利润用户。同时，我们也应该关注那些不盈利但占据大部分公司资源的客户。大多数在恒定值附近的客户应提供标准化服务，节约资源，降低边际成本。

「根据用户使用的业务场景划分」

例如，对 O2O 类应用，可划分为：买家用户、卖家用户、快递。买家和卖家和快递用户内可以继续按照前面所讲的分类模式继续细分。

关键词2：指标

指标是衡量基准，是明确的

数据。

「基本财务指标」

财务指标是企业的经营利润、总销售额、经营成本等。具体分析可按下图进行：

「基于业务模型的指标」——AARRR 漏斗模型

AARRR 5

A：Acquisition 获取用户

A：Activation 提高活动性

R：Retention 提高留存率

R：Revenue 获取收入

R：Refer 自传播

每一步的具体目的及相关指标如下图所示：

「基于业务模型的指标」——长漏斗模型

根据不同的业务模型，企业分析的指标模型也不一致。对于电子商务应用，更多的是使用长漏斗模型来分析业务，如下图所示：

需要注意：

用户行为分析在不同的商业阶段有不同的重点。RFM，更多的是基于优化交易金额来改善用户LTV分类方法。金字塔模型是基于多层次数据的稳定增长，形成健康AARRR系统循环的分类模式。正态分布更倾向于广泛操作。在维护有限用户资源的情况下，调用有限资源维护长尾客户的分类模式。

2.选择具有指导意义的指标。指标最关键的含义是必须具有指导意义，有利于做出决策。例如，在双十一清晨，需要实时监控交易量，并在一小时内率先完成10亿。然而， 10亿 实际上是一个数字，没有任何参考意义。然而，只要第一个小时比去年增加了40%，但预计会增加60%，这是非常有参考意义的。此时，您可以查看为什么它没有实现，并做出决定，如是否需要为用户设置提醒（数据只是一个例子，没有参考意义）

关键词3：反馈

反馈指标主要有四个方面，

变化，如何随时间波动分布，如何比较不同区域、不同产品、不同用户群体之间的比例，产品之间的比较和预测，并根据过去的性能分析预测未来的性能

因此，在根据业务绩效研究用户行为分析时，可以结合上述维度、指标和反馈，深入挖掘业务现状及其背后的原因。用户行为分析主要适用于企业：

根据不同用户的行为和表现，提出准确的营销建议，最大限度地发挥营销效益，研究和学习高质量用户的行为模式和共同特征，引导更多用户发展为高质量用户，有利于发现产品机会点，并利用A/B4.用户行为分析的路径

可分为数据采集、数据存储、分析模型、报表创建和应对策略五层。

数据采集：如果没有足够、准确、实时的数据，无论分析思维有多好，都没有用。可视化埋点（即全埋点）通常用于数据采集SDK埋点、JS埋点、日志数据、历史数据导入等。需要获取最准确的数据，推荐SDK埋点和服务器数据传输工具。数据存储：打开用户数据源，建立统一的数据仓库。明确和定义用户属性数据和用户行为数据。用户行为相关数据需要满足4W1H描述，即谁，在什么时候，以什么方式，在哪里，做了什么，描述这些信息，是用户id、设备号，访问ip、记录时间、时间、点击等数据。有了这些信息，你可以分析它们Why，也就是说，用户行为背后的原因。分析模型：用户分组、多维分析、漏斗分析、保留分析、事件分析、行为路径分析、行为序列分析。需要根据实际的业务场景进行灵活的匹配和使用。报告创建：为团队发展的不同阶段创建统一的关键指标，引导团队前进。对于运营、产品和市场，创建共同的报告，并持续监控关键数据。例如，市场关注渠道转换漏斗，产品和操作关注用户保留、活跃和关键行为事件。但相应的是基于公司统一的最关键指标。例如，当新产品推出时，首先关注天使用户对产品的响应，关注用户增长、病毒传播、快速激活用户支付等。响应策略：在数据分析的基础上，进行有针对性的用户研究和用户访谈，找出相关性背后的原因，并制定相应的策略。

用户行为分析与用户肖像(下):

金笔记:用户行为分析与用户肖像(下)