用戶行為分析學習方法

Ⅰ 哪些分析模型可以幫助我了解客戶行為

【導讀】在進行數據分析時，那就會提及數據分析模型。在進行數據分析之前，首先要建立一個數據分析模型。根據模型的內容，將其細分為不同的岩源慎數據指標以進行詳細分析，最後得到所需的分析結果以及分析結論。那麼，常見的數據粗敬分析模型有哪些呢?

1.行為事件分析

行為事件分析方法，研究某種行為事件對企業組織價值的影響程度。公司通過研究與事件發生有關的所有因素來挖掘或跟蹤用戶行為事件背後的原因，公司可以使用它來跟蹤或記錄用戶行為或業務流程，例如用戶注冊，瀏覽產品詳細信息頁面，成功的投資，現金提取等交互影響。

2.漏斗分析模型

漏斗分析是一組過程分析，可以科學地反映用戶的行為以及從頭到尾的用戶轉化率的重要分析模型。

漏斗分析模型已廣泛用於日常數據操作，例如流量監控和產品目標轉化。例如，在產品服務平台中，實時用戶從激活APP到支出開始，一般用戶的購物路徑是激活APP，注冊帳戶裂賀，進入實時空間，交互行為和禮物支出。

3.留存分析模型

留存分析是一種分析模型，用於分析用戶的參與/活動級別，調查執行初始行為的用戶執行後續行為的數量。這是衡量產品對用戶價值的重要方法。保留率分析可以幫助回答以下問題：

新客戶是否完成了您對用戶將來要做行為的期望?如付款單等;社交產品可以改善對新注冊用戶的指導流程，並希望提高注冊後用戶的參與度，如何進行驗證?我想確定產品變更是否有效。

4.分布分析模型

分布分析是在特定指標下對用戶的頻率和總量進行分類顯示。它可以顯示單個用戶對產品的依賴程度，分析不同地區和不同時間段內客戶購買的不同類型產品的數量，購買頻率等，以幫助運營商了解當前客戶狀態和客戶運營情況。

5.點擊分析模型

用一種特殊的突出顯示顏色形式用於顯示頁面或頁面組區域(具有相同結構的頁面，例如產品詳細信息頁面，官方網站博客等)中不同元素的點擊密度的圖表。包括元素被單擊的次數，比例，被單擊的用戶列表以及按鈕的當前和歷史內容等因素。

以上就是小編今天給大家整理發送的關於「常見的數據分析模型有哪些?」的相關內容，希望對大家有所幫助。那我們如何入門學習大數據呢，如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

Ⅱ Gugle數據分析——淘寶用戶行為分析

Gugle數據分析侍橋坦揭示淘寶用戶行為深度洞察

本次任務旨在深入解析淘寶用戶行為數據，通過構建RFM價值模型，全面監控用戶價值動態。

首先，我們採用嚴謹的數據清洗流程:

• 數據來源：阿里雲天池數據集 dataId=649


• 數據處理：使用pandas導入CSV，處理缺失值，調整時間格式，拆解日期時間欄位

異常數據剔除策略是基於日期順序和時間格式化的篩選，確保數據的准確性和一致性。

用戶行為的時間維度分析揭示了顯著趨勢：

• 12月1-2日（周五周六）的pv劇增，可能是促銷活動，需對比歷史數據確認。


• 12月2-3日的熱度下滑後，周日的購買行為值得關注。


• 購買量的消絕上升預示了購物節前的預熱，12月12日購物節活動的影響明顯。

進一步，我們對各時段用戶行為進行了細致的細分分析，發現：

• pv、fav、cart、buy的行為分布，以小時為單老桐位，形成了鮮明的圖例：fav: 綠色，cart: 橙色，buy: 紅色

用戶行為規律：凌晨03-04點為低谷，10點趨於平穩，18點至22點為高峰，次日03-04點又出現低谷。這為商家優化廣告投放和主頁推送策略提供了重要依據。

購買轉化率深度剖析

• buy vs pv的轉化率分析，展示在子圖1中：rate與pv amount的關系。


• buy vs fav的轉化率分析，子圖2揭示了：rate與fav amount的聯系。


• buy vs cart的轉化率，子圖3揭示了：rate與cart amount的關聯。

結果顯示，pv的購買轉化率較低，而fav和cart則顯示出更高的忠誠度要求。商家需要據此調整策略，如對價格敏感的用戶進行促銷，對忠誠用戶則提供個性化服務或VIP活動。

• R: 未回購天數


• F: 購買頻率


• M: 平均購買金額（目前數據未提供，可由R和F計算得出）

通過RFM模型，我們對用戶進行價值排名，並使用Kettle ETL工具自動化監測用戶評分，定期生成Excel報告。

• 工作流程包括數據導入、資料庫操作及報告生成，每15分鍾生成25400個用戶數據。

Tableau將幫助我們可視化用戶價值分布與轉化率，突出兩極化現象，提醒運營團隊關注價值模型的動態變化，提升高價值用戶，降低低價值用戶。

通過AARRR模型分析，不斷調整策略以優化運營。項目已完成，期待更多數據驅動的洞察和討論。

——歡迎一同探討學習，期待你的參與！

Ⅲ 產品經理如何做用戶行為分析

在這個每個互聯網人都在談論數據，每個產品經理都在談論數據分析的時代，用戶行為分析的重要性也越來越凸顯出來，那麼產品經理如何做用戶行為分析呢？接下來將為大家進行分享。

一、為什麼要做用戶行為分析

觀點一：有些功能整個平台用戶都希望做，是沒有必要耗費人力評估的，只要做了就可以了。用戶行為分析是形式，不能為了分析而分析。觀點二：我都在這個行業做了這么多年了，用戶需要什麼難道我不知道嗎？我本身就是用戶，我可以代表他們，我的需求就是他們的需求目標。觀點三：只需要做充分的調研分析就可以了，比如需求調研，產品使用調研，多找找目標用戶，多讓他們提一些反饋意見，根據反饋來做修改即可。觀點四：不要總是順著用戶的意思去做產品。產品設計的核心是產品經理的想法，而不是用戶的看法。

以上觀點其實都是錯誤的，如果產品經理有這樣的想法，會對自己極為不利。下面我們來看兩個案例：

案例一：Growing IO 改版前後對比

視頻介紹功能是所有用戶都想要的，於是Growing IO毫不猶豫地把視頻放在了首頁，然後注冊轉化率下降了50%，持續觀察兩個周，注冊轉化率仍然沒有顯著增長，回滾到上個版本，注冊轉化率逐漸恢復。結論：

部分用戶的觀點無法代表全體用戶的真實感受，視頻介紹可能是偽需求。產品經理的主觀感受無法代表用戶的真實體驗，任何人都無法代表用戶。視頻介紹分散了用戶的注意力，導致首頁注冊轉化率大幅度下跌。

案例二：Facebook改版之後再回滾

Facebook經過改版之後，頁面更清爽了，展示面積更大了，突出了圖片以及視頻，展示信息更豐富，Facebook的產品經理、交互設計師都對這一版本非常有信心。然而10%灰度發布之後，用戶平均在線時長降低50%，一個月後，數據仍然沒有好轉。

互聯網產品要以數據為導向，而不僅僅憑借自己的主觀感覺。產品設計過於超前了，產品版本迭代版本之間沒有一定的過渡，用戶無法習慣。

因此可以說，數據分析在日常工作中起到的是必不可少的作用。1、用戶行為分析不是形式化，不是為了分析而分析，哪怕是核心用戶提出的需求，也要通過數據來驗證，任何人都無法代表真正的用戶。2、產品經理要有自我革新，自我否定的意識。用戶的需求是變的，不能太過於依賴過往的經驗，過往的經驗不可靠，只有數據最可靠。3、用戶分析調研是一方面，只是為產品提供思路，但是是否有利於產品長期發展還是要通過數據來說話。4、用戶端產品要以用戶體驗為核心，以數據為導向。

二、數據指標與名詞含義

1、流量來源：流量來源的意思是網站的訪問來源，比如用戶來自於知乎，來自於微博等等。主要用來統計分析各渠道的推廣效果。

2、PV：PV（page view）即頁面瀏覽量或點擊量，指頁面刷新的次數，每一次頁面刷新，就算做一次PV流量。

3、UV：UV（unique visitor）即獨立訪客數，在同一天內，UV只記錄第一次進入網站的具有獨立IP的訪問者，在同一天內再次訪問該網站則不計數。PV與UV的比值一定程度上反映產品的粘性，比值越高往往粘性越高。

4、IP數：IP數即獨立IP的訪問用戶數，指1天內使用不同IP地址的用戶訪問網站的數量。IP數字與UV可能不同（可大可小可相等）

5、日活/月活：每日活躍用戶數（DAU）/每月活躍用戶數（MAU），反映的是網站或者APP的用戶活躍程度，用戶粘性。

6、次日留存/次月留存：次日留存、次月留存反映的是網站或者APP的留存率。

7、用戶保有率：指在單位時間內符合有效用戶條件的用戶數在實際產生用戶量的比率，也叫用戶留存。

8、轉化率/流失率：轉化率一般用來統計兩個流程之間的轉化比例。其中流失率也是重要的數據指標。用戶流失率=總流失用戶數/總用戶數。

9、跳出率：指用戶到達網站上且僅瀏覽了一個頁面就離開的訪問次數（PV）與所有訪問次數的百分比。跳出率越高說明越不受歡迎。

10、退出率：對某一個特定的頁面而言，從這個頁面離開網站的訪問數（PV）占這個頁面的訪問數的百分比。跳出率適用於訪問的著陸頁（即用戶訪問的第一個頁面），而退出率則適用於任何訪問退出的頁面。

11、使用時長：每天用戶使用的時間。對於游戲或者是社交產品來說，使用時間越長，說明用戶越喜歡。一般來說，使用時長越短說明產品粘性越差，用戶越不喜歡。

12、ARPU：Average Revenue Per User，每用戶平均收入在一定時間內，ARPU=總收入/用戶數。

三、如何做用戶行為分析――三大理念

1、要樹立以數據為驅動的價值觀

要樹立以數據為驅動的價值觀，充分認可數據的價值。工作定位：統計、助力、優化、創新。商業變現是最根本目標：用戶使用產生數據商業變現

2、要有用戶行為分析方法論

在用戶行為分析中，越底層產生的價值越低，越頂層產生的價值越高。做用戶行為分析應該把重心放在最有價值的分析和決策兩個層面。將更多的時間放在分析以及應用上，而不是數據採集上。

AARRR模型，我們在做用戶行為分析的時候，應該考慮用戶正處在AARRR模型的哪個部分、關鍵數據指標是什麼、對應的分析方法又是什麼。

當我們對產品有一個idea的時候，採用MVP的方式將其構建，功能上線後，衡量用戶和市場反應，從而不斷學習優化

3、要用功能強大的用戶行為分析工具

比如Google analysis、神策數據、Growing IO等等

四、如何做用戶行為分析――八大方法

1、內外因素分析

該方法有助於快速定位問題。例如一款金融類產品UV下降，快速分析相關原因。內部可控因素：渠道變化、近期上線更新版本、內部不可控因素：公司戰略變更、外部可控因素：淡旺季、外部不可控因素：監管。

2、事件分析

事件維度：用戶在產品中的行為以及業務過程。指標：具體的數值，訪客、地址、瀏覽量（PV、UV）、停留時長。趨勢分析：分析各個事件的趨勢

通過事件分析，比如分析用戶的在線時長、點擊事件、下載事件等等，然後分析用戶的行為。並且通過各類圖標來分析用戶的行為趨勢，從而對用戶的行為有初步的了解。

3、試點分析

說白了就是，當發現一個問題之後，不要那麼著急去解決，而是只想一個解決辦法，然後灰度發布，如果灰度發布的人群數據比較好，那麼就推往整個用戶群。

這是一種從一個具體問題拆分到整體影響，從單一解決方案找到一個規模化解決方案的方式。

4、漏斗模型

漏斗模型是最常用的分析方法，可以廣泛應用於流量監控、產品目標轉化等日常數據運營工作中。要根據實際需要來確定是否有做漏斗分析的必要，比如用戶注冊過程、下單過程這些主要流程，就需要用漏斗模型來進行分析，尤其是需要分析用戶在哪個環節流失最嚴重。

5、留存分析

通過留存分析，分析用戶的次日留存、次周留存、次月留存等等，次日留存率能夠說明用戶對這款產品是否有持續使用的興趣，對於社交、游戲類產品來說，次日留存率非常重要。

6、行為軌跡分析

只通過PV、UV 分析以及退出率分析是無法找到大部分用戶是怎麼去使用這款產品的。只有通過記錄用戶的行為軌跡，才能夠關注用戶真正如何去使用這款產品的。用戶體驗設計是對用戶行為的設計，通過行為軌跡分析，能夠幫助產品經理設計出來的產品直達用戶內心。

例：通過用戶行為軌跡分析發現，大部分用戶支付轉化率不高並不是退出了，而是返回了上一個頁面，猜測：當前頁面信息不足，用戶在猶豫，想返回上一個頁面再了解一下產品。

7、A/B test

A/B test是一種產品優化方法，AB測試本質上是個分離式組間實驗，將A與B兩個不同的版本同時發往兩個幾乎一致的用戶群，來觀測這兩個用戶群的數據反饋。

A/B test是一種「先驗」的實驗體系，屬於預測型結論，與「後驗」的歸納性結論差別巨大。A/B測試的目的在於通過科學的實驗設計、采樣樣本代表性、流量分割與小流量測試等方式來獲得具有代表性的實驗結論，並確信該結論在推廣到全部流量可信。

8、點擊分析

通過點擊分析，能夠直觀地看出來在這個頁面中，用戶的注意力都集中在哪些地方，用戶最常用的功能是什麼。方便產品經理對用戶行為形成整體的了解，有助於產品經理引導用戶往自己想要的方向去操作。

以上就是我個人總結的產品經理用戶行為分析的方法，歡迎大家來補充、交流。

作者：秦時明月，互聯網現金貸產品經理、互聯網保險產品經理。

本文由@秦時明月原創發布於人人都是產品經理。未經許可，禁止轉載。

題圖來自 unsplash，基於 CC0協議