用户流失分析方法论

A. 如何利用数据分析提升用户留存率

一、留存的概念和重要性

1、什么是留存？

在互联网行业当中，因为拉新或推广的活动把客户引过来，用户开始访问公司的网站，但是经过一段时间可能就会有一部分客户逐渐流失了。那些留下来的人或者是经常回访我们公司网站的人就称为留存。

现在大家经常会用到所谓的“日活”（日活跃用户量，简称DAU）来监测我们的网站，有的时候会看到我们的“日活”在一段时期内都是逐渐增加的，这是一个非常好的现象。但是如果我们忽略了留存分析的话，这个结果很可能是一个错误。

比如某公司做了很多拉新、推广的活动，用户是带来了很多，但是留下来或经常返回来的客户不一定增长，他们有可能是在减少，只不过是拉新过来的人太多了而掩盖了流失率居高不下的问题，实际上客户的留存是在逐渐降低的。这个时候留存分析就很重要！

2、怎样用图表展示留存状况？

我们提供了留存图和留存表两个模型来分析用户流失与留存问题。

如上图左侧的留存图所示，开始的时候是带来了百分之百的人数，随着第一天结束，留存用户就急剧下降了85%，然后慢慢地降低，直到第13天进入一个平稳的阶段。

再如上图右边留存表，这张表该怎么解读呢？

我们先看一下第二行，时间是1月11日这一天，我们通过各种各样拉新和推广吸引到了6.7K 的客户。但是一天之后就下降了85%，变成15%，两天之后再一次下降10%，到了第七天是比较稳定的状态，达到了6.5%，后面就是缓慢地下降，比较平稳。我们可以看出来客户在第一天的时候就有一个巨大的流失，然后慢慢地达到了一个比较平稳的状态。

3、为什么要进行留存分析？

看完留存分析的概念，不禁思考，我们为什么要做留存呢？留存的分析意义何在？

像SaaS企业，获得一个客户无论在时间上还是在金钱上成本都是非常巨大的，也许要花掉两到三个月的时间才能获得一个客户。

以上面左边的图为例，刚开始这个客户，我们花了6000多美元的成本才把这个客户得到。得到了以后一般情况下客户对咱们这些企业可能就是按照一定的现金流给我们付钱，比如说付500美金，就这样一直地付下去。

这样你就会发现前期成本很高，也许我们只有通过客户使用我们的产品高达一年或者两年的时候我们才能收回成本。如果这个客户在之前就流失掉了，流失掉就意味着咱们的产品亏本了，连本都没有返回。

再来看右边的这张图，这张图讲的是每位客户成本的应收的现金流。第一个月我们得到了这个客户，我们花了6000刀，然后这个客户就每个月给我们付费，比如说每个月付500刀，他要到第13个月的时候我们才能达到所谓的收支平衡，从14个月以后才开始逐渐地赚钱，如果我们的留存没有做好，客户在用了两个月以后就走掉了，那这部分钱我们就流失了。

所以说留存有一个非常重要的意义，客户使用咱们公司的产品，时间越长越好，越长带来的现金流或者利润越高，这就是留存的一个非常核心的意义。

如果我们的留存做得好的话客户就会一直使用我们的产品，一直给我们带来财富。

从上图中我们可以看到两点：第一个就是使用的时间，留在我们产品的时间越长越好；第二个，希望利润越高越好。利润如何越高越好？就是我希望我的留存率越来越高，这样利润的面积也就越来越大。

二、用户留存的三个阶段和重要时间点

1、提升留存曲线的意义

假如现在我们产品的留存度是上图最下面那条绿色的线，纵轴是留存的比例，横轴是时间。一天过后，我们拉新获得的100%用户只留下35%，第7天变成了20%，然后缓慢下降，到了第60天以后达到一个大约10%的效果。

这个效果我们看看能不能通过某些方面的改进，让它逐步提升呢？

假如我们让绿色的留存度的线上升到橙色的线，再上升到红色的线，那么第一天留存率高达到70%，七天留存率也有60%多，到了60天、90天的时候留存率也能高达60%左右。这就是说我们前面通过市场拉新获得的百分之百的人数在经过90天以后有60%的人留下来了。

刚开始的时候看绿色的线我们的90天的留存率是10%，如果通过我们的努力能让它达到60%，这会给我们带来源源不断的财富和现金流的收入。

2、留存的三个阶段

今天通过留存分析的一些方法来给大家一些思路，看看如何通过优化产品的方式来提高我们的留存率。

在讲这个之前我先给大家讲一下我们应该如何去看这张留存的图。

这是一个常见的留存曲线，我把它分成了三个部分：第一部分是振荡期，第二部分是选择期，第三部分是平稳期。

大家会有一个问题，为什么我要分成这三个期呢？

首先在振荡期，我们可以看到拉新过来进入我们公司网站或者是下载APP的人数在前几天剧烈地减少，由100%几天就变成了百分之十几或者更低，这个期叫振荡期，它有自己的特色。

过了振荡期以后就是选择期，为什么我们称它为选择期呢？就是一般情况下客户在这段时间之内对我们的产品有了初步的了解，他开始探索我们公司的产品，看看这个产品有没有满足客户的一些核心需求。如果能满足，顾客很有可能就留下来了；如果没有满足，那客户就要走掉了。

过了选择期就是平稳期，留存率进入一个相对稳定的阶段。

3、留存的重要时点

第一个就是次日留存，就是当天过来第二天的留存有多少。我们可以看出，当天拉新，比如说我们拉了100个人，到了第二天可能只有十几个了，这是次日留存。

第二个是周留存，周留存是一个什么样的概念呢？我们为什么要周留存，这个概念就是说一般情况下客户使用一款产品，如果他进行一个完整的使用的话他的体验周期大约是一周或者是几天，因为比较常见的是周留存，我们就起了一个周留存的名字。

这个可以根据你的业务，如果您公司的产品体验一个完整的体验周期的话比如说是14天或者3天，我们就定3日留存或者14日留存。

三、留存的核心原因

什么样的客户会留下来？

其实这个问题也非常简单，如果我们的产品能够满足客户的核心需求，他能够在我们的产品使用当中发现这个产品的价值，那么他很有可能就会留下来。

如果我们做了很多的拉新、渠道的优化等等，也许会提高一定的留存率，但是这个留存到底能不能留下来，核心的问题还是说我们的产品功能设计能否满足客户的核心需求。如果能满足的话，我们能不能再进一步，我们这个产品的设计能否比较好的、比较快的、比较方便地满足客户的核心需求，这是第二点。

四、留存分析的方法论

下面我给大家讲解一下留存分析的方法论，来更好提升我们在平稳期这段时间的留存量。

假如我们现在可能只有5%，我想把它提高到10%或者是20%更高，就是回到刚才这张图，从一个绿色的线，慢慢地努力提到一个红色的线。

在这里留存分析有两个常见的分析方法，给大家稍微介绍一下，然后在后面的案例的讲解当中慢慢地把这两个方法融进去，给大家讲一讲。

第一个就是获取时间，我们在留存分析的时候可以对获取客户的时间进行分组。比如说这个产品发布了版本2.0或者是3.0，这个时间点我们可以做一个分组，看看用新版本的人的留存表现。

还有一种分组方式就是根据客户的行为进行分组，比如说我们举个例子，有一款音乐的软件，我想知道分享这首歌的人，他们在留存上有什么样的表现，或者对这首歌点赞数大于3次或者5次的人，他们在留存上有什么样的表现。

1、按照获取客户时间进行分析

如上图，是一个新版本音乐APP的留存情况，左边是留存表，右边是留存图。

先看左边的留存表，正如我刚才所说的，按照获取的时间进行了一个分组。举个例子，我们看最下面的10月26日获得的用户，一天后留存率是多少，两天后留存率是多少，三天后留存率是多少。

我们看到右边这个留存表也是这个意思，可以看出来第一天留存率骤降一半，第二天又降了10%，可以看出来前两天客户的留存率下降得很大，然后慢慢地在后期，比如说在第十五六天的时候达到一个比较平稳的阶段。

从这两张图表可以很好告诉我们随着时间的变化，留存在下降。但是如果我们想深度地挖掘哪里出了问题的话这两张表还不够，我们还需要进一步地分析用户行为。

2、按照用户行为进行分析

这时候我们就涉及到了一个新的分析方法，就是根据客户的行为进行分析。

还是以音乐APP为例，如果一个客户在一段时间内点击“喜欢”大于3次，我们看看这一部分人的留存，即上面左边的图。我们可以很明显地看到，咱们这条留存曲线是高于所有用户的蓝色留存曲线的。我们看一下次日留存率，高达82%，而所有用户可能只有50%多。得出结论：点击“喜欢”大于三次的用户留存表现优于所有用户平均值。

这时候咱们再进行更深一步的对比，点击“喜欢”大于等于3次与小于3次的用户留存之间有什么差异？上面右边的图中，红色的线就是喜欢这首歌大于等于3次，蓝色的还是刚才整体的所有用户，在下面是绿色，小于3次的。

可以明显地看出来这三个分群有很大的不同，点击“喜欢”越多的次数留存率就会很高，而点击“喜欢”小于3次的人留存率比所有用户的还要低。

我们看到这两这张图就会想到一个问题，我们有没有一种方法来引导客户，让他点击喜欢呢？

这个时候留存的分析的作用就是说如何促使产品的更新和优化，既然通过数据我发现了点击“喜欢”大于3就会留存率高，那么我们是不是通过这种分析方法来得到一个类似的假设，我们的产品如果通过优化能让客户更早地去点击“喜欢”，那么客户的留存就会多。

当然了这个时候我们会对产品通过一些交互行为的设计、A/B test或者各种各样的方法来使这个产品变得更好一些，更优化一些，不过这个主题比较大，我们先讲到这里。

我们继续往下深入地挖掘。

现在有一个行为是点击“喜欢”大于3次，我们还有些其他的行为，比如说我在一个网站上想加入一个兴趣的社区，比如说我非常喜欢听爵士乐，我就在APP进入爵士乐的社区，比如说我非常喜欢陈奕迅，我就想加入陈奕迅歌迷俱乐部，或者说我想加入其他的一些社区。

在上面左边的留存图中我们就用绿色的线表示当客户加入了一个兴趣社区时他的表现是什么样子。红色的线还有蓝色的线也是刚才说的三条线的对比。

可以看出来，如果这个客户加入了一个兴趣社区，我们也可以看到它的留存率相对整体客户来说是有一个提升的。

我们发现客户加入兴趣社区，点击大于3都会导致留存率的上升，那么我们会不会更深一步想一个问题，如果他既点击“喜欢”大于3次以上，又加入兴趣社区，会有什么样的效果？

当然这时候可能并没有很好的效果，我们并不确定，那我们就做一个实验，把数据抓出来，做上一张图，先看一下是好是坏，即刻分享。

然后我们就做出了上面右边的图，红色的就是我刚才说的，点击“喜欢”大于3次以上并且加入了社区，另外就是它的补集，就是没有小于等于3次或者是没有加入社区的，这时候我们发现这是一个很大的留存方面的差异。

由上图可以很明显地看出来红色要远远地高于蓝色，这时候就会给我们一个想法，如果咱们的产品能够更好地引导这些客户去使用这些功能，那么这些客户就能很好地留下来，留在咱们的产品上。

3、不同群组对产品不同模块使用状况的分析

上面的图叫“如何发现一个对比的点”，功能是分析不同的群组对产品不同模块使用情况。

分群A（平稳期）的客户之所以留下来了，是因为咱们的产品提供的功能满足了他，这些用户我们可以通过一些细节的挖掘，去看他对每一个产品每一项功能的使用情况。

比如某个产品有很多功能，我现在就截取了A/B/C/D/N 5个模块，10代表使用这个模块的频率还有热度的指数的满分，9表示他经常使用这个功能。反映到我们手机上的例子可能就是说他经常使用“喜欢”这个按钮或者是经常用“分享”这个按钮。

从这里可以看出来，如果我们做一个排序的话，分群A在平稳期的这部分用户非常喜欢使用模块A，也非常喜欢使用模块C或者模块D。

这部分群体我们再逆推到之前，他们在前期的时候喜欢使用什么样的功能呢？他们在所谓的振荡期和选择期的时候使用什么样的功能。

我们也是通过数据的分析，把这个数据拿下来，即分群A（振荡期+选择期），我们发现客户很可能非常喜欢模块A或者是功能模块C，例如客户非常喜欢分享一个东西或者喜欢下载一个东西，这个东西就是我们行为分析的一个起止点。

我们可以探索我们是不是先用这两个点来看一看客户在留存上面有没有一个巨大的行为差异，然后我们就会通过这些东西做出一些东西，比如说我点击了“喜欢”大于3次的我就发现留存率高，点击“喜欢”小于等于3次的留存率相对就会比较低。

五、用户留存的案例分析

1、留存图和留存表

下面展示了我们提供的一张留存图和留存表（也称为手枪图），可以方便大家看到新进来的客户们在后续的时间的表现，我们也可以定义起始行为和回访行为这两个功能。

2、起始行为和回访行为

起始行为规定了你想筛选什么样的用户进行留存分析。我们按照最普遍的留存率的概念，将默认的起始行为设置为“新增用户”，即这个用户ID此前未曾出现过，那么就会归为当天的新增用户。除了默认选项外，我们还支持将任意圈选过的标签的浏览或点击行为作为起始行为，在下拉菜单中就可以直接选择。

例如，选择“页面_加入我们”“浏览”为起始行为，那么系统会将一段时间内所有浏览过“加入我们”这个页面的用户都筛选出来，然后再计算他们在这之后是否发生过回访行为。

你希望用户经常地、持续地到你的产品中做什么？这就是回访行为的定义。在默认条件下，回访行为被设置为“任意行为”，即对任何页面的浏览或点击都被认为是留存。与起始行为一样，你可以设置任意标签的浏览或点击行为作为回访行为，在下拉菜单中可以选择。

例如，选择“按钮_加入购物车”“点击”作为回访行为，那么系统会计算：在满足起始行为的用户中，接下来的每一天里有多少人点击了“加入购物车”按钮？他们占起始用户的比例有多少？

3、某O2O企业分析“发红包”案例分析

某个O2O应用，想观察给用户发放红包之后的回购行为趋势。在这个案例中，我们将触发了购买行为的用户定义为留存用户，因为对于这个活动来说，刺激用户的购买是首要目标，那些仅在应用里查看了商品页面的用户，虽然他们回访了，但并没有进行关键行为，因此在这个案例中暂不能成为留存用户。

首先在【起始行为】中选择【红包领取成功页面】【浏览】，然后在【回访行为】中选择【购买成功页面】【浏览】，时间选择红包活动的时间段1月1日至1月14日，点击【提交】。

在这张表中，可以看到第一列“当天”的留存率已经不是100%，这是因为我们设定的起始行为与回访行为不一致而形成的，是正常现象。当天的平均留存率为38.1%，表示每100个领取了红包的用户中，大约38人会在当天就去购买商品花掉红包。

我们还可以根据这张表做进一步的分析：例如，在1天后的留存率中，1月2日领取红包的这批用户转化率非常低，只有2.6%，而1月2日的这批用户的当天转化率也不高。我们可以在【用户分群】功能中将这批用户定义为一个分群A，同时将1月7日领取红包的这批用户定义为分群B（因为1月7日的红包用户当天、次日的留存率都比较高），将这两个分群进一步按照多个维度和指标进行交叉对比，找出他们的行为差异。

B. 如何降低用户流失率

什么是顾客流失率

顾客流失率又称客户流失率，是指顾客的流失数量与全部消费产品或服务顾客的数量的比例。它是顾客流失的定量表述，是判断顾客流失的主要指标，直接反映了企业经营与管理的现状。
2顾客流失率的测定

顾客流失率有绝对顾客流失率和相对顾客流失率之分，因而顾客流失率有两种计算方法：
1、绝对顾客流失率：(流失的顾客数量/全部顾客数量)×100%
2、相对顾客流失率：[(流失的顾客数量/全部顾客数量)×流失顾客的相对购买额]×100%
如果一家银行的顾客数量从500减少到475，那么它流失的顾客数量为 25，绝对顾客流失率即为25/500*100%=5%。绝对顾客流失率把每位流失的顾客同等看待。相对顾客流失率则以顾客的相对购买额为权数来考虑顾客流失率。若流失的25为顾客的单位购买额是平均数的3倍，那么相对顾客流失率即为25/500*3*100%=15%。
3顾客流失率的降低步骤

降低顾客流失率的4个步骤：
1、确定和衡量它的顾客保持率。例如，杂志：续订率；大学：一年级升至二年级的比率，或者毕业率。
2、找出导致顾客流失的原因，并找出那些可以改进的地方。
3、估算一下当它失去这些不该失去的顾客时所导致的利润损失。当一个顾客流失时，损失的利润就相当于这个顾客的生涯价值，也就是说，相当于这位顾客在正常年限内持续购买所产生的利润。
4、计算降低流失率所需要的费用。只要这些费用低于所损失的利润，公司就应该花这笔钱

C. 产品经理如何做用户行为分析

在这个每个互联网人都在谈论数据，每个产品经理都在谈论数据分析的时代，用户行为分析的重要性也越来越凸显出来，那么产品经理如何做用户行为分析呢？接下来将为大家进行分享。

一、为什么要做用户行为分析

观点一：有些功能整个平台用户都希望做，是没有必要耗费人力评估的，只要做了就可以了。用户行为分析是形式，不能为了分析而分析。观点二：我都在这个行业做了这么多年了，用户需要什么难道我不知道吗？我本身就是用户，我可以代表他们，我的需求就是他们的需求目标。观点三：只需要做充分的调研分析就可以了，比如需求调研，产品使用调研，多找找目标用户，多让他们提一些反馈意见，根据反馈来做修改即可。观点四：不要总是顺着用户的意思去做产品。产品设计的核心是产品经理的想法，而不是用户的看法。

以上观点其实都是错误的，如果产品经理有这样的想法，会对自己极为不利。下面我们来看两个案例：

案例一：Growing IO 改版前后对比

视频介绍功能是所有用户都想要的，于是Growing IO毫不犹豫地把视频放在了首页，然后注册转化率下降了50%，持续观察两个周，注册转化率仍然没有显着增长，回滚到上个版本，注册转化率逐渐恢复。结论：

部分用户的观点无法代表全体用户的真实感受，视频介绍可能是伪需求。产品经理的主观感受无法代表用户的真实体验，任何人都无法代表用户。视频介绍分散了用户的注意力，导致首页注册转化率大幅度下跌。

案例二：Facebook改版之后再回滚

Facebook经过改版之后，页面更清爽了，展示面积更大了，突出了图片以及视频，展示信息更丰富，Facebook的产品经理、交互设计师都对这一版本非常有信心。然而10%灰度发布之后，用户平均在线时长降低50%，一个月后，数据仍然没有好转。

互联网产品要以数据为导向，而不仅仅凭借自己的主观感觉。产品设计过于超前了，产品版本迭代版本之间没有一定的过渡，用户无法习惯。

因此可以说，数据分析在日常工作中起到的是必不可少的作用。1、用户行为分析不是形式化，不是为了分析而分析，哪怕是核心用户提出的需求，也要通过数据来验证，任何人都无法代表真正的用户。2、产品经理要有自我革新，自我否定的意识。用户的需求是变的，不能太过于依赖过往的经验，过往的经验不可靠，只有数据最可靠。3、用户分析调研是一方面，只是为产品提供思路，但是是否有利于产品长期发展还是要通过数据来说话。4、用户端产品要以用户体验为核心，以数据为导向。

二、数据指标与名词含义

1、流量来源：流量来源的意思是网站的访问来源，比如用户来自于知乎，来自于微博等等。主要用来统计分析各渠道的推广效果。

2、PV：PV（page view）即页面浏览量或点击量，指页面刷新的次数，每一次页面刷新，就算做一次PV流量。

3、UV：UV（unique visitor）即独立访客数，在同一天内，UV只记录第一次进入网站的具有独立IP的访问者，在同一天内再次访问该网站则不计数。PV与UV的比值一定程度上反映产品的粘性，比值越高往往粘性越高。

4、IP数：IP数即独立IP的访问用户数，指1天内使用不同IP地址的用户访问网站的数量。IP数字与UV可能不同（可大可小可相等）

5、日活/月活：每日活跃用户数（DAU）/每月活跃用户数（MAU），反映的是网站或者APP的用户活跃程度，用户粘性。

6、次日留存/次月留存：次日留存、次月留存反映的是网站或者APP的留存率。

7、用户保有率：指在单位时间内符合有效用户条件的用户数在实际产生用户量的比率，也叫用户留存。

8、转化率/流失率：转化率一般用来统计两个流程之间的转化比例。其中流失率也是重要的数据指标。用户流失率=总流失用户数/总用户数。

9、跳出率：指用户到达网站上且仅浏览了一个页面就离开的访问次数（PV）与所有访问次数的百分比。跳出率越高说明越不受欢迎。

10、退出率：对某一个特定的页面而言，从这个页面离开网站的访问数（PV）占这个页面的访问数的百分比。跳出率适用于访问的着陆页（即用户访问的第一个页面），而退出率则适用于任何访问退出的页面。

11、使用时长：每天用户使用的时间。对于游戏或者是社交产品来说，使用时间越长，说明用户越喜欢。一般来说，使用时长越短说明产品粘性越差，用户越不喜欢。

12、ARPU：Average Revenue Per User，每用户平均收入在一定时间内，ARPU=总收入/用户数。

三、如何做用户行为分析――三大理念

1、要树立以数据为驱动的价值观

要树立以数据为驱动的价值观，充分认可数据的价值。工作定位：统计、助力、优化、创新。商业变现是最根本目标：用户使用产生数据商业变现

2、要有用户行为分析方法论

在用户行为分析中，越底层产生的价值越低，越顶层产生的价值越高。做用户行为分析应该把重心放在最有价值的分析和决策两个层面。将更多的时间放在分析以及应用上，而不是数据采集上。

AARRR模型，我们在做用户行为分析的时候，应该考虑用户正处在AARRR模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么。

当我们对产品有一个idea的时候，采用MVP的方式将其构建，功能上线后，衡量用户和市场反应，从而不断学习优化

3、要用功能强大的用户行为分析工具

比如Google analysis、神策数据、Growing IO等等

四、如何做用户行为分析――八大方法

1、内外因素分析

该方法有助于快速定位问题。例如一款金融类产品UV下降，快速分析相关原因。内部可控因素：渠道变化、近期上线更新版本、内部不可控因素：公司战略变更、外部可控因素：淡旺季、外部不可控因素：监管。

2、事件分析

事件维度：用户在产品中的行为以及业务过程。指标：具体的数值，访客、地址、浏览量（PV、UV）、停留时长。趋势分析：分析各个事件的趋势

通过事件分析，比如分析用户的在线时长、点击事件、下载事件等等，然后分析用户的行为。并且通过各类图标来分析用户的行为趋势，从而对用户的行为有初步的了解。

3、试点分析

说白了就是，当发现一个问题之后，不要那么着急去解决，而是只想一个解决办法，然后灰度发布，如果灰度发布的人群数据比较好，那么就推往整个用户群。

这是一种从一个具体问题拆分到整体影响，从单一解决方案找到一个规模化解决方案的方式。

4、漏斗模型

漏斗模型是最常用的分析方法，可以广泛应用于流量监控、产品目标转化等日常数据运营工作中。要根据实际需要来确定是否有做漏斗分析的必要，比如用户注册过程、下单过程这些主要流程，就需要用漏斗模型来进行分析，尤其是需要分析用户在哪个环节流失最严重。

5、留存分析

通过留存分析，分析用户的次日留存、次周留存、次月留存等等，次日留存率能够说明用户对这款产品是否有持续使用的兴趣，对于社交、游戏类产品来说，次日留存率非常重要。

6、行为轨迹分析

只通过PV、UV 分析以及退出率分析是无法找到大部分用户是怎么去使用这款产品的。只有通过记录用户的行为轨迹，才能够关注用户真正如何去使用这款产品的。用户体验设计是对用户行为的设计，通过行为轨迹分析，能够帮助产品经理设计出来的产品直达用户内心。

例：通过用户行为轨迹分析发现，大部分用户支付转化率不高并不是退出了，而是返回了上一个页面，猜测：当前页面信息不足，用户在犹豫，想返回上一个页面再了解一下产品。

7、A/B test

A/B test是一种产品优化方法，AB测试本质上是个分离式组间实验，将A与B两个不同的版本同时发往两个几乎一致的用户群，来观测这两个用户群的数据反馈。

A/B test是一种“先验”的实验体系，属于预测型结论，与“后验”的归纳性结论差别巨大。A/B测试的目的在于通过科学的实验设计、采样样本代表性、流量分割与小流量测试等方式来获得具有代表性的实验结论，并确信该结论在推广到全部流量可信。

8、点击分析

通过点击分析，能够直观地看出来在这个页面中，用户的注意力都集中在哪些地方，用户最常用的功能是什么。方便产品经理对用户行为形成整体的了解，有助于产品经理引导用户往自己想要的方向去操作。

以上就是我个人总结的产品经理用户行为分析的方法，欢迎大家来补充、交流。

作者：秦时明月，互联网现金贷产品经理、互联网保险产品经理。

本文由@秦时明月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