用户行为分析学习方法

Ⅰ 哪些分析模型可以帮助我了解客户行为

【导读】在进行数据分析时，那就会提及数据分析模型。在进行数据分析之前，首先要建立一个数据分析模型。根据模型的内容，将其细分为不同的岩源慎数据指标以进行详细分析，最后得到所需的分析结果以及分析结论。那么，常见的数据粗敬分析模型有哪些呢?

1.行为事件分析

行为事件分析方法，研究某种行为事件对企业组织价值的影响程度。公司通过研究与事件发生有关的所有因素来挖掘或跟踪用户行为事件背后的原因，公司可以使用它来跟踪或记录用户行为或业务流程，例如用户注册，浏览产品详细信息页面，成功的投资，现金提取等交互影响。

2.漏斗分析模型

漏斗分析是一组过程分析，可以科学地反映用户的行为以及从头到尾的用户转化率的重要分析模型。

漏斗分析模型已广泛用于日常数据操作，例如流量监控和产品目标转化。例如，在产品服务平台中，实时用户从激活APP到支出开始，一般用户的购物路径是激活APP，注册帐户裂贺，进入实时空间，交互行为和礼物支出。

3.留存分析模型

留存分析是一种分析模型，用于分析用户的参与/活动级别，调查执行初始行为的用户执行后续行为的数量。这是衡量产品对用户价值的重要方法。保留率分析可以帮助回答以下问题：

新客户是否完成了您对用户将来要做行为的期望?如付款单等;社交产品可以改善对新注册用户的指导流程，并希望提高注册后用户的参与度，如何进行验证?我想确定产品变更是否有效。

4.分布分析模型

分布分析是在特定指标下对用户的频率和总量进行分类显示。它可以显示单个用户对产品的依赖程度，分析不同地区和不同时间段内客户购买的不同类型产品的数量，购买频率等，以帮助运营商了解当前客户状态和客户运营情况。

5.点击分析模型

用一种特殊的突出显示颜色形式用于显示页面或页面组区域(具有相同结构的页面，例如产品详细信息页面，官方网站博客等)中不同元素的点击密度的图表。包括元素被单击的次数，比例，被单击的用户列表以及按钮的当前和历史内容等因素。

以上就是小编今天给大家整理发送的关于“常见的数据分析模型有哪些?”的相关内容，希望对大家有所帮助。那我们如何入门学习大数据呢，如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

Ⅱ Gugle数据分析——淘宝用户行为分析

Gugle数据分析侍桥坦揭示淘宝用户行为深度洞察

本次任务旨在深入解析淘宝用户行为数据，通过构建RFM价值模型，全面监控用户价值动态。

首先，我们采用严谨的数据清洗流程:

• 数据来源：阿里云天池数据集 dataId=649


• 数据处理：使用pandas导入CSV，处理缺失值，调整时间格式，拆解日期时间字段

异常数据剔除策略是基于日期顺序和时间格式化的筛选，确保数据的准确性和一致性。

用户行为的时间维度分析揭示了显着趋势：

• 12月1-2日（周五周六）的pv剧增，可能是促销活动，需对比历史数据确认。


• 12月2-3日的热度下滑后，周日的购买行为值得关注。


• 购买量的消绝上升预示了购物节前的预热，12月12日购物节活动的影响明显。

进一步，我们对各时段用户行为进行了细致的细分分析，发现：

• pv、fav、cart、buy的行为分布，以小时为单老桐位，形成了鲜明的图例：fav: 绿色，cart: 橙色，buy: 红色

用户行为规律：凌晨03-04点为低谷，10点趋于平稳，18点至22点为高峰，次日03-04点又出现低谷。这为商家优化广告投放和主页推送策略提供了重要依据。

购买转化率深度剖析

• buy vs pv的转化率分析，展示在子图1中：rate与pv amount的关系。


• buy vs fav的转化率分析，子图2揭示了：rate与fav amount的联系。


• buy vs cart的转化率，子图3揭示了：rate与cart amount的关联。

结果显示，pv的购买转化率较低，而fav和cart则显示出更高的忠诚度要求。商家需要据此调整策略，如对价格敏感的用户进行促销，对忠诚用户则提供个性化服务或VIP活动。

• R: 未回购天数


• F: 购买频率


• M: 平均购买金额（目前数据未提供，可由R和F计算得出）

通过RFM模型，我们对用户进行价值排名，并使用Kettle ETL工具自动化监测用户评分，定期生成Excel报告。

• 工作流程包括数据导入、数据库操作及报告生成，每15分钟生成25400个用户数据。

Tableau将帮助我们可视化用户价值分布与转化率，突出两极化现象，提醒运营团队关注价值模型的动态变化，提升高价值用户，降低低价值用户。

通过AARRR模型分析，不断调整策略以优化运营。项目已完成，期待更多数据驱动的洞察和讨论。

——欢迎一同探讨学习，期待你的参与！

Ⅲ 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