無論是產品、還是運營，都需要具備良好的資料分析能力

使用者行為分析作為運營人員必備的核心技能，對職業發展起著尤為重要的作用。

今天辦辦就解析常見的3種使用者行為分析模型，幫助各位運營更系統的進行使用者行為分析，發現並解決運營過程中暴露出的問題，從而更高效的完成工作。

行為資料分析法

行為事件分析法具有強大的篩選、分組和聚合能力，邏輯清晰且使用簡單，已被廣泛應用。

行為事件分析法用來研究某行為事件的發生對企業組織價值的影響以及影響程度。企業藉此來追蹤或記錄的使用者行為或業務過程，如使用者註冊、瀏覽產品詳情頁、成功投資、提現等，透過研究與事件發生關聯的所有因素來挖掘使用者行為事件背後的原因、互動影響等。

簡單的說，行為事件分析法一般經過事件定義與選擇、下鑽分析、解釋與結論等環節。

（1）事件定義與選擇

（2）多維度下鑽分析

（3）解釋與結論

互金行業常見的行為事件分析：

某網際網路金融客戶運營人員發現，4月10日號來自新浪渠道的 PV 數異常標高，因此需要快速排查原因：是異常流量還是虛假流量？

企業可以先定義事件，透過“篩選條件”限定廣告系列來源為“新浪”。再從其它多個維度進行細分下鑽，比如“地理位置”、“時間”、“廣告系列媒介”、“作業系統”、“瀏覽器”等。當進行細分篩查時，虛假流量無處遁形。下圖為來源為“新浪”的各城市瀏覽頁面的總次數。

在剔除虛假流量後，運營人員可進行其他使用者行為分析。透過“投資成功”事件，檢視各個時段的投資金額。若想知道每個產品型別的投資金額，此時再按照“產品型別”進行分組檢視即可。如圖2。

圖2 透過資料瞭解不同產品投資成功的支付金額的總和

當用戶投資到期後，後續行為可能是提現或繼續投資，運營人員可以實時關注“提現率”的變化趨勢。

圖3 透過資料瞭解使用者投資到期後提現率的變化情況

值得強調的是，行為事件分析方法是多種資料分析模型之一，它與其他分析模型存在無法割裂的關係。只有各分析模型實現科學互動和配合，能夠科學揭示出使用者個人／群體行為的內部規律，並據此做出理論推導，不斷在工作實踐中最佳化商業決策和產品智慧。

使用者留存分析

留存分析是一種用來分析使用者參與情況/活躍程度的分析模型，考察進行初始行為的使用者中，有多少人會進行後續行為。這是用來衡量產品對使用者價值高低的重要方法。

留存分析可以幫助回答以下問題：

1、一個新客戶在未來的一段時間內是否完成了您期許使用者完成的行為？如支付訂單等；

2、某個社交產品改進了新註冊使用者的引導流程，期待改善使用者註冊後的參與程度，如何驗證？

為什麼要做留存分析，直接看活躍使用者百分比不行嗎？

答案顯然是不行。如果產品目前處於快速增長階段，很有可能新使用者中的活躍使用者數增長掩蓋了老使用者活躍度的變化。按初始行為時間分組的留存分析可以消除使用者增長對使用者參與資料帶來的影響。透過留存分析，你可以將使用者按照註冊時間分段檢視，得出類似如下結論：

“三月份改版前，該月註冊的使用者 7 天留存只有 15%；但是四月份改版後，該月註冊的使用者 7 天留存提高到了 20%。”

科學的留存分析模型具有靈活條件配置——根據具體需求篩選初始行為或後續行為的細分維度，針對使用者屬性篩選合適的分析物件的特點。

那麼，留存分析有哪些價值呢？

留存分析應用場景

場景一：遊戲行業提升活躍、留存——如何精準找到玩家“流失點”？

遊戲的生命週期的時長差異、玩家的遊戲粘度，直接體現了遊戲的競爭能力和盈利能力。玩家對遊戲的直觀感受、遊戲難度曲線、遊戲節奏的鬆弛、遊戲福利等遊戲內涵都能夠導致遊戲玩家流失。正確找到玩家流失原因，是促進玩家、活躍挽留玩家的第一步。下面為《迷城物語》在刪檔測試期間的相關應用情景。（注：以下配圖所涉及的資料，均為模擬真實應用場景下的虛擬資料）

圖一統計出流失玩家的等級分佈，判斷玩家流失與關卡設定的相關性。

圖1 瞭解玩家在首次登陸游戲之後的8周流失情況分析

上圖顯示，100～110級、80～90級是玩家流失較多的關卡。為精準導致玩家流失的關鍵因素，需要每個環節、具體場景進行深入追蹤與分析，餘略。

場景二：瞭解新使用者的留存

運營人員想從總體上看使用者留存的情況是否越來越好了。可根據新使用者啟動 APP 的時間按日或按月進行分組，得到同期群，觀察該群體使用者發生投資的 7 日留存、14 日留存或 30 日留存(可自由選擇)，透過比較不同的同期群，可以獲知。也可以點選“曲線標識”按鈕，就可以看到每天留存率的變化趨勢了。

圖 2 新使用者群體七天留存趨勢變化

對於 7 日或者 30 日仍留下來做投資的使用者，顯然是一批忠誠度非常高的使用者，什麼樣的使用者群體有這麼高的留存率？以 4 月 10 號這天的新使用者為例，一共有 1931 個新使用者，在第 7 天有 68 人留下來了，點選“ 68 ”這個數字，我們進入了使用者列表介面。

這裡值得強調的是，在任何分析模型中都支援人群明細的檢視，將讓使用者行為分析事半功倍，如下圖：

圖 3 第 7 天使用者留存 68 人基本資訊明細

這裡我們能夠看到留存下來的使用者的一些詳細的基礎資訊，比如借款次數，借款金額、年齡等，透過總借款次數以及借款金額，可進行使用者質量評估；透過年齡可以分析到金融平臺吸引的群體使用者的年齡分佈。

若想深度挖掘高留存使用者有哪些共性特徵、具體操作流程，以作為後序產品最佳化與改進的借鑑，則可使用使用者分群功能，命名為“ 4 – 10 號 7 日留存用”然後透過使用者路徑等其他分析模型進一步深度分析。

漏斗分析

漏斗分析模型已經廣泛應用於流量監控、產品目標轉化等日常資料運營與資料分析的工作中。例如在一款產品服務平臺中，直播使用者從啟用APP開始到花費，一般的使用者購物路徑為啟用APP、註冊賬號、進入直播間、互動行為、禮物花費五大階段，漏斗能夠展現出各個階段的轉化率，透過漏斗各環節相關資料的比較,能夠直觀地發現和說明問題所在，從而找到最佳化方向。

漏斗分析模型的特點與價值

對於業務流程相對規範、週期較長、環節較多的流程分析,能夠直觀地發現和說明問題所在。值得強調的是，漏斗分析模型並非只是簡單的轉化率的呈現，科學的漏斗分析模型能夠實現以下價值：

降低流失是運營人員的重要目標，透過不同層級的轉情況，迅速定位流失環節，針對性持續分析找到可最佳化點，如此提升使用者留存率。

多維度切分與呈現使用者轉化情況，成單瓶頸無處遁形。

在漏斗分析模型中，科學歸因、屬性關聯的重要性

先談歸因

在科學的漏斗分析中，需要科學歸因設定。每一次轉化節點應根據事件功勞差異（事件對轉化的功勞大小）而科學設定。企業一直致力定義最佳使用者購買路徑，並將資源高效集中於此。而在企業真實的漏斗分析中，業務流程轉化並非理想中那麼簡單。

那麼，在漏斗設定時，轉化歸因應該“歸”哪一個渠道呢？在這個案例中，運營人員願意以實際轉化的事件的屬性為準。郵件營銷的渠道在使用者購買決策的全流程中對使用者影響的“功勞”最大、權重較大，直接促進使用者轉化。在科學的漏斗分析模型中，使用者群體篩選和分組時，以實際轉化事件——郵件營銷來源的使用者群體的屬性為準，則大大增大了漏斗分析的科學性。

再一起看屬性關聯

在進行漏斗分析時，尤其電商行業的資料分析場景中，運營人員在定義“轉化”時，會要求漏斗轉化的前後步驟有相同的屬性值。比如同一 ID（包括品類 ID、商品 ID）才能作為轉化條件——瀏覽 iphone6，購買同一款 iphone6 才能被定義為一次轉化。因此，“屬性關聯”的設定功能是科學漏斗分析不可或缺的內容。

漏斗分析場景

場景一：電商行業不同客戶群體的轉化情況

某電商企業客戶根據客戶的消費能力，將客戶劃分為普通會員、黃金會員、鑽石會員。為加強對使用者的轉化引導，F 欲針對不同使用者群體採用不同的運營方式。

圖1 普通會員與鑽石會員的漏斗轉化情況對比

透過對比，可明顯看出，普通會員從“提交訂單”到“支付訂單”的轉化率明顯低於鑽石會員。為找到“支付訂單”階段轉化率變低的原因，F公司運營人員應深度分析普通會員轉化率情況，如對比不同付費渠道（PC 端、手機端等）的轉化情況，找到最佳化的短板。另外，可以嘗試支付訂單流程的新手引導，幫助新手順利完成購買。

場景二：零售行業——中商惠民科學評估站內推廣位的效果

首頁推廣位的效果監控是站內運營重要一環，資料的監測與分析是重要工作，它為站內最佳化、頁面體驗提升作出指導。運營人員可以透過使用者的點選轉化率與購買轉化率可以判斷頁面不同推廣位置效果。下圖是中商惠民首頁推廣位“一元促銷”、“清潔專場”兩個Banner轉化率情況對比。（注：為涉嫌商業機密，以下場景模擬真實應用場景而設，資料均為虛擬。）

圖2 “一元促銷”、“清潔專場”兩個Banner轉化率情況對比

除此之外，漏斗分析模型已經廣泛應用於各行業的資料分析工作中，用以評估總體轉化率、各個環節的轉化率，以科學評估促銷專題活動效果等，透過與其他資料分析模型結合進行深度使用者行為分析，從而找到使用者流失的原因，以提升使用者量、活躍度、留存率，並提升資料分析與決策的科學性等。

3大運營資料分析法，有著不同的功能以及用處，掌握了這3個數據分析法，可以精確獲得使用者行為資料，針對資料做出營銷策略調整，讓運營轉化成倍增長。如果對概念還有不明白的夥伴，可以參考以下全文腦圖：

................................

最後，碼字好累，看到給我個讚唄。

作為利益相關者， 推一波兒做使用者行為分析方法模型：

1. 事件分析概述

事件，是追蹤或記錄的使用者行為或業務過程。舉例來說，一個電商產品可能包含如下事件：使用者註冊、瀏覽商品、新增購物車、支付訂單等。

事件分析，是指基於事件的指標統計、屬性分組、條件篩選等功能的查詢分析。藉助於神策分析強大的篩選、分組和聚合能力，事件分析可以幫助回答以下問題：

最近三個月來自哪個渠道的使用者註冊量最高？變化趨勢如何？

各個時段的人均充值金額是分別多少？

上週來自北京的，發生過購買行為的獨立使用者數，按照年齡段的分佈情況？

每天的獨立 Session 數是多少？

根據您的產品特性合理配置追蹤事件和屬性，可以激發出事件分析的強大潛能，回答關於變化趨勢、維度對比的各種細分問題。

2. Session 分析概述

1.1 在事件分析中選擇分析方式

在 1.6 版本增加了 Session 分析功能，第一次進行 Session 分析之前，首先需要在“元資料”的“Session管理”裡建立 Session。這裡對 Session 的相關概念進行說明，見下圖：

3.漏斗分析

漏斗模型主要用於分析一個多步驟過程中每一步的轉化與流失情況。

舉例來說，使用者購買商品的完整流程可能包含以下步驟：

4. 留存分析

留存分析是一種用來分析使用者參與情況/活躍程度的分析模型，考查進行初始行為後的使用者中，有多少人會進行後續行為。這是衡量產品對使用者價值高低的重要指標。

留存分析可以幫助回答以下問題：

一個新客戶在未來的一段時間內是否完成了您期許使用者完成的行為？如支付訂單

某個社交產品改進了新註冊使用者的引導流程，期待改善使用者註冊後的參與程度，如何驗證？

統計每個行為發生的人數、人次和變化趨勢。 行為分析可以瞭解如下類似資訊：

- 使用者訪問某個頁面的頻率

- 近期下單量和成交額