客户行为研究

以下文章来源于数据驱动游戏 ，作者黎湘艳分享游戏数据分析干货，共同学习探讨数据分析工具和方法，数据驱动游戏研发、商务、运营和市场营销，以及行业热点等。尽管我们可以用很多种方法来分析用户数据，但是再详尽的用户数据也有其局限性，即便是最为精细的分析也只能告诉我们用户在做些什么，而不会说明他们为什么这么做。数据分析师通过用户行为数据能够很容易地推测出某个行为规律背后的原因。例如，当一款MMORPG游戏的大量用户在某个等级流失时，你往往能够发现玩家在做这个等级对应的主线任务时出了问题，如果再深入分析数据，或许会发现没有好友的用户的这个任务的完成率很低。但是导致用户流失的其他原因，可能就没有那么容易被发现了，要找出这些原因就需要开展用户调查。换句话说，在进行定量分析的同时，这种定性分析同样重要。（1）用户研究定义用户研究简称“用研”，指了解用户的行为习惯、收集用户的偏好、用户的思维想法。并根据用户研究的反馈进行合理的用户需求推演、预测。（2）用户研究方法用户研究有很多方法，一般从两个维度来区分：一个维度是定性到定量，比如用户访谈就是定性，是对事物的性质做出判断，究竟它“是什么”；问卷调查就属于定量，是指对事物的数量进行统计，衡量它“有多少”。前者重视用户行为背后的原因，后者通过数据证明用户的选择。另外一个维度是从态度到行为，比如用户访谈属于态度，而现场观察属于行为，从字面上也可以理解，用户访谈是问用户觉得怎么样，现场观察是看用户实际怎么操作。具体来讲，用户研究的方法主要有7种，分别为：问卷调查、深度访谈、可用性测试、焦点小组、卡片分类法、影随法、眼动测试，其中前4种为最常用的方法。本文案例采用的方法为问卷调查和深度访谈。（3）用户研究为《游戏A》全生命周期服务框架《游戏A》的游戏运营经历了三个过程：立项→测试→上线，整个过程中需要大量的与市场分析、用户分析和产品内容相关的数据。针对这些业务需求，我们做了大量的用户研究工作，研究工作以整个产品的生命周期为一条线展开，市场营销、产品运营人员根据研究结果制定了对应的行动决策。用户研究所获取的数据能支撑这个产品生命周期，以《游戏A》为例，不同节点的工作内容以及重点解决的核心问题如下。游戏立项阶段：粉丝摸底调研和竞品研究，了解IP认知度、目标用户画像、竞品游戏情况，知己知彼，指导市场推广。游戏测试阶段：共进行过两次测试，此阶段的用户调研十分重要，用低成本的方法预防大的失误。通过签到问卷、市场调研、用户流失及满意度研究，能验证目标用户、判断版本可用性、诊断产品与优化、分析流失原因等，为后续运营和市场宣传推广提供重要参考。游戏上线阶段：此时最关注的是付费和用户流失问题，结合版本改进做微调。通过线上商城调研，了解用户消费动机、商城道具喜好，为制定适合中国玩家的道具提供有利的数据支持。（4）正确看待用户研究“业务逻辑先行”原则：研究目的、看数据的逻辑和视角决定结论。“越聚焦越有效”原则：研究目的和课题越聚焦越容易获得有效结果。“避免数据陷阱”原则：调研样本和调研方法决定的结果，避免被错误的数据误导；在定性调研中，现场观察或电话回访的判断有时比调研报告更直接有效。值得注意的是，虽然用研能找到玩家需求和痛点，也能给出一些建议或分析，但是最终怎么样形成策略，需要运营和市场人员一起去思考，因此用研本身不能代替决策和思考。比如，根据用研找到目标用户的特点，并做了产品的市场定位，基于这个定位我们就要去想我们的目标用户群下面要做怎么样的市场营销策略，以及我们通过什么样的渠道或创意去触达他们，在这里面的每一个环节都会产生对用户的理解，因为只有这样我们才能有针对性地进行营销推广工作。在接下来的文章中，我将陆续分享《游戏A》从立项→测试→上线整个过程中用户调研的相关内容，分别如下：目标用户调研首测市场问卷调研首测电话调研访谈内测满意度与流失研究玩家道具喜好调研彩蛋：某类游戏问卷调研模板一 目标用户调研《游戏A》是一款代理类大型MMORPG类型游戏，为了了解《游戏A》IP的认知度、目标用户的特点，洞察用户需求，构建目标用户画像，帮助产品确立正确的市场定位，需进行目标用户调研。通过问卷分析，有助于了解目标用户，定位游戏市场，从而让市场人员在制订市场营销策略和推广方案上有例可循，通过恰当的渠道或创意触达目标用户群体。定量问卷：某平台渠道投放用户来源：某平台用户（用户群体为互联网大众用户）问卷投放时间：7天有效样本数：30001．IP认知《游戏A》的认知度比较高，为60%（玩过+听过），在对比游戏中排名第四。但其中玩过该游戏的用户比例较低，仅为10%（见图1）。图1说明：以上选项的游戏产品与《游戏A》类似，至少满足以下其中一个特点：有单机游戏IP、日本游戏、大型网络游戏。2．核心用户状态在玩且高活跃的核心用户占比为16.8%，其余大部分粉丝偶尔登录或已经不玩了（见图2）。图23．用户画像（1）将以上两题的用户关联进行交叉分析，对用户分层，结果如图3所示。图3说明：此处省略了用户的游戏经历的详细数据，其数据结果是根据问题“最近一年，你玩过哪些游戏？”的数据进行整理得来的。（2）核心用户男性比例相对较高，占83.1%，年龄集中在23～30岁之间，以企业职员和大学生为主。月收入5000元以上的比例较高，所在地为上海、广州和深圳的比例相对更高。4．游戏市场定位及目标用户群将IP认知度、用户年龄、职业、游戏背景、消费能力各个题目的选项进行交叉分析，从游戏类型维度考虑，得出目标用户的特点，如图4所示。图4例如：在核心用户中玩过《A3》《神泣》的比例较高，男性比例相对较高，年龄集中在23～30岁之间，以企业职业和大学生为主，喜欢唯美精致的画面和跌宕起伏的剧情。将游戏认知度、用户年龄、职业、游戏背景、消费能力各个选项进行交叉分析，并根据用户反馈进行合理的用户需求推演、预测，进行游戏市场定位，针对不同职业的用户，其宣传策略各有不同，如图5所示。图5我们对目标用户进一步解析，得出以下结果，如图6所示。《游戏A》3D MMO游戏用户是大众用户（占40%）；“画面控”游戏用户和喜欢日本文化的用户群体主要是学生和宅男/宅女（占40%）；单机游戏的用户群体主要是宅男（占10%）；其他用户占10%，这部分用户来源于其他游戏用户、视频观看者、音乐爱好者、社区/贴吧爱好者/潮流追随者。图65．主要结论（1）品牌认知度较高，达60%（玩过十听过），在对比游戏中排名第四，但其中玩过该游戏的用户比例较低，占10%。（2）用户画像（按用户核心程度划分）。核心用户：大型3D MMORPG用户，同时也是日系游戏爱好者，喜欢动作/格斗游戏的单机用户。次核心用户：大型3D MMORPG用户，同时也是单机游戏用户，动作类的网游用户，2D3D MMO网游用户，PVP网游用户。潜在用户：其他类型的MMORPG用户。核心用户中男性比例相对较高，年龄集中在23～30岁之间，以企业职员和大学生为主，喜欢唯美精致的画面和跌宕起伏的剧情。（3）不同类型用户的职业定位。《游戏A》的主要用户群体是3D MMO用户，占40%，其次是“画面控”游戏用户，占30%。“画面控”游戏用户和喜欢日本文化的用户群体主要是学生和宅男/宅女。待续......

在用户行为分析领域，数据分析方法的科学应用结合理论推导，能够相对完整地揭示用户行为的内在规律。间隔分析模型旨在通过事件发生间隔时间与分布态势，辅助企业实现深度多维交叉分析，进一步提升用户行为分析的精细化程度。本文将详细介绍间隔分析模型的概念、特点与价值、应用场景。一、什么是间隔分析？间隔分析从事件发生的时间间隔维度来探索用户行为数据价值，它能够科学地反映特定用户群体（如北京地区年龄 30 岁以上女士），发生指定行为事件（ 如事件 A 到 B 的转化、金融用户的二次投资等）的时间间隔及数据分布情况。不同数据组的偏态和重尾可反馈用户路径过程中的应用体验，并借此评估产品设置的合理性。例如，间隔分析在以下场景中可广泛应用：在金融行业，为刺激新用户快速完成首投，运营人员会赠送新用户体验金。运营人员通过间隔分析可以了解：新用户从首次注册到首次投资通常需要多久？在同城速递行业，快递上门时间长短非常影响用户体验，作为公司考核快递人员绩效的关键指标之一，企业通过间隔分析可以了解：用户在官网发起快递请求后，快递员多久接单？二、间隔分析模型的特点与价值企业市场、产品、运营人员通过事件发生的时间间隔、转化时间长短来判断与分析用户的活跃度、用户转化等情况。间隔分析模型的特点与价值主要表现在以下方面：1. 可视化时间间隔，六类统计值直观描绘各用户群时间间隔分布差异图 1 六类统计值将时间间隔可视化 神策分析的间隔分析模型以箱线图形式展示，最大值、上四分位数、中位数、下四分位数、最小值、平均值六类统计量直观描绘特定用户群体的时间间隔分布差异，数据的偏态与重尾一定程度反馈用户体验，从转化时间的维度暴露用户转化瓶颈，可借此评估产品设计的合理性。2. 依据分析需求，灵活设置用户属性与事件属性（初始行为和后续行为）企业可以根据具体分析需求，灵活设置间隔分析的初始行为或后续行为，并根据用户属性筛选合适的分析对象。例如，在某奢侈品电商企业中，为分析高价值用户的复购频率与普通用户的区别，可将初始行为与后续行为均设为“支付订单”，并给初始行为增加“订单金额大于 10000 元”的筛选条件以此来表示高价值用户，从而得出分析结论。3. 以全新视角探索数据价值，从转化时间窥视优化思路，促进用户快速转化在间隔分析中，将初始行为、后续行为设置为相同事件或不同事件，可满足不同的数据分析需求。例如，在金融行业，将初始事件和后续事件分别设置成为“注册成功”和“投资成功”，可用于分析用户转化花费时长，侧面反映用户的转化意愿，帮助企业能够针对性地优化产品体验和运营策略；在在线教育行业，若将初始事件和后续事件均设为“学生上课”，则展示学生两次上课的时间间隔，可以此作为判断学生积极性、教育平台黏性的依据等。从时间间隔维度呈现用户转化、黏性等情况，提升了用户行为分析的精度和效率,对用户行为的操作流程的异常定位和策略调整效果验证有科学指导意义。同时，通过判断各用户群体事件发生的时间间隔的偏态和重尾，以及数据分布的中心位置和散布范围，为发现问题、流程优化提供线索。三、间隔分析的应用场景间隔分析将帮助各行业从时间间隔维度来探索用户行为规律，更多应用场景值得摸索。下面列举一二：1. 互金场景：如何合理设置体验金的发放时间？在金融投资类产品运营过程中，为了让新用户在注册后能够快速投资，运营人员通常会通过一些激励措施来刺激首投，如发放体验金。这会涉及到我们前面提到的“如何合理设置体验金的发放时间”的问题，在具体操作时，运营人员可以在间隔分析中将初始行为设置为“注册成功”，后续行为设置为 “投资成功”事件，当了解事件发生的时间间隔时，可以作为设置体验金发放时间的参考。当然也可以按天展示不同渠道来源的新用户首次投资成功所花费的时长情况，运营同学通过了解不同用户群体的差异化，让运营更为精细。另外，通过不同渠道来源的用户表现也成为渠道投放的判断的重要依据，如下图：图 2 互金各渠道来源的新用户首次投资成功花费的时长分布2. 视频网站场景：用户多久完成一次视频播放？内容是短视频 App 提供给用户的核心价值，可通过“用户完整看过一个短视频”衡量用户是否感受到视频平台的价值。该场景中选择新用户从“启动 App ”到“完成播放”所花费的时长情况作为分析对象。如果用户普遍需要较长的时长才能完成转化，说明用户需要付出的视频筛选的成本较高，则应将新用户从“启动 App ”到“完成播放”的时间间隔作为优化目标。图 3 新用户从“启动 App”到“完成播放”所花费的时长情况同样，在同城速递行业，当了解用户发起快递请求后快递员的接单时间之后，公司可依据此来考核快递人员绩效，从而也进一步优化用户体验。四、间隔分析模型与其他分析模型的配合值得强调的是，间隔分析模型是多种数据分析模型之一，与其他分析模型存在无法割裂的关系。从用户转化角度来说，用户转化过程受很多因素影响，间隔分析通常是业务情况的反映，转化时间间隔只是分析用户转化的单一维度，只有与其他分析模型配合，才能清晰看到用户行为特点和背后动机。虽然在多数情况下，时间间隔并不能作为优化的指标，但是与其他分析模型的配合可以帮助我们探索可能存在的问题。例如，从“提交订单”到“支付订单”间隔时长中位数是 5 分钟，说明一半的用户支付订单需要花费 5 分钟以上。则应该思考其中可能存在的问题：是支付功能的 Bug，还是其它问题导致支付失败？定位问题需要结合事件分析、漏斗分析等分析模型定位问题。总之，只有将各分析模型实现科学互动和配合，能够科学揭示出用户个人 / 群体行为的内部规律，并据此做出理论推导，不断在工作实践中优化商业决策和产品智能。

互联网产品以数据为驱动，对用户行为进行分析也越来越重要。通过分析，可以构建出完整的用户画像，实施以更精准的运营策略。用户行为就是用户使用网站或App产生的一系列行为，有了用户的这些行为，才算是真正有价值的产品。一、为什么要进行用户行为分析？以数据为驱动的互联网产品，进行用户行为分析也越来越重要：创业者在产品早期，可以根据用户行为判断产品是否契合市场需求，减少试错成本。对于产品经理来说，通过分析用户行为能够帮助判断用户对产品的喜好和期望，不断调整迭代出符合用户需求的产品。而对运营来说，用户行为分析的作用更多在于了解推广渠道和营销策略是否精准有效，找出问题，并加以改进调整，提高转化率。最常用于营销活动，每做一次活动都会对相关数据进行分析复盘。用户行为分析对于用户画像的构建，也有很重要的作用，一个多维、精确的用户画像=用户行为数据+用户属性数据。二、如何进行用户行为分析？用户行为分析即对用户行为数据的分析。那么该分析具体哪些指标数据呢？你可能会想到很多数据指标，比如浏览量（pv）、访客（uv）、注册量、转化率、留存率、使用时长、使用频率等等……非常多。这样让人感觉非常凌乱，而无从下手。是否都要一一进行分析？大概工程量很大。如果不是，哪些数据是要重点分析的呢？1.用户行为分析的复杂性首先要明确的是：由于互联网产品的复杂性，现在并没有一种完全通用的用户行为分析方法。比如说阅读类产品和互金产品：“今日头条”和“京东金融”。今日头条的大部分用户行为就是阅读、评论、转发，并没有直接的购买行为，所以阅读时长、频次、跳出率是分析时应该注重的指标；而京东金融更为关注的是否首投、复投这些消费行为数据。其次，因为分析目的不同，所注重的指标也不一样。比如活动营销复盘，应该关注的是本次活动的浏览量、新增用户量、推广渠道转化率、消费量等。所以说用户行为分析是件复杂的事，虽然如此，但也有一定的方法技巧。2.实用方法介绍这里介绍使用两种较为通用可行的分析方法，可以帮助你快速缕清这些指标之间的逻辑关系。（1）5W2H法一种是5W2H法，也叫七问分析法。这种分析方法在工作中使用得非常广，简单方便。所谓的5W2H就是WHAT（是什么）、WHY（为什么）、WHO（谁）、WHEN（何时）、WHERE（何处）、HOW（怎么做）、HOW MUCH（多少）。举个简单例子：比如这篇文章的思路架构，可以说用的就是一个5W2H法。我首先介绍了用户行为是什么；然后是为什么要进行用户行为分析，有哪些人会在什么时候哪些地方用到；接下来要解决的就是：该如何做？要做到什么什么程度？用户行为本身就可以用5W2H来总结。5W2H用户行为分析思路框架：用户使用行为理论分析法如果说5W2H分析法比较粗糙的话，第二种则更为精细，那就是是通过用户行为路径来分析。（2）用户行为路径就是从渠道导入认知熟悉，到使用、忠诚传播分享产品的一系列行为，每个行为路径对应了相应的指标。网站用户行为路径及对应指标：APP同样也可以用用户使用行为轨迹来分析。下图是个简单的流程图，不同产品使用方式不同，具体分析时在“使用”环节可以更为细致。APP用户行为路径图：3.如何精准采集用户行为数据了解要分析哪些数据，接下来就重要的就是数据。数据从哪里来？一般有两种获取方法：自己埋点和接入第三方统计工具。现在有很多第三方统计工具：Google Analytics、百度统计、CNZZ统计、友盟都是用得比较多的，操作简单又方便。自己埋点比较复杂，当然得到的统计数据更为准确高质量。三、总结最后，很多人会想知道：我应该重点关注哪些数据指标。前面也说过用户行为分析的复杂性，你应该根据你分析目的去重点关注数据指标。个人认为运营应该重点关注的是：访客渠道来源、转化率、活跃用户数、用户流失率这几个指标。当你感觉理不清时，你就围绕分析目的去抓数据指标，不要为了分析而分析。要记得，做分析是为运营提供一些思路方法，但数据不是万能的。本文由 @秋日里的猫 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

做电商很多朋友都会遇到这样一个问题，就是我的店铺流量也很多，点击的也少，但是转化率很低，就是不知道原因，真想知道客户究竟是怎么想的？ 我们不是客户肚子里的蛔虫，当然不知道客户是怎么想的，但是我们可以通过客户行为分析，他的决策流程。那么有没有这种工具能对消费者进行行为分析呢？ 我告诉你：有。那么这个网站叫什么名字呢？ Lucky Oranage.我不是推销网站，我也没有收取任何费用，免费么？ 告诉你，不免费。 贵么？其实网站好不好用，很多网站都有免费试用版，有七天，有14天，先自己使用以下，不用付费，如果觉得好用，再花钱，心里也痛快。我个人的建议是，你们公司 这种转化率低的原因，你们是否自己能找到，找的话，更好，就用不上这种软件，找不到，就试一下试用版。再来聊一下他的神奇的效果。你做了一个网站，网站上site map 有很多，你不知道客户关注的的重点在哪，他有一个客户移动鼠标轨迹的截屏功能，直接上图更明白：客户从一个图片到另一个图片的轨迹，在一个图片上停留多长时间都能看得清清楚楚。、你还可以暂停这个录像视频，仔细分析如图：你可以慢放，暂停回放，可以分析原因，甚至都可以看到客户输入自己的名字，邮件地址，但是密码你是看不到的，这种精确地分析，当时让我看到简直起鸡皮疙瘩。他还会采集所有客户重点观看的区域，哪些区域客户不会看，然后生成一个热成像图，如图：你可以根据这些图像然后重点布局优化你的产品界面，网站布局，然后更好的成交，你可以发现，客户是因为找不到下单按钮，还是因为对这款产品不感兴趣，在那个产品停留时间长，那个产品停留时间短，然后重点跟进客户，在他感兴趣的点上重点突破。这个网站，我觉得不仅适合C端，B 端也适合，因为可以看出B端客户的着重点，然后找到重点的方向去突破客户。今天分享到这里，希望能帮到大家。

上海米领通信认为随着信息技术的发展，人们采集数据的手段越来越丰富，由此积累的数据日益膨胀，数据量达到GB甚至TB级，而且高位数据也成为了主流，于是数据挖掘这一融合多种分析手段，从大量数据中发现有用知识的方法就应运而生了，它的出现为商业决策提供了有价值的知识，让企业获得了利润，在客户内在需求管理中，客户行为分析正在起着导向的作用。一、以客户为中心的数据分析框架思想当前这个阶段服务业的竞争发生了翻天覆地的变化——从以服务内容取胜，到服务渠道取胜，到现阶段的客户体验取胜。1、从客户视角构建业务框架从宏观视角看，业务战略方向逐渐深入以客户为中心的思想，从微观视角看，在客户为中心的思想驱动下，企业需要进行一整套的机制流程改变，包括客户为中心的数据挖掘与户行为分析，客户为中心的业务规划，客户为中心的营销规划，客户为中心的设计，客户为中心的绩效体系构建等。2、业务及营销为中心的数据体系建设今天的营销正在发生巨大的转变，客户需要更大的参与度，与企业更多的互动，特别在电子渠道中互动营销正在成为主角。客户对企业的要求越来越高，对应的行为也在发生变化，而传统以推送方式为主体的营销方式不仅仅效率低下，而且使客户越来越厌恶，这充分体现在了营销转化率低下，客户拒绝率提升，满意度下降等数据上。以购买为例，经过客户研究发现几个行为特征，消费者首先对产品开始感兴趣，此时销售人员虽然可以帮助客户，但是不宜直接对话，最佳方式通过系统智能的与消费者进行互动，帮助消费者决策，而当消费者产生了真正购买的冲动之后，消费者更愿意主动通过IM方式与客服沟通形成购买行为。二、从客户需求到业务针对不同客户群体的特点和需求，我们也应有针对性的数据挖掘和分析，用个性化的服务赢得了广大客户。客户为中心的业务规划思想，客户为中心的业务规划大致有三个环节：从客户研究到需求挖掘，从需求信息到数据化的需求管理，从需求文档到业务规划与设计。客户为中心的业务规划不仅仅需要考虑业务需求是否能够满足需求的问题，还需要考虑到业务的变化趋势，业务的营销重点。

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著增长，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 testA/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

我们在之前的几篇文章里，分别谈到了活动运营、用户运营和内容运营等，把这些都看过的小伙伴就能发现，这些运营手段都离不开用户。用户行为分析模型是一个完整的行为模型，可以对产品的功能进行验证；也是一个闭环的分析体系，可以对数据的结果进行分析。用户行为分析是对用户在产品上的产生的行为及行为背后的数据进行分析，通过构建用户行为模型和用户画像，来改变产品决策，实现精细化运营，指导业务增长。进行用户分析的三大步骤：获取数据、用户分析、报告总结1. 记录与整理数据：数据埋点、问卷调查、访谈和观察；2. 用户行为分析方法：行为事件分析、页面点击分析、行为路径分析、漏斗模型分析、健康度分析、用户画像；3. 一个完整的数据报告，应至少包含以下六块内容：整个报告背景、报告目的和目标、数据来源、范围等说明、每章具体观点、结论先行、数据论证、下一步策略或对趋势的预测。总而言之一句话：用户的核心是洞察心理，行为的本质是挖掘需求，分析的目的是增长业务。

如何让数据分析来帮助业务挣钱，这是每个数据分析师都会考虑的问题，近几年经常提到的精细化运营、数据驱动增长、增长黑客这样的字眼，这背后的核心就是用户行为分析。而其中最经典的当属RFM模型吧，简单好操作而且还十分实用，下面就介绍一些怎么构建RFM模型。一、什么是RFM模型？R是指用户的最近一次消费时间，用最通俗的话说就是，用户最后一次下单时间距今天有多长时间了，这个指标与用户流失和复购直接相关。F是指用户下单频率，通俗一点儿就是，用户在固定的时间段内消费了几次。这个指标反映了用户的消费活跃度。M是指用户消费金额，其实就是用户在固定的周期内在平台上花了多少钱，直接反映了用户对公司贡献的价值。而RFM模型就是通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标，来描述该客户的价值状况。二、RFM模型有什么作用？RFM模型可以对客户的终生价值做一个合理的预估，基于一个理想的客户特征来衡量现实中客户价值的高低，通过此类分析，定位最有可能成为品牌忠诚客户的群体，让我们把主要精力放在最有价值的用户身上。三、怎么构建RFM模型？下面我们就直接开始进行实操教程，以某家零售商的销售数据为数据源，针对其用户行为简单分析一下，总结来说有下面几个步骤：1、人群划分进行客户行为分析的第一步是按照企业实际业务需求对您的客户群进行分类，人群细分参考的属性主要分为三大类：基础属性：如性别、年龄、地域兴趣属性：如媒体偏好、交易行为自定义属性：基于行业的特征定义的属性，比如乳业需要知道这个人有没有孩子2、明确指标也就是通过excel或者BI工具计算出每个客户的RFM指标，这里我用的是FineBI，通过客户名称、消费时间、消费金额来处理出上次交易间隔R、交易频率F、交易金额M三个原始字段，如下图所示。但是要注意的是这三个指标不是死板不变的，要针对自己的行业特点灵活变通，比如在金融行业，最近一次购买时间可能并不适用，此时可以考虑采用金融产品持有时间来代替R，这样更能体现用户与金融企业建立联系时间的长短。而我们这次要使用的数据指标有四个，分别为“订单额”、“订单量”、“下单时间”和“客户方”，其他指标如“订单类型”、“地区”等我们暂时先不用。3、数据连接finebi中设置了很多的数据连接方式，可以通过oracle等数据库进行连接、sql连接等等，这里我直接导入的Excel表，能方便地处理非及时性数据。如果我们有多个数据源的数据，需要分别选择不同的指标整合到一起分析怎么办？这里我发现finebi有个非常人性化的优点，就是可以通过自助数据集的方式对数据指标进行整合，如下图所示直接选择新建自助数据集—选择数据表—添加字段即可，需要什么指标就去哪张表里去找，很方便。4、数据清洗在进行数据分析之前，我们首先要做的就是对数据进行初步加工，因为数据源中很多脏数据，会影响我们的分析结果，需要先将其筛选出去，比如一些空值、异常值、特殊文本显示等等。finebi的数据加工中包含了很多处理功能，比如过滤、分组汇总、排序、合并、聚合等等，这些功能我们后面都会用到，这里我们先增加两个过滤条件，将订单金额小于等于零、且订单时间为空的数据筛选出去。我们通过上面的数据表可以看出，同一个客户如果下单两次，就会产生两个数据，而RFM模型中要求的数据是“最近一次下单时间”、“最近一段时间内的下单次数”以及“最近一段时间内的购买金额”，因此我们要想办法计算用户行为次数。具体方法是新增一列，命名为“次数”，数值设为常数1，主要目的是为了后面方便计算个数，同一个客户出现了多少次数值1，就说明下单了几次；然后我们选择“分组汇总”，以“客户名”为主要汇总项，“次数”项选择加和汇总，代表某个客户出现了几次；同时将“订单时间”设置为“最晚时间”，也就是距离今天最近的一次消费时间，这样基本的数据清洗就完成了。但是因为还要计算客户最近一次购买有多远，而数据表中仅仅是下单时间，所以需要用函数计算一下下单时间与今天的天数，但finebi不用那么麻烦，可以直接计算时间差：5、切分指标因为我们要把用户按照三个维度指标进行划分，也就相当于将用户放到下面这个正方体中：因此我们要对指标进行切分，设定阈值，也就是为指标设定正负值，确保三个指标将用户分为八个象限。通常比较常用的方法就是等频和等宽进行切分，比如将用户购买花费进行平均值计算。但是平均值只适合于均类数据，对于一些不规则数据，平均值会造成很大的误差：比如一家公司有三家客户，订单额分别为1万、5千和1百，显然重要客户应该是前两个。而三个客户的订单平均值为5033，如果按照平均值划分数据，那么只有第一个客户符合重要客户的标准，这显然是不对的。这时候我们就要用到聚合的功能，简单说，聚合功能就是一堆数据按照内在特征的不同进行划分，不同类的数据之间的差别一般是很大的，这样就能找到大数据量中的“中心点”，而非平均点。在FineBI中我们可以直接使用聚合功能，聚合指标选择“订单金额“、”时间“、”次数“，聚合数选择”3“，聚合方式选择”欧氏距离“，这样就可以得到最终的聚合结果了，最终可以计算出每个客户的聚合R值、聚合F值和聚合M值，这就是我们要用到的参考值。有了参考值，下一步就是将时间、频次与订单额与参考值进行比较，这里我们会用到finebi中的逻辑函数IF，新建一列为R，具体函数为：IF（时间<时间中心点，1，0）其含义为如果时间列中的数据大于聚合之后的时间中心点，如果小于聚合R值，则为1，反之则为0；同理对其他两个指标也进行划分，这样指标细分工作基本上就完成了。6、用户分类我们将三个指标分别进行划分后，按照下图的方式进行组合，就可以得到八个象限，代表8类客户：在finebi中我们先新增一列为RFM值，为了方便分组，我们的计算公式为R*100+F*10+M，也就能得出0、1、10、11、100、101、110、111八个不同的值，分别代表八种客户类型。这样我们的用户细分也就完成了。7、可视化分析利用FineBI对客户进行细分，可以将其制作成可视化数据分析模板，以便我们按照需求进行客户分析。例如图中的面积图，可以显示出该公司各类客户的占比，显而易见一般挽留客户与一般发展客户占据多数，说明该公司的用户结构不是很合理，需要尽快采取措施进行优化；而右侧的环形图则代表着各种类型客户的购买数量，可以看出复购率越高、愿意花大价钱的客户买的数量越多；左侧的仪表盘代表着某种类型客户的数量，而下方的详细图则详细展示了某家客户的类型和对应的R、F、M值。总结其实RFM在用户行为分析中的应用十分广泛，因为时间原因这里就只是做一个简单的教程，FineBI中也有更多的相关数据可供大家练习！注：finebi下载链接，可以后台私信回复我“数据分析”获得！

目的：对分类顾客群体对应的消费习惯进行分析。摘要：随着市场经济的发展以及人民生活水平的提高，人们的消费水平也大大的提高，促使中国零售业的飞速发展，零售行业的竞争也日益激烈。此次案例分析的数据为某网上超市的3万笔订单数据，包括顾客ID，订单ID，消费金额，购买商品数量，工作日，时间点等因素。通过案例分析，可知“富人”对该网上超市的贡献率大于“穷人”；“穷人”与“富人”的购物时间没有特别大的差距，但其中一个峰值的时间段略有差异；从购买的商品中可以看出，“富人”比“穷人”更注重享受，食品类的占比较少。关键词：零售业,分类顾客,消费习惯一、案例背景随着市场经济的发展以及人民生活水平的提高，人们的消费水平也大大的提高。中国零售业的飞速发展，使得人们的购物心理也发生了变化。它在人们心目中。可近年来，零售行业的竞争日益激烈，消费市场趋向饱和，因此了解消费最新趋势，掌握消费者购物心理，更好的满足消费者需求就显得尤为重要。对顾客群体的消费情况及购物行为进行调查并分析，有助于超市等零售行业了解购物者的消费趋势，掌握消费者购物心理，实施差异化战略，正确寻找自身的市场定位。此次案例分析的数据为某网上超市的3万笔订单数据，包括顾客ID，订单ID，消费金额，购买商品数量，工作日，时间点等因素。二、案例问题分类顾客的消费习惯会受到各种因素的影响，如时间点、顾客喜好等。本文将着重讨论影响分类顾客的消费习惯的因素。但由于顾客订单数据信息量巨大，数据随时间变化频繁，用EXCEL来进行操作会略显麻烦，使用Datafocus产品就可以快速处理大量数据，分析的准确性也高。三、案例分析（一）综合分析1.顾客分类为了研究分类顾客群体对应的消费习惯，首先将顾客按消费金额进行分类。在此次案例分析中，我们假设每单消费金额大于700元的顾客是“富人”；每单金额小于700元的顾客为“穷人”。先通过饼图观察这两种类型的顾客人数的分布情况。图 1 分类顾客对应的人数从图中可以看到，一共有3万名顾客的数据，其中“富人”有9024人，“穷人”有20976人。“穷人”的数目远大于“富人”。2.顾客的消费金额接下来对比“穷人”与“富人”的消费总金额。图 2 分类顾客对应的消费金额结合图1可以发现，“富人”的人数虽远远小于“穷人”，但总计的消费金额却是“富人”更胜一筹。（二）分类顾客分析1.“富人”的购物时间对分类后的顾客群体进行分析，首先研究“富人”的购物时间，通过柱状图可以直观对比一天中各个时间点的购物人数。图 3 富人的购物时间从图中可以看出，购物时间出现了两个峰值，分别是中午的11点以及晚上的22点，特别是晚上22点的下单人数是最高的。2.“穷人”的购物时间同样的，将“穷人”的各个时间点的购物人数也进行聚合，观察与“富人”之间的区别。图 4 穷人的购物时间从图中可以观察到，顾客各时间点的购物人数基本没有太大的区别。但与“富人”不同的是，“穷人”的购物时间也出现了两个峰值，分别是中午的12点以及晚上的22点。3.“富人”喜爱的商品对顾客购买的商品进行了分类，分别为食物（不易腐烂的食物），新鲜（新鲜和冷冻食物），饮料（各种饮料），家庭（家用卫生纸和小家电），美丽（洗护用品和化妆品），健康（可以在没有医生处方的情况下销售的药物），宝贝（宝宝用的东西），宠物（与宠物有关的物品）。接下来研究“富人”对着8类商品的喜好程度。图 5 富人喜爱的商品通过条形图可以看到，在“富人”购买的商品中，平均占比最多的是饮料类，其次是食品类和新鲜类。4.“穷人”喜爱的商品同样的，通过条形图对“穷人”的喜爱偏好进行观察。图 6 穷人喜爱的商品从图中可以观察到，在“穷人”购买的商品中，占比最多的是食品类，其次是饮料类和新鲜类。（三）数据看板最后将这6个结果图导入“分类顾客的消费习惯”数据看板中，为了使数据看板更为美观，在全局样式中选择第三个预设样本，选择“自由布局”。操作结果如下：图 7 数据看板四、结论综上所述，按此次案例分析的假设，这3万名顾客的数据，有“富人”9024人，“穷人”20976人。“穷人”的数目远远大于“富人”，但“穷人”的购买能力低于“富人”，总计的消费金额仍是“富人”略高于“穷人”。由此可见，“富人”对于该超市做出的贡献大于“穷人”。在购物时间上，“穷人”与“富人”没有特别大的差距，都是两个峰值，晚上22点事一天中购物人数最多的时间点，但中午的时间段，“富人”的峰值出现在11点，而“穷人”的则是12点。在“富人”购买的商品中，平均占比最多的是饮料类，其次是食品类和新鲜类；在“穷人”购买的商品中，占比最多的是食品类，其次是饮料类和新鲜类。五、对策建议1、中午10:00-12:00，晚上20:00-23:00是该网上超市购物高峰，购物数量大，金额多。就此，可以在这段时间内推出一些促销活动或者增加这段时间的商品类型。2、对于所有的顾客来说。食品，水果，蔬菜，饮料等属于生活必需品，可以针对这些必需品多宣传，适当搞活动，定期促销。3、因为该超市属于网上超市，快递也是极为重要的一部分，该超市可以注重在快递方面进行提高，提出“生鲜水果隔日达”之类的广告。除非注明，否则均为DataFocus企业大数据分析系统,让数据分析像搜索一样简单原创文章，转载必须以链接形式标明本文链接。