用户行为数据研究

编辑导读：本文是一份关于淘宝用户行为数据的分析报告，作者主要对淘宝用户行为和商品特性进行数据分析，并根据分析结果提出了一些想法与建议，与大家分享。01 项目背景选取了2017年11月25日至2017年12月3日之间，有行为的约500名随机用户的所有行为（行为包括点击、购买、加购、喜欢），数据量约5万，分析了用户行为与商品规律。02 分析思路03 分析过程3.1 前提数据来源：阿里天池。分析工具：MySQL 8.0，Navicat for MySQL。绘图工具：Excel。对数据进行数据清洗后再进行进一步分析，处理过程略，下文中仅显示数据处理后结果，不展示处理过程。3.2 整体数据3.2.1 数据体量3.2.2 整体数据概览3.2.3 日均数据概览从图中数据可以看出，12月2日和12月3日的日访客数和点击数较前几日更多，可能由于这两日为周末，且双十二临近，但访客数与点击数的提升并未影响成交量，因缺少后续数据，故暂时推测为这是为双十二活动预热。3.3 用户分析3.3.1 复购率和跳失率复购率=购买次数>1的用户/所有购买用户跳失率=点击次数为1的用户/所有点击用户从复购率可以看出，一半以上的用户有复购行为，且跳失率为0，说明淘宝对用户有足够的吸引力，让用户停留。因仅有9天的数据，对用户复购时间特征没有足够的数据进行分析，因此没有对复购时间特征进行分析。3.3.2 用户行为分析用户行为可分为四种：点击、收藏、加购、购买，对这四类行为进行分析。因用户购买途径有4种：点击-购买；点击-收藏-购买；点击-加购-购买；点击-收藏-加购-购买。因此，从上图中暂时无法判断点击、收藏、加购与成交数的关系，需进一步分析。将用户成交方式分为四类：仅有点击行为；仅有收藏行为；既有收藏行为又有加购行为；仅有加购行为。分别计算出这四类人群的成交率。成家率=有下单行为的该类用户/该类用户总人数。可以看出，有收藏加购行为的和仅加购用户的购买率相较另外两者更高，因此，可以推测，用户的加购行为在一定程度上可以提高成交率。3.3.3 用户时间分布分析以日为单位对用户行为进行分析，可以看出，加购量与点击量几乎呈正相关趋势，收藏数与点击数相关性也较好，而购买量则与其他量没有呈现出明显的相关性。由前文我们已经推测，12月2日与12月3日点击量较高是由于周末和双十二近邻的缘故，但成交量没有随之提升同样可能是由于双十二活动预热所致，要研究成交量与其他行为的关系需要更多的数据进行进一步分析。以小时为单位对用户行为进行分析，可以看出，晚上7点到11点是用户点击量行为的高峰期，此时用户加购量也随之增加，但下午1点却是用户下单的高峰期。因此，如果商家想以增长曝光度为目的，可以在晚上7点到11点之间做活动，如果是以提高营收为目的的活动，则可以在下午1点左右开始。3.4 商品分析3.4.1 商品转化分析对商品进行转化漏斗分析，可以看出从点击到购买有很大的流量损失。同样，对不同渠道的商品购买方式进行分析。3.4.2 购买路径分析对商品购买路径进行分析，点击购买率=商品仅点击后购买量/商品仅点击量，收藏购买率与加购购买率同上。可以看出，加购购买率明显高于收藏购买率与点击购买率。3.4.3 热门商品分析分别对点击量、收藏量、加购量和购买量前十的商品大类进行分析。可以看出点击量、收藏量和加购量前几名较后几名差距较大，但是购买量却没有表现出明显的差距，说明没有爆款的出现。根据四者韦恩图可以看出，点击、收藏与加购前十品类的重合度较高，但购买量前十品类与其他三者的重合度却没有那么高，说明对于部分品类商品而言，虽然能吸引许多用户，但是购买转化率却相对较低，这部分产品的转化率有释放空间。04 结论与建议4.1 结论通过以上分析，可以得到以下结论:在2017年11月25日至2017年12月3日这段时间内，淘宝用户的回购率相对较高，跳失率低，说明淘宝对用户有着较好的留存效果。从用户角度看，加购后成交率较收藏后成交率与直接点击成交率更高。用户在点击量与加购量几乎呈正相关趋势，周末和活动邻近之前的点击量与加购量均有所提升，但购买量并未有显著提升。周末对用户购买量的影响需要更多数据进一步分析。用户在晚上7点到11点之间打开淘宝的频率极高，但成交量却是下午1点的时候更高，说明淘宝成为了用户的一种消遣方式，而不仅仅是购物工具。从商品角度而言，商品加购后成交率较直接点击后成交率与收藏后成就率更高。虽然商品点击量、收藏量、加购量前十的商品呈现出一定的差距，但成交量前十的商品差距却不大。且成交量前十的商品中有近一半商品未在另外3个榜单之中。整体而言，淘宝的用户留存率较高，但夜间成交量转换率和热搜商品品类的成交转化率有提升空间。4.2 建议通过上述结论，对淘宝和商家提出以下建议：获客：对于商家而言，如果想要提高曝光度，获得更多流量，可在周末晚上7点到11点之间开始活动。成交率转化：由上述分析可以看出，淘宝的用户留存量较高，但消费潜能却有待释放，因此提出以下建议：无论从用户消费习惯还是商品成交特性看，加购后成交率较点击购买和加入收藏购买成交率更高。因此，对于淘宝而言，可增加用户将商品加入购入车的入口，在商品的收藏界面可添加加购入口。对于商家而言，可设置加购优惠，提高用户加购率。用户在下午1点的成交率最高，因此对于以提高成交量为目的的活动，可在中午或下午1点开始。而夜间虽然用户流量高，但成交量却一般，说明淘宝对于用户而言有一定的消遣属性。因此，一方面淘宝可以提高自身产品的趣味性让自身成为用户的消遣工具，另一方面，可在该时间段进行一些活动比如直播等提高商品优惠释放用户消费潜能。有的商品品类虽然有着良好的点击量、收藏量与加购量，但成交量却并不高，对于这类产品，可通过淘宝官方进行联合活动，提高成交转化率。写在最后因获得的数据时间范围有限，而自己的电脑处理更大体量的数据较慢，因此整体处理的数据体量并不大，对于通过数据发现产品中的问题，也希望能与各位进行有关方面的交流。本文由 @ZWM 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

对于运营来说，需要掌握用户行为来制定不同的运营策略。而用户行为是通过数据分析得出的，那么，具体的数据分析是哪些数据，不同的数据又有什么区别？本篇文章中，笔者对用户留存和用户行为两个指标进行梳理分析，对相关数据进行了总结，与大家分享。通过本文能够学到什么？快速了解一款APP。行业趋势，市场空间。APP的生存现状，所处阶段，遇到的问题。产品迭代，发现新的增长引擎方向。用户运营过程中的数据分析指标一般来说，对i运营人员的核心任务总结为两点：流量的引入和流量的维系。而根据具体的具体的工作可以划分为用户运营，内容运营及活动运营。但其核心都是通过产品为你的用户池传递价值。产品运营基本工作不同运营工作的关系根据不同的阶段，运营人员要做的工作也不尽相同。比如早期的用户，运营人员的工作主要是集中于如何拉新用户，并为其产生持续的价值，使其留下来。而成熟的产品则集中于如何有效的促进用户的活跃度和留存率，从中发现有价值的用户，刺激这部分用户为产品带来价值，产生收益，促使产品有质量的存活下去。如果把用户运营进行拆解，可以分为几个阶段：寻找种子用户——>挖掘核心用户——>吸引更多用户——>实现用户自运营——>挖掘用户价值（包括消费广告等各种创收行为）用户运营阶段任务每个阶段的工作独立但又层层递进，影响整体效果，所以工作时对于单独的一项任务或者运营模块，应该将其进行量化为不同的数据指标，来判定工作成效。一、用户留存用户留存需要考虑的是用户兴趣的热度衰减程度。留存的用户无非存在两种情况：一种是无意中使用该产品，发现满足了自己的需求，留下来不断使用。另一种是用户对产品兴趣度递减，逐渐降低使用频次，逐渐远离直至完全消失。常用的留存指标是次日留存，3日留存，7日留存，15日留存和30日留存。无论多好的产品都有留存和流失。新老交替无法避免，用户留存一直随着新增用户和流失用户而出于动态平衡：UR=（SNU/NU）*100%UR：用户留存率，SNU第N天依然使用的用户，NU新增用户。这几个数据每一个内部的含义都不同。关注产品的次日留存：关注次日留存可以第一时间发现产品新版本的品质变动；冷启动对于用户的吸引力，以及用户粘性；通过AB测试添加新手引导设计判断产品的易用性；通过新用户路径埋点分析用户流失原因。关注3日留存：可用来判断渠道优劣，以便筛选渠道调整投放策略。关注7日留存：反应用户一个完整体验周期后的去留情况，判断用户忠诚度。针对不同时间点的用户留存率，颗粒度较细的数据统计更容易分析出用户留存的规律，并针对实际情况制定相应的运营策略。某APP留存情况数据二、用户行为指标用户的行为数据主要通过埋点获取，通过用户行为分析可以判断用户对产品的喜好以及期望。用户行为数据分析黏性：关注用户持续访问情况；活跃：关注用户访问参与度；产出：用来衡量用户创造的价值。基于用户行为的三大类，在每个大类上再添加不同的行为指标。可以进一步挖掘数据价值，添加数据标准，使得团队目标提升更加具有针对性，有利于用户效率提升，1. 黏性指标数据显示用户平均每天按压，滑动，点击手机的次数为2617次，普通用户手机屏幕亮起时间为2.42小时，重度用户为3.75小时。随着智能手机的普及，流量红利的消失，所有流量增长都停滞了，战场从抢夺流量转为抢夺用户时间。打开次数：而用户行为指标中打开次数是第一重要指标，因为只有让用户打开才有无限的可能；访问次数：用户单位时间内的访问次数，是用户粘性的核心指标。加上时间，年龄，地域，收入，性别等维度，可以有效的针对不同层级用户制定相应产品策略；间隔时间：间隔时间是用户距离上一次访问间隔的时间。掌握该数据可对用户进行活跃度划分，有利于运营制定运营策略进行用户的激活。2. 活跃指标毫无疑问，用户愿意华仔产品上的时间越多，对产品产生的价值的可能性越大。增加使用市场，第一要素当然是产品符合用户的预期且使用方便，但这里要追究的是如何运营运营手段来增加用户的使用时长。对于内容产品而言，图文（新闻资讯）、音视频（段视频）等是当下最主要的内容呈现形式。在内容平台上，像新闻客户端，常用的手段是通过内容的个性化推荐，不断加强算法积累，实现千人千面，用户越喜欢的内容自然得到更多的推荐机会，进而吸引用户停留，增加使用时长。对于电商产品来说也比较类似，但推荐更为复杂，不仅仅是对用户，还需要考虑包括用户，商品，服务，店铺等维度的画像，更多的是通过用户画像及相似度进行推荐。还需要考虑标签的场景失效，标签的热度衰减等。使用时长：使用时长是指用户使用APP所使用的时长。使用是影响用户转化的关键因素，因为只有让用户长时间停留我们才能采用一些方法吸引用户下单转化。停留时长：平均停留时长是指访客浏览某一页面时所花费的平均时长，页面的停留时长=进入下一个页面的时间-进入本页面的时间。用户的停留时长是与用户转化率相关的，这个很好理解，对于一个不感兴趣的产品或无法勾起用户购买欲，那么用户是不会停留过多时间的。停留时长与转化并不是完全的正相关关系。因为存在用户长时间停留在某个页面去做其他的事情而没有发生跳转的情况发生。访问页面数量：访问页面的数量将直接提升用户的停留时长，间接地提升订单转化。3. 产出指标产出指标在不同形态的商品上有不同的含义。在电扇行业，产出指标就是订单，客单价等。信息流产品，产出指标就是广告的曝光，以及广告的点击率和后续的转化。新闻资讯类产品提高曝光量的方法主要有两种：一种是靠内容的推荐，推荐给喜欢的人，增加信息流的访问次数；另一种是用金币，积分等反馈方式刺激用户相应的行为。以上的指标遵循了一个原则，及触及用户的兴奋点，以小的投入获得最大的用户量，即满足用户的心理需求。我们可以通过用户的需求金字塔分析和理解用户的消费心理。关注产出指标，将直接量化评估运营的效果，衡量运营活动的ROI。本文由 @jeanleung 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

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......

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

来源：艾瑞网近日，全球最大的独立移动广告平台及全球企业营销平台服务商InMobi携手AdMaster共同发布了《2018中国移动互联网用户行为洞察报告》。该报告基于InMobi移动广告平台用户数据，对包括iOS和安卓两大生态系统在内的中国移动互联网用户进行全方位的调查研究，描摹出了最新的人群画像，并对消费行为的最新变化进行了深度解析。除此之外，该报告还在其调查研究基础之上，为广大广告主提供了包括“品牌移动营销解决方案”、“移动效果营销解决方案”和“创意解决方案”等在内的全方位移动营销解决方案，力图帮助广告主抓住最新的移动趋势。七成中国移动互联网用户五年内有购房计划预算均值达204万中国移动互联网用户主要集中在东部沿海地区和中部地区，其中广东省分布最广，占比达到12.4％。这些用户整体学历偏高，同时其个人平均收入也达到了6688元，拥有较高的消费水平。而从情感状态分布来看，中国移动互联网用户已婚有子女的情况占比48.8％，对于购房的需求也更为强烈，因此我们可以看到，七成中国移动互联网用户五年内有购房计划，五成以上的中国移动互联网用户在两年内有装修计划，中国移动互联网用户整体购房预算均值204.18万元。国内游占旅游消费近六成预算五千是主流从旅游消费来看，七成以上中国移动互联网用户旅游预算集中在1000-9999元，且预算是影响旅游类型的主要因素，中低预算多选择国内游及周边游，人均预算在一万元以上的则多数选择出国游，占比超过28％。总体来说，中国移动互联网用户主要偏向于国内游，占比达到57.5％，预算5000-9999元的用户占比最大，达到25.3％。男性爱汽车女性爱美妆该报告显示，76.7％的中国移动互联网男性用户拥有汽车。其中，大众的渗透率最高，达22.8％，其次是丰田和福特。而在未来三年内有换购车计划的中国移动互联网男性用户，占比达到了57.3％，其中近六成用户预算在10万－30万之间。与此同时，女性对于化妆品的消费需求也非常令人关注。从月均美妆消费来看，在300元以上的中国移动互联网用户占到了约70％，整体平均月消费额达到了680元。可以看出，中国移动互联网女性用户对于美妆用品的需求量较高，对美妆产品的重视，以及乐于投入的态度。此外，我们也可以看到，不同的年龄段，对于美妆产品类别的选择也不尽相同。报告显示，中国移动互联网用户中，年轻用户爱彩妆，其中21-30岁年龄段用户彩妆、底妆使用比例最高。而成熟用户则更注重护肤，40岁以上用户日常护肤、清洁产品的使用率较高。不仅如此，中国互联网用户对于互联网金融、3C、运动、奢侈品等方面也有着广泛的关注。该报告显示，中国移动互联网用户中超过半数接触过P2P，其中P2P投资金额平均为8万元，P2P借贷行为以5万元以内小额贷款为主；苹果仍然是最受中国移动互联网用户关注的3C产品品牌，而华为正在缩小其与苹果的差距。各垂直领域头部APP优势明显用户偏爱开屏广告从中国移动互联网用户的APP使用行为来看，各个垂直领域的头部APP仍然占据着较为明显的优势，无论是使用率还是用户粘性，均表现强势。在竞争激烈的电商类APP中，淘宝仍然稳坐头把交椅，天猫、京东紧随其后，唯品会、苏宁易购、小红书等也受到了用户的关注；O2O类APP中，支付宝位居安装使用榜首，其次是美团、滴滴打车；墨迹天气、万年历、WPS、KEEP、喜马拉雅FM、腾讯视频、易信等的使用率和用户粘性均是其所在垂直类型中最高。而在新闻资讯类APP中，今日头条的使用率最高，用户粘性最大的则是腾讯新闻；游戏类APP中，开心消消乐使用率最高，王者荣耀用户粘性最大。对于APP中出现的不同类型的移动广告，中国移动互联网用户更偏爱开屏广告，同时对视频前贴片广告也有着极大的关注度。同时该报告也显示，视频形式的信息流广告得到的关注度已超过了常规的信息流广告。品牌、效果双管齐下紧抓移动营销新趋势随着对中国移动互联网用户的理解不断加深，以及移动广告技术和理念的不断成熟，中国市场的广大广告主越来越意识到移动端广告的“品效合一”并非不可实现，而移动视频广告产品的日臻成熟也使移动端成为了首选的品牌广告推广渠道。InMobi作为一家具有极强技术实力的、全球化的移动广告平台，在产品的研发以及对新趋势的把握上，都有着自己独到的经验。从发布新版视频广告SDK，主推移动原生视频广告，到将行业领先的人工智能技术应用到移动广告，以及在正确的时间节点发力品牌广告和程序化购买业务，再到收购美国AerServ、与微软达成战略合作伙伴关系，其每一步似乎都走在了行业的前列，让人备受期待。在此次发布的报告中，我们也看到了InMobi提供的品牌移动营销解决方案、移动效果营销解决方案以及创意解决方案，它们对于广告主来说都具有极高的参考价值。在这一整套解决方案下，广告主可以借助InMobi先进的移动原生视频广告形式（包括原生信息流视频广告、原生开屏视频广告等），基于人工智能、机器学习的大数据技术以及高度本地化的团队，来实现自己的移动营销目标。而InMobi平台直接接入的媒体，已经覆盖了移动应用商店排行榜前200应用的43％， 构成了强大的头部APP媒体矩阵，本次的调研结果，也从侧面反映了InMobi平台覆盖用户的高质量。

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。

▲ 点击蓝字“荣之联”，关注荣之联品牌微刊荣之联新媒体事业部高级产品经理李季在数字IT分论坛上做了主题演讲，分享了企业内外部数据壁垒、基于AI的用户行为感知技术及行业应用场景。数据·AI·用户行为感知分析>>>>企业内外部数据壁垒目前，每个企业都被生产数据、用户数据、结构化数据和非结构化数据等内外部海量数据所围绕，但是数据脱敏难度加大，跨部门数据共享难，数据结构化难度高一级外部数据难以获取等问题，都使企业自身的数据壁垒也越来越高。据了解，中国正在加大力度推进个人隐私保护，欧盟《通用数据保护条例》（ GDPR ）也于上个月生效。数据的脱敏使用成为每个企业无法避免的一道难题。>>>>基于AI的用户行为感知技术2016年，网民和移动网民分别达到7.3亿人和7.0亿人，增速均放缓，其中，移动网民在网民中的占比已经达到95.1%。受人群上网技能和文化水平等多方面因素的限制，经历过多年快速增长后，网络普及过程中的人口红利已殆尽，网民和移动网民数量趋于稳定。受二胎政策的逐步放开影响，伴随着新一代的成长，未来网民及移动网民数量还将出现新波峰。这些都将是用户行为分析数据来源。人群行为数据维度可以分为注册信息、社交互动、网络购物、消费记录和活动轨迹。据此建立用户行为数据计算模型和情感交换计算模型，从海量数据中通过AI技术预测用户行为可能性，实现用户画像与企业营销业务的深度结合，从而将企业内外部数据壁垒打通，让大数据为企业赋能。基于此，荣之联推出智慧商业情报大数据平台，可以监测新闻、社交媒体、工商信息、著作权专利信息、法律诉讼信息等企业数据，在传统检索式监控功能上增加了智能推荐、算法预测、用户画像分析等功能，贴近商务、市场、运营人员业务流程，让大数据服务切实落地，为客户创造价值，并广泛应用于多个行业。>>>>行业应用场景行业应用场景一：某车企用户行为数据智能分析实践。企业自身拥有大量脱敏的用户行为数据，但是缺少实时动态更新的互联网数据相结合，于是数据的价值体现程度偏低。借助荣之联提供的网络数据与企业内部数据打通后，实现了自驾游行程智能规划、周边活动智能推荐、二手车买卖推荐和汽车养护信息推送等应用。行业应用场景二：某人力资源企业商务线索发现。人力资源企业提供了人力派遣、猎头咨询、会务人员配置等一系列服务。这些服务都基于对需求的发现以及商机的监控，尤其是跨地区人才流动行为的分析和预测会产生直接影响。根据海量数据分析和用户行为预测，可对人才流动趋势进行判断和分析，及时发现人才需求，匹配和推荐人才至适合的企业。行业应用场景三：某车企传播分析及口碑监控。根据海量数据分析和用户行为预测，协助企业对传播节点进行预测和评估，包括通过传播能力统计以及传播链分析，系统可告知用户在哪些汽车媒体发稿可以获得更好地人群触达率以及传播效果。通过传播路径建议、传播监控、评论分析等全流程管控，企业在系统的帮助下不仅可以节约营销经费，还可以更好地考核公关营销绩效。智慧商业情报大数据平台荣之联智慧商业情报大数据平台是国内顶尖的互联网企业多维度数据监测和分析平台，监测范围涵盖新闻、社交媒体、工商信息、著作权专利信息、法律诉讼信息等。平台具备海量数据采集和分析能力，并且通过人工智能技术，建立了AI自动化爬虫系统、传播预测模型、传播链分析模型、语义分析模型等多项行业领先水平的算法模型。平台创新性地在传统检索式监控功能上增加了智能推荐、算法预测、用户画像分析等功能，贴近商务、市场、运营人员业务流程，让大数据服务切实落地并且为客户创造价值。

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

PMCAFF（www.pmcaff.com） ： 最大互联网产品社区，是百度，腾讯，阿里等互联网人的学习交流平台。定期出品深度产品观察，互联产品研究首选外包大师（www.waibaodashi.com）：要外包，找大师。PMCAFF旗下高质量互联网外包解决方案提供商。外包大师服务号：waibaodashi365作者：韩重明 诸葛io资深数据驱动顾问， 发表于PMCAFF社区，如需转载请联系原作者越来越多的企业已开始挖掘用户行为数据的商业价值，利用行为数据进行精准有效的数字营销。以科技金融行业为例，某知名企业的数据表明：用户行为数据的效力是金融数据的4倍。一、企业的数据来源企业收集、存储、分析数据，其目的就是为了解决业务需求，优化业务运营流程，提高其经营效率并降低成本。企业业务数据通过数据挖掘、深度分析和可视化展现，充分发现业务运营中的问题，进而制定更科学合理的运营策略，实现数据的价值。企业有三类数据：企业内部的交易数据企业同用户之间的交互数据第三方数据，或称为外部数据过去，企业的数据资产大多是建立在交易数据之上的，利用用户属性、销售数据、物流数据、内部流程等数据建立数据资产，开展商业应用。随着“用户时代”的到来，拥有数据的规模、灵活性，以及收集、运用数据的能力，将决定企业的核心竞争力。通过挖掘收集的业务信息，企业可以预测市场需求，进行智能化决策分析，从而制定更加有效的战略，此外，以用户数据和业务数据为核心优化运营，通过用户画像、市场和渠道分析、销售数据的分析提升产品性能、优化运营效率、进行精准营销。二、行为数据的采集和分析用户行为数据：主要包含用户在网站和移动App中的浏览/点击/发帖等行为，行为数据其实有很大的商业价值，只是很多企业不知懂如何进行应用。用户行为数据采集基本上采用SDK方式，采集用户在页面的点击行为，同时也可进行参数回传。SDK就是几行轻量级代码，采集数据的类型取决于埋点。SDK在数据采集上没有技术壁垒，行为数据应用的主要技术壁垒在于海量行为数据的处理和分析。1、SDK采集数据的私密性？很多企业总认为SDK采集数据会涉及个人隐私，这主要还是不了解SDK数据采集的技术原理。SDK，Software Development Kit，直译过来就是软件开发包，用N行软件代码采集数据。SDK采集的任何数据都来自用户的主观行为，企业在正常商业活动中获取的个人隐私数据并不违反法规，在没有得到用户授权的情况下，个人隐私数据被企业和第三方使用才是违法行为。2、数据处理与分析，有多难？用户行为数据的处理和分析具有较高的技术门槛：SDK会采集到大量的“脏数据”，包含一些空白区域和特殊符号，甚至根本没有见过的数据类型，这些脏数据的处理和分析具有较大的技术挑战，特别是数据的实时采集和处理。通常技术人员只有经历了海量数据采集和处理，填平了大量“技术坑”之后，才能形成成熟的技术架构。数据的采集和处理是个脏活累活，需要在真实数据环境进行实战，具有较高的技术壁垒和门槛。三、用户行为数据的商业价值为了保证用户的产品使用流程流畅平滑，从用户出发进行产品设计就需要密切关注用户的反馈和需求，通过观察用户行为数据或者直接与用户对话来得到这些反馈，找到用户在哪里卡住了、出错了，如此才能打磨出最佳的用户体验路径，这就是用户行为数据的价值所在。在行为数据发挥价值之前，需要进行结构化和标签化：结构化，指将行为数据的展现形式从非结构数据转为结构化数据，并进行归类和统计；标签化，指根据业务场景将行为数据打上业务标签，围绕设备并与业务场景深度结合。为行为数据打标签，通常有以下3个数据维度：时间、频次、结果。1、时间行为数据时间维度主要关注行为发生的 时间段 和 持续时间 ，其中时间段数据用于目标设备时间范围选择，用于营销活动分析和营销推广计划设定。时间段也可以用于风控和反欺诈的场景，特殊群体的App使用行为在时间段具有较高的相似性。持续时间关注行为发生的过程，记录了行为起始和结束时间。某一用户的全部会话记录说明：全视角的用户画像，包括用户访问时间段，访问时长，甚至可以精确到用户发起会话、结束会话的时间点。持续时间对于分析用户行为具有重要意义，不同时间长短代表用户不同特征，根据用户所处的生命周期，可洞察到用户与产品的交互状态。在一些数据模型分析中具有较高的商业价值，既可以用于购买人群分析、产品体验分析，甚至用于反欺诈分析。2、频次行为数据的频次主要关注某些特定行为发生的次数和趋势，其中次数同用户的兴趣具有较大的正相关度，在一定时间段内，点击浏览次数同用户购买需求成正比。次数经过标签化之后可以用于营销，识别潜在用户。此外，通过页面的点击分析，了解产品体验和用户需求，从而优化产品布局，进行关联产品的销售。次数同产品成交和用户购买需求是弱相关关系，但是结合点击浏览次数等趋势数据，这些数据即可反应出产品转化和用户购买行为。例如：用户在某段时间内突然频繁登录汽车类产品，从趋势分析上可以预测用户的购买需求，在某些场景下，趋势数据比频次数据的商业价值更高，可以直接预测客户的购买需求。3、结果行为数据的结果主要关注是否完成交易，用于判断用户点击浏览的结果。结果数据分为成交和不成交，基于业务需要也可采集填充的数值实现进一步的应用。成交数据，可用于产品体验分析，用户体验分析，渠道ROI分析；不成交数据，可用于二次营销，对潜在用户进行再次营销，结合时间段、持续时间、频次数据进行综合分析，筛选出目标客群。此外，结合成交数据和时间数据，在锁定产品问题后，更精准的优化产品体验，分析转化漏斗。结果数据可用于直接营销，可加入到数据模型中，作为一个重要维度的参考数据。场景举例：筛选出有长期理财产品偏好的用户说明：通过条件设置，在最近30天内搜索并查看长期理财产品分类及详情页大于等于3次的用户筛选出来，定义为有长期理财产品偏好的用户，可以针对这一客群进行潜在用户的二次营销，比如为其推送长期理财产品的加息券等，鼓励其完成投资。四、行为数据的场景化应用从业务需求（业务场景）出发，寻找同其高度相关的行为数据，是建立场景化行为数据标签的思路之一，分析某个业务在产品中的交易路径（交易步骤）。在接近交易路径的前几步，根据时间、频次和结果来建立其场景化标签。基于行为数据的营销，需要将重点放在营销效果的衡量和营销方案迭代优化上，通过多次营销尝试找到一个比较合适的行为标签建立方式，确定频次、时间段、结果等选值，并逐步建立起一个稳定的运营方案和运营计划，其中一些固定运营方案可以固化在一周的某一天，甚至某个时段，形成固定的运营计划。营销成功的关键在于不断的尝试，优化场景化标签中的各个数据维度和数值，同时在效果达到预期的方案固化，形成标准的运营方案。1、促进首单转化：不断减少从新增到首投的时长周期以 首单转化 场景为例，给新增用户设定一个条件：如果注册成功后一天未完成开户行为，即推送一条短信/移动端PUSH。在完成运营动作后，可 自动衡量效果 ，统计出在执行运营动作后3天内实现“ 首单投资 ”的用户数，分析绝对数量/转化率/交易额。2、促进追加投资：引导追加资产促进用户价值层级迁越对于新手期的活跃用户，可通过手动设置完成运营：筛选出资产小于5万且最近30天内没有投资行为的用户，为其精准推送现金券，通过自动衡量查看效果：3天内实现使用现金券投资的用户数，自动分析绝对数量/转化率/交易额。基于用户行为数据，以用户为中心，所有的功能体验都围绕用户需求、用户感知而展开，才能很好地提升用户满意度，那么转化率的提升也就显得水到渠成。