用户行为研究

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。

我们做产品运营的同学，都知道用户运营这个模块吧。笔者作为多年的运营狗，自然也做过用户运营这块工作。由于对用户心理、行为的十分感兴趣，也会自发的对用户行为造成的一些现象做研究。最近，一个有趣的现象引起了我的思考，整理出来给大家分享分享先。群体用户的定义这几天路过某地铁口，看到了这样一幅景象，晚上下班后的那个时间段，地铁口外面密密麻麻排满了共享单车，一眼望去，估计有上千台的感觉。心想，这是谁堆在这里的，又为城市建设添堵了。不曾想，第二天路过这里的时候，几乎找不到共享单车了，唯有零星的几台，孤零零的躺在那，似乎在等着他的新主人临幸一般。不由得让我想起了潮汐现象，潮汐是由月球引力引起的，那这个共享单车消失后又重现是什么因素导致的呢？思来想去，结论是：群体用户。我是这样定义这些人群的：在没有统一组织协同下，通过几乎一致的行为，完成了一个目标的一群人。而多年的用户运营经验告诉我们：群体用户的行为是可预测和可控的！群体用户的行为和案例类似这样的现象在我们生活中比比皆是，比如假期的高速拥堵，热门景点的爆满，演唱会的一票难求等等。在这些现象中，并没有一个明显组织者，事前给这些人发号施令，让他们在某个节点去做出某种行为，但是从结果来看，很多个人似乎被无形的手牵引着，完成了一个同样的行为。最终表现出来了，上述的现象。案例一：共享单车攻陷深圳湾。清明假期，在没有统一组织的情况下，很多个人自发的骑共享单车去深圳湾游玩，结果汇集到一起，成为人群后，带来了如下图的现象。真正做到了从量变到质变，为此，深圳湾专门制定了所有单车节假日、周末不得入内的政策。这是反面的案例，我们来看一个正面的。案例二：罗一笑事件。详情就不必细说了，我想说的是，最开始看到那篇文章的很多人，在没有动情的演讲者和组织者号召大家捐款的情况下，自发的对文章进行了打赏，也就是捐款。短短几天，就收到了两百万多万块钱。一样也是群体用户的力量带来的神奇的结果。群体用户的价值有哪些？作为运营同学，看到这种现象一定会两眼放光，跪拜天地才对，这简直就是老板心目中的最想要的活动效果了。如果我们能游刃有余的去控制人群的行为，按照我们预期的方向去发展，那么任何kpi在我们眼前都成了浮云。你们是不是也经常会被老板提出各种各样非分要求：一个月内给我增粉100万；用户的次日留存要做到50%以上；在没有预算的情况下，在6个月内将产品的日活做到2000万；遇到这样的老板，我只能说，youcanyouup！其实理论上也并不是完全没有可能做到，一旦我们了解了人群行为背后的机制，稍加引导，也许就可以做到离老板定的非分目标近一些了。那我给大家讲一个真实案例。我在做手游运营的时候，当时为了给某渠道新建的论坛倒用户，我在游戏内发布了一个活动，号召游戏内用户去游戏外的渠道论坛跟帖，凡是跟帖的用户奖励游戏内价值20元人民币的道具。活动发出的那一天，论坛的人气暴涨，你就看到其他论坛板块个位数的帖子情况下，我们论坛的板块一下子起了4~5百的话题量。辣么的扎眼，搞的渠道专门过来问我们怎么做到的，我就微微一笑很倾城了：我会控制群体用户行为的魔法！总结就是，通过一个共同利益的驱使，素不相识的一群人是可以为我们所用的。还有一个比较知名的案例，筷子兄弟做的小苹果。大部分人会把这个歌曲的火爆归于运气，朗朗上口的调调，当然这是能够传播开来的条件。我记得筷子兄弟复盘的时候是这样说的，为了复制老男孩的成功，在小苹果火起来前，就提前录好了吃瓜群众跳小苹果的视频，以用户的名义在各大视频网站去发布，造成全员都在模仿小苹果的假象，加上对神曲共性的模仿，轻而易举的控制了人群的行为，带来了全员跳小苹果的风潮。那么怎样才能让群体用户为我所用呢？从信息传播的途径来看，告知-理解-参与，就3个环节。首先是告知，用户告知有两种形式，一种是广告形式，这也是大公司拼命砸广告的原因。我花钱让你知道我们！另一种形式是传播告知形式，是最低廉的告知方式，也是最难学和掌控的。举个例子，深圳湾假期被单车攻陷，一定是大部分人被告知了深圳湾踩单车很爽的事实。我就是通过朋友的口中，知道了那里适合踩单车的，完全免费的口口传播，于是一放假我就去了。结果大家都知道了。像最近超火的王者农药，有多少不是被朋友拉进来玩的呢？能让用户主动去传播的事情，要么给钱，要么让用户觉得有趣，好玩，或者有尊贵感都行。一旦打到了用户，传播开来，剩下的相对来说就会简单很多了。理解的要点最大程度的降低用户认知和参与的门槛，最好的形式是在不用说或教情况下，用户能自己理解要做的事情，骑车去爽、模仿小苹果视频很好玩，这个孩子很可怜，我捐款可以帮助到她等等，一旦用户潜意识认为付出成本低于获得的价值时候，就会主动的参与其中。让每个人都有这样的感受，那么恭喜你，你的KPI完成了。作者：老虎，公众号：老虎讲运营本文由@老虎原创发布于人人都是产品经理。未经许可，禁止转载。

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

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

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

用户行为分析隶属于用户数据分析的一个模块，所以做用户行为分析比较领先的主要是一些知名BI工具的生产公司，比如像帆软、DataFocus、微软、Tableau等。一般国内做数据分析的公司会更加贴合国内企业的需求和思维模式，举个例子，我在DataFocus的官方网站上看到过关于八大分析的模型的案例内容介绍，其中包含的事件分析、热图分析、全路径行为分析等就十分贴合题主所提到的用户行为分析。事件分析模型是用户行为数据分析的核心和基础。用户在产品上的行为我们定义为事件，它是用户行为的一个专业描述，用户在产品上的所有获得的程序反馈都可以抽象为事件进行采集。热图分析模型主要应用于用户行为分析领域，分析用户在网站显示页面的点击行为、浏览次数、浏览时长等，以及页面区域中不同元素的点击情况，包括首页各元素点击率、元素聚焦度、页面浏览次数和人数以及页面内各个可点击元素的百分比等等，通过上述分析，找出页面设计的合理性。全行为路径分析主要是根据每位用户在APP或网站中的行为事件，分析用户用户行为状态以及从起点到终点各阶段用户转化率的情况，找出各个模块的流转规律与特点，挖掘用户的访问或浏览模式，进而实现一些特定的业务用途。DataFocus还有其特有的可视化搜索引擎，通过对自然语言的搜索输入，即可呈现可视化结果；该公司也是慷慨的将多行业的案例分析报告免费向用户呈现；BI工具的图表类型十分丰富，除了基础图形外，还涵盖了很多新颖且独具特色的图表类型；数据看板组件元素的添加也为整个大屏的设计提供了更多可能性，完全可以打造一个非常美观炫酷且实用的可视化大屏。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。

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

编辑导语：对于产品经理来说，用户的行为是决策的重要因素，只有了解了用户的行为和意图，才能将其运用到产品的设计中去，才能做出用户满意的作品。那么，本文作者就我们总结了如何去认识用户行文。如果用一句话概括产品经理的工作：企业通过产品与用户进行价值交换，而产品经理就是最直接的执行人和推动者。孙子曾经曰过：知己知彼，百战不殆。想要做出用户能够接受的产品，就必不可少的去研究用户，准确的说是研究用户行为——这也是产品经理的主要工作内容。根据俞军老师在《产品方法论》一书中的阐述，用户发生行为的过程经历5个步骤：刺激→认识偏好→产生主观期望效用→行为→结果。比如，作为一个奶茶爱好者（认知偏好），在冬天看到一杯双倍珍珠芋圆的烧仙草（场景+刺激），你会自然而然想到烧仙草入口的丝滑温暖（期望效应）。于是你没有迟疑，打开微信扫一扫付费（行动），然后如愿喝到奶茶（结果），这次不错的体验更加深了你对芋圆珍珠奶茶的喜爱（行动结果修正人的认知偏好）。这就是用户行为的完整过程，要深刻理解用户的行为，有这么几个关键点需要注意：用户的行为由场景和认知偏好共同决定；小说、电视剧看多了，容易走入一个误区；过于简单或者片面的理解一个人：在文艺作品中，作者或导演为了方便叙述，经常会过于依赖“设定”判断角色的行为，而忽略场景。比如在动漫《十万个冷笑话》里，哪吒的老爹李靖的“设定”是百分百被空手接白刃。所以在动漫里无论何时何地面对什么对手，只要李大将军拔剑砍人，被砍的人无论在忙啥，都会瞬移过来空手接白刃。而真实的世界里，人是非常复杂的，其行为远不是“设定”能单一决定的，受场景的影响更大。比如咖啡和白开水，咖啡爱好者会怎么选择呢？根据设定会选咖啡。再加个场景：睡觉前呢？所谓的“设定”，就是人的认知和偏好。小说电影可以偷偷懒，通过设定（认知偏好）直接推理出角色行为，但是我们在真实世界里更要注重场景的作用。有时候场景比认知偏好对用户行为的影响更大。比如同样是打车，对价格敏感型用户，自费打车是会优先选择价格最低的快车；而出差打车（公司报销）则会选择更加舒适的优享或者专车。省钱和舒适，不同场景下用户的选择是不同的。一、给用户过高的期望是一把双刃剑在互联网资讯圈里，有一大门派可谓是家喻户晓，人称：标题党。前有UC，后有百度百家号，他们都以惊爆眼球的标题和平平无奇的内容著称。特别是UC，传说他们有一个部门，专门为文章起各种标题——那就是令互联网媒体人闻风丧胆的UC震惊部。这些是他们水平比较一般的作品（更劲爆的标题实在不敢往上放，怕被举报涉黄）：震惊！3个女人和105个男人在山上的故事——水浒传；震惊！两少年人穷志不短，穿内裤环游世界——海尔兄弟；震惊！女孩昏迷后，竟被7个侏儒拖入森林——白雪公主。当用户看到标题后，根据自己的认知和偏好，对文章内容有了过高或者过歪的期望，满怀期待的点开链接后看到的却是平平无奇的内容，这就形成了巨大的心理落差。多次这样的落差之后，用户会对标题党形成免疫，视而不见，更有甚者直接拉黑/卸载产品。给用户过高的期望，而产品/内容却无法兑现用户的期望，会很快的消耗掉用户的耐心，进而反噬产品本身。100分的期望+50分的体验，基本上等于用户骂骂咧咧的离开。我自己在写公众号时也思考过这个问题，后来想了有两种比较切实可行的方案：一是100分的期望+80分的体验，期望很高，内容也还OK。在这个普遍标题党的时代，用户也能理解，毕竟全靠同行衬托；二是60分的期望+80分的体验，期望不高，内容却是惊喜。前者能保证一定的点击率，同时不会造成用户的流失，后者点击率不会高，但用户更愿意分享出去。根据内容的不同目的、不同定位可以灵活选择这两种方式。二、认知和偏好在不断的迭代人的认知和偏好，部分源于天生，部分是后天养成，并且始终处于不断迭代中。就像拼多多刚出来的时候，曾经依靠“砍一刀免费领”活动积累了巨量的用户。100多块的东西，邀请好友帮忙砍价就能免费领，非常吸引人。这一下子戳中了所有人贪便宜的认知偏好，甚至无视场景，用户直接就行动了。玩过之后就看清套路了，刚开始每个人一下子砍个几十块，好像三五个人就砍完了；但是越到后面砍的金额越少，最后就是人均砍0.01元了。因为沉没成本太高，很多用户还是强忍着恶心，继续找朋友帮忙砍价，最终在几十个朋友的帮助下领到了免费的商品。有过一次“成功”的体验之后，大部分人是不会再玩了。因为一次体验的结果会修正自己对拼多多免费领的认识和偏好，本来看到“免费”二字是非常兴奋的，但是加上拼多多就索然无味了。张小龙曾经说过：善良比聪明更重要。聪明的产品经理更倾向于用更少的投入获得更大的价值，体现在产品上就是玩套路太狠，把用户当傻子。而同样的套路，如果加一点善良，在达到自己目的的同时，让用户也能获得一些应得的利益，用户就不会过于反感。这样虽然当下的roi低了，却保证了产品的可持续性。产品、商业模式都追求可持续性，避免做一锤子买卖。在商业之外也是一样的道理，小到种地有休耕，大到国家倡导退耕还林，都是损失短期利益追求长期可持续发展。最后对用户行为的特点做一个总结：场景和认知偏好共同决定用户行为；不同场景下，相同的偏好可能会表现出不同的行为；期望效应影响用户的行为和选择；行为的结果会反过来修正认知偏好。本文由 @PM-XIONGHW 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 Pexels，基于 CC0 协议