用户行为分析是什么？怎么做？

一、用户行为是什么？1. 用户行为用户行为是用户在产品上产生的行为。

我们以小明的case具象化用户行为表现： 小明 21:00 打开快手app； 浏览，发现angelbaby，点击查看， 查看时发现有向下的箭头，点击后查看改图集的其他图片； 感觉非常喜欢，小明点了赞，并了朋友圈； 小明想看看更多angelbaby的照片，左滑进入作者的个人主页；浏览并点击查看； 发现这个作者有很多明星的照片，并且有好几位都是自己喜欢的，所以 关注了作者。

不知不觉中22:00点到了，闹钟提醒小明得睡觉了，恋恋不舍的退出了快手app 第二天9:00，小明正在拥挤的地铁上打着瞌睡：昨天关注的作者发了新的视频，小明接收到了通知信息，点击信息打开了快手app直接查看了最新视频，这也是一条anelbaby的视频，看完元气满满，倦意全无。

此时，地铁到站，小明立即锁屏，挤下地铁。

小明第二天为什么会收到通知呢？因为小明关注作者的信息被记录了下来，当该作者有发布信息时，则会通知所有关注他的人，而小明也是其中之一。

小明关注作者的信息记录，则是行为数据。

小明的行为数据会有 启动app、浏览、查看图集、播放视频、点赞、关注作者……2. 用户行为数据用户行为数据是从一次次的行为中而来的，行为数据是通过埋点进行监控（相见埋点介绍）、后续一篇文章将介绍如何（设计埋点）。

通常是数据同学完成埋点设计，由开发完成监控程序 或 调用SDK。

针对小明的行为（假设以下均已埋点）： 快手启动21：00 21:00-21:02 双列瀑布流下拉，预记载图片&视频xxx个，消费xxx个，第xxx个被小明点击； 21:06 点赞，xxx时间点击向下箭头，浏览xxx张图片； 21:07 朋友圈； 21:08 进入作者的个人详情页； 21:08-21:50 在作者的个人详情页 浏览了多少个作品； 21:32 关注了作者。

22:00 时间退出快手。

第二天9:00 向小明按xxx策略发送了push通知； 9:02 小明点击了push通知并在xxx时间 成功掉起 快手app； 9:03 小明播放了视频、播放了xxx时长； 9:10 快手退出到后台程序； 9:40 快手被系统关闭。

3. 用户行为分析是指对用户行为数据进行数据分析、研究。

4. 用户行为分析的作用（1）通过用户行为分析，可以还原用户使用的真实过程。

一个xxx的人 在什么样的环境中 （由于什么样的行为）在时间点做了xxx事情 做了什么事情 结果如何（2）“了解用户，还原用户”是“以用户中心”的第一步。

只有详细、清楚的了解用户的行为习惯、真实的使用路径、进而找出 产品使用、渠道推广等过程中存在的问题，提高用户/页面/业务过程中的转化率。

（3）用户行为分析（case需要补充）可以用于A. 拉新：渠道分析、SEM分析、用户质量分析、B. 转化：新增用户注册转化过程、产品使用过程转化（搜索、推荐等）、push推送调起过程、站外拉起过程C.促活：用户停留时长、用户行为分布、D.留存：用户留存分析E.商业化：根据用户历史行为展示广告

二、如何进行用户行为分析？1. 行为事件分析行为事件分析方法主要用于 深度研究某行为事件，以及对产品的影响以及影响程度。

针对某一具体行为，全面的描述、对比，针对其异常表象 深度下钻分析各维度、确认导致该行为数据表现的原因。

如快手的播放量徒增: 同期对比分析，确认历史上是否有发生过，对比 去年/上个季度/上月/上周/昨日的 数据的相对表现。

多事件对比分析。

对比浏览量、点赞、评论、分享事件的数据是否存在徒增。

通过对比多个事件，确认徒增现象发生的范围。

维度下钻：由于播放量取决于3个部门用户在快手消费视频，被监控程序上报。

所以在三个方面分析： 监控程序是否异常？ 在快手哪个页面的播放量增加呢？是发现、关注、还是同城？-> 对应页面做了哪些调整？是否增加了引流； 哪一部分用户群的播放量增加了？交叉分析 用户自然属性（平台、性别、年龄、地域、教育学历、机型、消费能力）、行为属性（新增、回流、常活跃用户；直播用户、短视频用户….）、视频属性（视频类型、作者类型….）2. 留存分析留存是衡量用户是否再次使用产品的指标，也是每一个app赖以生存的指标，能够反映任何一款产品健康度，是产品、运营、推荐效果的整体表现。

如果一个app从来没有留存用户，那DAU将永远是新增用户，那么产品将无法运行下去，更别说新用户成本付诸东流。

贴合业务属性、精细化留存过程 将对留存数据更有价值和指导意义。

通过留存分析，能够剖析用户留在产品的原因，从而优化产品核心功能提升留存。

留存的类型： 用户留存：用户使用app后，经过一段时间仍旧使用。

功能留存：用户使用xxx功能后，经过一段时间仍旧使用该功能，且其他功能均有所变化。

此时，该功能对用户留存有正向作用。

先前有写过 留存分析的文章，这里就不赘述了。

3. 漏斗分析漏斗分析实质是转化分析，是通过衡量每一个转化步骤的转化率，通过转化率的异常数据找出有问题的环节并解决，进而实现优化整个流程的完成率。

在产品初期(处于与市场适配的阶段)：通过漏斗分析找到用户触达的瓶颈，帮助用户触达产品核心价值，真实反映MVP与市场匹配程度； 在产品中期(处于用户平稳增加的阶段): (1)通过漏斗分析优化渠道，找到目标群体用户; (2)通过漏斗分析优化用户在各模块的体验(基础的登录模块、产品核心价值模块: 如抖音的播放模块、淘宝的购买模块等)； 在产品后期(处于用户价值产出的阶段): (1)通过漏斗分析可以改善用户生命周期(优化用户体验提高用户生命周期，间接拉长用户群体的价值产出的时间长度，减少高价值用户群体的流失)；(2)可以通过漏斗分析优化商业化模块，像商品的购买过程（购物车-提交订单的转化漏斗）、广告的曝光点击等，提高生命周期中单位时间产生的价值。

4. 路径分析路径分析可以将纷杂的app日志按照用户的使用过程，呈现出“明确的”用户现存路径。

发现路径问题，进而优化，使用户尽可能短路径体验到产品核心价值。

通过路径分析，可以了解到像小明这样9点左右播放视频的用户： 他们是通过push点击而来，这部分用户占比是多少； 他们匆匆结束播放，再也没有下一步行为，这部分用户占比又有多少。

针对他们利用碎片化时间播放视屏的场景，尤其是突然退出的场景，是否在下一次打开app时，仍旧打开终端的视频。

是否有其他策略可以针对该场景来优化？此外，路径分析不仅仅可以用于行为路径分析，也可以用于用户群体转化分析。

例如：新用户中分别转化为 忠实用户、常活跃用户、潜在流失用户、流失用户的分析。

5. 用户分群分析通过了解用户画像，可以帮助运营理解用户。

根据用户画像（基本属性、用户偏好、生活习惯、用户行为等）的标签信息将用户分群。

通过用户分群行为表现对比，可以进一步了解不同群体对产品的反馈，有针对性的优化产品。

发现中 西南地区的低端机型使用app时，奔溃率特别高，开发可以针对该点进行优化、降低奔溃率； 可以针对不同的用户群体的行为表现 做 定向投放、push等，从而实现精细化运营。

业内的商业化行为分析产品，基本上将用户画像的生成、标签的过程均合并在用户分群的群体定义中，降低了 *** 作流程。

三、用户行为分析的完整链路以小明为case的用户行为每天数以万/亿计的产生，如何对“这类人群”进行“行为分析”？需要行为分析将明细级别的日志聚合后再以较为可读的形式展示出来。

为了保障埋点可靠、数据上报及时、行为数据分析有效。

需要一套完整的用户行为系统，包括从数据埋点设计、埋点开发、数据上报、数据模型开发、行为数据分析。

过程中也需要多方协作完成，如何保障多方协作中高效、便利的完成、产出具有业务价值的数据分析结论。

后续将介绍服务于用户行为分析的相关平台介绍。