常见的五个用户行为数据分析方法

最近，由于公司开发新产品，需要设计一个数字运营平台，主要目标是：收集多源用户数据；数据分析；用户群；用户肖像现在想根据他们阅读的数据和市场上现有的大数据用户行为分析产品（主要体验GrowingIO和神奇策略数据），结合他们自己的理解和想法，从轻技术的角度学习和分享，我希望我能有更多的收获和反思。本文主要阐述了数据分析模块的内容，然后在自己研究了用户画像资料后再进行分享。在以往互联网时代的背景下，用户每天都会在淘宝上搜索、浏览、购买商品等日常应用程序上留下自己的行为；抖音收集、拇指、评论视频等，每个产品不仅记录用户行为等实时动态数据，还记录一些静态数据（个人信息或用户属性）。在以往互联网时代的背景下，用户每天都会在淘宝上搜索、浏览、购买商品等日常应用程序上留下自己的行为；抖音收集、拇指、评论视频等，每个产品不仅记录用户行为等实时动态数据，还记录一些静态数据（个人信息或用户属性）。数据源不仅仅是应用程序，还有小程序，web、H5、第三方。至于第三方来源的数据，我理解的是使用用户的静态数据进行关联。一方面，它可以打开多个产品之间的信息，以便更多维度地理解用户，创造更多的营销机会；另一方面，方便新产品的冷启动。在平台上收集多源用户数据，最重要的是如何处理和分析数据，使数据能够驱动产品，达到公司的战略目的。数据分析需要更加*用户性能，为每个团队的决策提供数据支持，并根据用户性能反思决策效果，使数据分析具有精细的应用场景。具体来说：对于设计团队，数据分析可以帮助他们改善用户体验、功能增减和优化；对于操作团队，数据分析可以帮助他们准确地复制、活动、广告等。；对于BD团队，可以帮助他们筛选推广渠道，掌握目标客户等。；对于公司，深入了解业务，快速改进计划，洞察问题。更多...以下是进入数据分析模块的内容共享。有五种常见的用户行为数据分析方法。我将从五个方面结合我自己的理解来解释。如下图所示：01事件分析1.定义/概念事件分析是对用户触发的行为事件进行多角度分析。根据小学日记的写作方法，描述一件事的重要要素是时间、地点、人物、做什么、怎么做、为什么做、做了多少，相当于5W2H模型（when、where、who、why、what、how、howmuch）。在总结和研究了事件分析中常用的数据后，我发现我们可以用一个公式来理解：用户行为事件=时间when where的位置 人物who(单用户、用户群) 行为what(动作 动作对象） how工具(设备、操作系统、语言等) 指标howmuch(统计事件的计量方法)。2.根据上述公式，需要记录的数据如下:3。计量方法/统计指标事件触发次数，如点击【立即购买】按钮元素多少次；事件触发次数，如点击【收藏】按钮次数；事件触发次数，如点击【支付】总额、人均次数；事件触发的页数，比如浏览了多少个产品页面，满足了自己的需求；事件发生的时间，例如，浏览商品列表页、详情页、浏览短视频等。4.分析视角通过分层、分组和过滤进行分析，并根据上述公式的元素总结分层、分组和过滤的维度。4.分析视角通过分层、分组和过滤进行分析，并根据上述公式的元素总结分层、分组和过滤的维度。（1）时间（2）用户（3）行为实际上将行为和事件视为许多数据中的相同概念，但我认为行为是事件的一个元素。运用《数据结构》教科书中的知识，确切地说：事件是一种数据元素，行为是事件的一种。因此，我在本文中将行为和事件分为两个概念，因此我认为使用[行为属性]这个词更合适。我从用户和产品的角度对行为属性进行分类和总结。首先，在上述公式中，根据用户在屏幕前的动作和动作对象（这里我结合主谓宾结构，用户（主语），行为应包括动作（谓语）、动作对象（宾语），这是一个完整的结构），然后我也根据用户的态度对行为属性进行分类。其次，从产品或公司的角度来看，用户行为最关心的是用户的转型、购买、社会行为等。具体如下图所示:(4)工具(5)位置(6)事件结果的分层、分组和过滤是对统计指标的划分。5.由于用户的行为是动态的，前端事件分析的结果将显示过去、现在和未来的趋势。例如，实时在线人数、实时交易量等。；用曲线图显示事件的发展趋势，预测未来的变化方向；事件的总体情况也可以统计。细化分层后，可对用户进行细化分组，便于用户操作的准确性。通过对事件分析的总结，个人发现事件分析是所有分析方法的前提，澄清事件分析思路和参数的含义，进一步了解其他分析方法，特别是对用户行为和用户属性的理解，如何全面分类和局部关键行为的总结。02分布分析1。定义/概念分布分析主要分析两种情况：洞察用户行为分布规律；观察不同维度（渠道、区域等）的用户分布。归根结底，分布分析是事件分析中分层和分组的过程，是一种非连续变量的统计分析方法。其目的是找到产品优化方向，识别核心用户组，实时调整操作策略。2.需要记录的数据与事件分析3.测量方法/统计指标的行为次数和用户数4.分析视角分布的思路与事件分析的分层和分组分析过程一致。但分布式分析更注重对比分析，事件分析主要是呈现层间和组间的数据信息。5.对应用场景进行比较分析，可以得到topn列表，及时调整资源分配。行为分布可以优化产品功能，以改善转化和保留。为了优化操作策略，用户分布可以获得ARPU最大的核心用户群。03保留分析1.定义/概念是分析用户参与/活动的分析模型，调查有多少用户会进行后续行为，衡量产品对用户价值的重要途径。与其他分析方法相比，保留分析更注重分析产品对用户的意义。只有当用户觉得产品帮助他们解决了一些问题，满足了他们的需求，或者功能使用更方便时，他们才会延迟，否则用户必须吝啬他们的时间和手机内存。这也是验证用户需求分析是否到位、产品设计是否合理的关键指标。2.除同事件分析外，还需要记录产品功能信息。3.计量方法/统计指标n日保留率，n日保留人数。4.从两个角度分析留存分析：用户的留存情况和产品功能的留存情况。5.应用场景保留分析应用于需要澄清某些问题的场景。用户是否接触到产品的核心价值(关键事件、转化行为)？目标用户留下来了吗？用户活动和质量如何？关键事件前后的间隔时间是多少？用户生命周期和产品使用周期是什么？产品满足用户需求吗？为什么用户留下来或者没有留下来？...最后，最好调整产品迭代、产品设计、运营策略和资源分配。04漏斗分析1.定义/概念。首先，我想通过自己设计的漏斗分析举一个例子。这个例子是关于[搜索购买]的漏斗。如下图所示。从图中可以看出，漏斗分析是对多种行为的分析，这些行为不仅有序，而且是一个完整而复杂的事件。我们非常关心漏斗的每一种行为（不仅是开始和结束的行为，还有中间的过程，这似乎是对保留分析细节的补充）。漏斗分析首先需要预设漏斗步骤和窗口期。一般来说，它是一个设计良好的转换漏斗和转换周期。一般来说，它是衡量核心事件转换行为的一种方法。如图右侧的[数据详细信息]所示，一个转换漏斗分析可以获得很多信息。需要注意的是，漏斗分析没有很强的顺序。只要漏斗步骤中的行为在窗口期间完成，就可以在中间重复步骤中的行为或穿插步骤外的行为。例如，窗口期为1天，漏斗步骤为“A->B->C->D->E用户触发A->B，回到A，回到B或F，然后只记录A->B一次，如果F行为不在漏斗步骤中，则不参与统计。2.分析需要记录的数据同事件。3.计量方法/统计指标漏斗转化率、转化次数、转化次数；漏斗损失率、损失次数和未转化次数。4.分析视角1)单个漏斗分析提前设置漏斗步骤，漏斗步骤涉及多种行为，每种行为都会对转换产生重要影响，该方法是对转换事件进行有序的行为分层，我们可以从整体上观察漏斗数据变化，也可以分为单个或多个行为观察漏斗中的问题。2)对多个漏斗进行分析，可进行对比研究。如下图所示：一方面，我对漏斗步骤中的行为进行了更详细的细化，对行为进行了过滤，或增加了副级行为。例如：购买商品的转换漏斗“搜索”->浏览商品列表页面->点击商品->浏览商品详情页面->加入购物车->生成订单->支付订单->支付成功”可以过滤和增加搜索行为，过滤维度可以是“搜索多少次”，增加维度可以是“点击热搜索”、副级行为，如“搜索词推荐”。细分漏斗对比分析后，用户可以更准确地找到搜索需要多少次的产品，搜索词推荐是否有效？另一方面，可以通过事件分析、分层、分组和过滤进行比较和观察。5.应用场景漏斗分析是衡量流量转换和页面转换的高频数据分析方法。它可以帮助解决以下场景的问题：从产品的角度来看：核心转换行为的触摸是否科学合理，用户是否能有效地触发产品的核心功能。用户使用产品的核心功能是否简单快捷，从而提高转化效率？如果没有，那么卡在哪个环节，对这个环节进行深入分析。从用户的角度来看，获得转换周期等：在每个漏斗步骤中，既有用户进入下一步，也有用户在此步骤中丢失，从而更详细地分组用户，也获得忠实用户群和潜在用户群，为精细用户操作提供数据支持。顾名思义，05路径分析1.定义/概念路径分析是用户在产品上操作的过程，有些地方会使用“用户之旅”、用户路径用“用户动线”这个词来形容。这就像一种数字化的方式来跟踪和监控用户的所有行为，从而获得频繁的访问路径。与漏斗分析一样，目标是提高关键模块的转化率。因此，路径分析需要得出最短的路径，优化最低转换环节，跟踪主流路径。2.分析需要记录的数据同事件。3.计量方法/统计指标用户数：流失、转化、留存。*用户数量在路径上各个环节的变化。4.视角路径分析主要分为三类：转换漏斗、智能路径、用户路径。可用于构建新的漏斗分析，发现新的主流路径和转换漏斗。1)转换漏斗:属于预置用户路径分析。2）智能路径：设置目标行为（最终行为，例如，在用户购买商品时，目标行为是“成功支付订单”），然后发现许多路径可以到达目的地。3)用户路径：主要是为了完全再现用户的整个转换过程，具有监控和跟踪的意义。例如，在购买纸巾的过程中，用户可能首先搜索纸巾，然后查看产品列表页面，浏览产品详细信息页面，但突然有日用品活动广告，去日用品，可能感觉缺少牙刷，开始看牙刷，退出广告内容，发现产品推荐一条漂亮的裙子，突然觉得缺少一条，所以购物车可能有多个品牌的纸巾，牙刷，裙子，但最终可能只买纸巾，也可能全部付款成功。通过完全再现用户购买过程，可以验证广告的触摸效率、产品推荐算法的准确性、用户标签创建的合理性等。通过完全再现用户购买过程，可以验证广告的触摸效率、产品推荐算法的准确性、用户标签创建的合理性等。5.应用场景1）路径分析需要解决以下问题：Q1：用户从进入产品到离开的行为是什么？Q2：用户是否按照产品设计指导的路径前进？流失发生在哪些步骤上？Q3：离开预期路径后，用户的实际方向是什么？Q4：不同渠道带来的用户和不同特征的用户行为有什么区别？2)用户分组总结的多维度所有分析均可用于用户分组、用户标签。每一种分析都是对立统一的，看似目的不同，但又相互补充，使产品的生长得到全面的营养。用户网络行为数据越来越大，数据分析的目的是充分挖掘数据的价值。无论是一般的统计方法，还是机器学习等模型算法，都是为了《make senseof data》。最近刚看完这本书，特别喜欢里面的一句话：“The challengesofhandlingandmakingsenseofthisinformationaresignificant，becauseoftheincreasingvolumeofdata,thecomplexitythatarisesfromthediversetypesofinformationthatarecollected,andthereliabilityofthedatacollected”。在大数据时代，数据也像石油、煤矿一样