日常的用戶(hù)行為分析中，常用的六大分析方法有：
- 行為事件分析
- 頁(yè)面點(diǎn)擊分析
- 用戶(hù)行為路徑分析
- 用戶(hù)健康度分析
- 漏斗模型分析
- 用戶(hù)畫(huà)像分析
用戶(hù)分析能夠更好地了解用戶(hù)的行為習(xí)慣，發(fā)現(xiàn)產(chǎn)品在推廣、拉新、用戶(hù)留存、轉(zhuǎn)化等方面存在的問(wèn)題，有助于發(fā)掘高質(zhì)量的推廣拉新渠道、發(fā)現(xiàn)高轉(zhuǎn)化率的方法，使產(chǎn)品的營(yíng)銷(xiāo)更加精準(zhǔn)、有效。
行為事件分析
行為事件分析法主要用于研究某行為事件的發(fā)生對(duì)產(chǎn)品的影響及影響程度，一般來(lái)說(shuō)，事件通過(guò)埋點(diǎn)來(lái)獲取。
對(duì)于一具體的行為，首先要對(duì)其進(jìn)行定義，將人物（Who）、時(shí)間（When）、地點(diǎn)（Where）、交互（How）、交互內(nèi)容（What）進(jìn)行聚合，構(gòu)成一個(gè)完整的用戶(hù)行為事件。
- Who：事件的參與主體，如用戶(hù)id，設(shè)備id等；
- When：事件發(fā)生的時(shí)間；
- Where：事件發(fā)生的地點(diǎn)，如通過(guò)ip地址解析，GPS獲取；
- How：用戶(hù)從事行為的方式，如使用的設(shè)備、App版本、渠道等；
- What：用戶(hù)在事件中所做行為的具體內(nèi)容，如對(duì)于購(gòu)買(mǎi)行為事件，可能包含購(gòu)買(mǎi)商品名稱(chēng)、類(lèi)型、數(shù)量、金額、付款方式等。
定義完成后，需要進(jìn)行多維度的下鉆分析，進(jìn)行細(xì)分，確認(rèn)導(dǎo)致該行為的原因，針對(duì)存在的現(xiàn)象，找出產(chǎn)生這一現(xiàn)象的行為。如登錄頁(yè)面下，點(diǎn)擊登錄和跳過(guò)登錄的新用戶(hù)有什么行為差別。通過(guò)對(duì)用戶(hù)行為事件的定義，然后進(jìn)行多維度（如位置、事件、app版本等）拆分，找到原因。
頁(yè)面點(diǎn)擊分析
頁(yè)面點(diǎn)擊分析主要用于顯示頁(yè)面或頁(yè)面組（結(jié)構(gòu)相同的頁(yè)面，如商品詳情頁(yè)、官網(wǎng)首頁(yè)等）區(qū)域中不同元素點(diǎn)擊密度的圖示，如某元素（如按鈕）的點(diǎn)擊次數(shù)、占比、哪些用戶(hù)做了點(diǎn)擊行為等。
頁(yè)面點(diǎn)擊分析主要解決三種問(wèn)題：
- 精準(zhǔn)評(píng)估用戶(hù)與產(chǎn)品交互背后的深層關(guān)系；
- 實(shí)現(xiàn)產(chǎn)品的跳轉(zhuǎn)路徑分析，完成產(chǎn)品頁(yè)面之間深層次的關(guān)系需求挖掘；
- 與其他分析模型配合，全面視角探索數(shù)據(jù)價(jià)值，深度感知用戶(hù)體驗(yàn)，實(shí)現(xiàn)科學(xué)決策。
頁(yè)面點(diǎn)擊分析模型主要用于對(duì)官網(wǎng)首頁(yè)、活動(dòng)頁(yè)面、產(chǎn)品首頁(yè)或詳情頁(yè)等存在交互的頁(yè)面分析。通用的分析形式包括：可視化熱力圖（如下圖）和固定埋點(diǎn)。
可以通過(guò)用戶(hù)的頁(yè)面瀏覽次數(shù)、瀏覽人數(shù)、點(diǎn)擊次數(shù)、點(diǎn)擊人數(shù)、點(diǎn)擊人數(shù)/瀏覽人數(shù)、瀏覽時(shí)長(zhǎng)等來(lái)判斷用戶(hù)的瀏覽喜好，也可以通過(guò)用戶(hù)的瀏覽行為對(duì)用戶(hù)進(jìn)行分群，以便之后進(jìn)行針對(duì)性的分析與優(yōu)化。
用戶(hù)行為路徑分析
通過(guò)對(duì)用戶(hù)的行為路徑進(jìn)行分析，可以發(fā)現(xiàn)路徑中存在的問(wèn)題，如轉(zhuǎn)化率問(wèn)題，在發(fā)現(xiàn)具體問(wèn)題的基礎(chǔ)上，可以結(jié)合業(yè)務(wù)場(chǎng)景進(jìn)行相應(yīng)的優(yōu)化提高。
這其中可包含轉(zhuǎn)化漏斗和用戶(hù)路徑（行為軌跡）：
轉(zhuǎn)化漏斗是一種特殊的路徑分析情況，多針對(duì)少數(shù)人為特定模塊與事件節(jié)點(diǎn)進(jìn)行路徑分析，是預(yù)先設(shè)好的路徑，主要用于提升轉(zhuǎn)化效果。適用于對(duì)產(chǎn)品運(yùn)營(yíng)中關(guān)鍵環(huán)節(jié)進(jìn)行分析和監(jiān)控，發(fā)現(xiàn)其中的薄弱轉(zhuǎn)化環(huán)節(jié)，通過(guò)用戶(hù)引導(dǎo)或產(chǎn)品迭代進(jìn)行優(yōu)化，以此提高轉(zhuǎn)化效果。
用戶(hù)路徑不需要預(yù)先設(shè)置漏斗，而是計(jì)算用戶(hù)使用產(chǎn)品（app或網(wǎng)站）時(shí)的每個(gè)第一步，然后依次計(jì)算每一步的流向和轉(zhuǎn)化。通過(guò)數(shù)據(jù)再現(xiàn)用戶(hù)的整個(gè)行為軌跡。以此發(fā)現(xiàn)哪條路徑用戶(hù)訪問(wèn)最多，哪條路徑用戶(hù)容易流失。
用戶(hù)健康度分析
用戶(hù)健康度是基于用戶(hù)的行為數(shù)據(jù)進(jìn)行綜合考慮得到的核心指標(biāo)，用以體現(xiàn)產(chǎn)品的運(yùn)營(yíng)情況，為產(chǎn)品的發(fā)展進(jìn)行預(yù)警。包括：產(chǎn)品基礎(chǔ)指標(biāo)、流量質(zhì)量指標(biāo)和產(chǎn)品營(yíng)收指標(biāo)。
- 產(chǎn)品基礎(chǔ)指標(biāo)：用于評(píng)價(jià)產(chǎn)品本身運(yùn)行狀態(tài)，如uv，pv，dau，新用戶(hù)數(shù)等。
- 流量質(zhì)量指標(biāo)：用于評(píng)價(jià)用戶(hù)流量質(zhì)量的高低，如人均瀏覽時(shí)長(zhǎng)、人均瀏覽次數(shù)、留存率、跳出率、回訪率等。
- 產(chǎn)品營(yíng)收指標(biāo)：用于評(píng)價(jià)產(chǎn)品的盈利能力和可持續(xù)性，如用戶(hù)支付金額（GMV）、客單價(jià)（ARPU）、訂單轉(zhuǎn)化率等。
uv是用來(lái)衡量產(chǎn)品量級(jí)最重要的指標(biāo)；新用戶(hù)數(shù)不僅可以看出拉新的效果，也可以看到新用戶(hù)到老用戶(hù)的一個(gè)轉(zhuǎn)變過(guò)程。
跳出率是指瀏覽單頁(yè)即退出的次數(shù)/訪問(wèn)次數(shù)，可用來(lái)衡量用戶(hù)的訪問(wèn)質(zhì)量，跳出率高時(shí)可能表示內(nèi)容對(duì)用戶(hù)無(wú)吸引性；人均停留時(shí)長(zhǎng)能反映出產(chǎn)品對(duì)用戶(hù)的吸引程度；留存率能從側(cè)面反映一個(gè)渠道的質(zhì)量，如付費(fèi)、粘性，價(jià)值量，CAC成本等；用戶(hù)回訪率指用戶(hù)在使用某產(chǎn)品后的N天/周/月之后，再次使用該產(chǎn)品的比例。
用戶(hù)支付金額（產(chǎn)品某段時(shí)間的流水）、客單價(jià)（支付有效金額/支付用戶(hù)數(shù)）、訂單轉(zhuǎn)化率（有效訂單用戶(hù)數(shù)/uv）都與產(chǎn)品的營(yíng)收相關(guān)，產(chǎn)品營(yíng)收存在以下恒等式：
銷(xiāo)售額 = 訪客數(shù)*成交轉(zhuǎn)化率*客單價(jià)
銷(xiāo)售額= 曝光次數(shù)*點(diǎn)擊率*成交轉(zhuǎn)化率*客單價(jià)
漏斗模型分析
漏斗模型是一套流程式的數(shù)據(jù)分析模型，能夠反映出用戶(hù)行為狀態(tài)以及從開(kāi)始到最終各階段的轉(zhuǎn)化率及總體轉(zhuǎn)化率情況。最常用的兩個(gè)指標(biāo)為：轉(zhuǎn)化率和流失率。
舉個(gè)栗子：
上圖是共包括三步的注冊(cè)流程，整個(gè)注冊(cè)流程的總體轉(zhuǎn)化率為46.5%，即1000個(gè)訪問(wèn)了注冊(cè)頁(yè)的用戶(hù)中，有465個(gè)成功完成了注冊(cè)。關(guān)注到每一步的轉(zhuǎn)化率，發(fā)現(xiàn)第二步的轉(zhuǎn)化率為65.3%，明顯低于第一步的85.3%和第三步的83.5%，由此可推測(cè)，這一步驟可能存在問(wèn)題。可針對(duì)這一注冊(cè)步驟去發(fā)現(xiàn)問(wèn)題，再進(jìn)行轉(zhuǎn)化率的提高，以提高整體的轉(zhuǎn)化率。
經(jīng)典漏斗模型為AARRR，包括五個(gè)階段：獲客（Acquisition）、激活（Activation）、留存（Retention）、營(yíng)收（Revenue）、自傳播（Referral）。
AARRR模型是圍繞增長(zhǎng)建立的，主要關(guān)注拉新獲客。而當(dāng)今時(shí)代，對(duì)絕大多數(shù)產(chǎn)品而言，拉新成本劇增，dau流失率劇增，流量紅利時(shí)代一去不復(fù)返。因此，以拉新獲客為中心的增長(zhǎng)模式變得沒(méi)有意義，獲客不再是增長(zhǎng)的王道，或許可以說(shuō)已經(jīng)過(guò)時(shí)了。當(dāng)下流行的多為RARRA模型：留存（Retention）、激活（Activation）、自傳播（Referral）、營(yíng)收（Revenue）、獲客（Acquisition），即AARRR模型的優(yōu)化，此模型突出了用戶(hù)留存的重要性，通過(guò)用戶(hù)留存來(lái)關(guān)注增長(zhǎng)。
用戶(hù)畫(huà)像分析
用戶(hù)畫(huà)像是根據(jù)用戶(hù)特征、網(wǎng)絡(luò)瀏覽內(nèi)容、網(wǎng)絡(luò)社交活動(dòng)和消費(fèi)行為等信息抽象得到的一個(gè)標(biāo)簽化的用戶(hù)模型。通過(guò)對(duì)數(shù)據(jù)進(jìn)行挖掘和分析，給用戶(hù)“貼標(biāo)簽”，“標(biāo)簽”用來(lái)表示用戶(hù)某一維度特征的標(biāo)識(shí)，可用于業(yè)務(wù)運(yùn)營(yíng)和數(shù)據(jù)分析。
用戶(hù)畫(huà)像的主要內(nèi)容可包含：性別、年齡、職業(yè)、位置（城市、居住區(qū)域）、興趣愛(ài)好（購(gòu)買(mǎi)、訂閱、閱讀等）、設(shè)備屬性（Android/ target=_blank class=infotextkey>安卓、IOS）、行為數(shù)據(jù)（瀏覽時(shí)長(zhǎng)、路徑、點(diǎn)贊、收藏、評(píng)論、活躍度）、社交方式等等。不同的行業(yè)和產(chǎn)品對(duì)用戶(hù)的特征關(guān)注點(diǎn)不一樣，一般都具有自己的用戶(hù)標(biāo)簽體系。
好了，就分享這么多啦，更多數(shù)據(jù)分析相關(guān)內(nèi)容關(guān)注我，我會(huì)定期分享精彩干貨內(nèi)容！
