用戶研究的常用方法有：情境調查、用戶訪談、問卷調查、A/B測試、可用性測試與用戶行為分析。其中用戶行為分析是用戶研究的最有效方法之一。

1. 了解用戶行為分析

用戶行為分析是對用戶在產品上的產生的行為及行為背后的數據進行分析，通過構建用戶行為模型和用戶畫像，來改變產品決策，實現精細化運營，指導業務增長。

在產品運營過程中，對用戶行為的數據進行收集、存儲、跟蹤、分析與應用等，可以找到實現用戶自增長的病毒因素、群體特征與目標用戶。從而深度還原用戶使用場景、操作規律、訪問路徑及行為特點等。

2. 用戶行為分析目的

對于互聯網金融、新零售、供應鏈、在線教育、銀行、證券等行業的產品而言，以數據為驅動的用戶行為分析尤為重要。用戶行為分析的目的是：推動產品迭代、實現精準營銷，提供定制服務，驅動產品決策。主要體現在以下幾個方面：

• 對產品而言，幫助驗證產品的可行性，研究產品決策，清楚地了解用戶的行為習慣，并找出產品的缺陷，以便需求的迭代與優化。
• 對設計而言，幫助增加體驗的友好性，匹配用戶情感，細膩地貼合用戶的個性服務，并發現交互的不足，以便設計的完善與改進。
• 對運營而言，幫助裂變增長的有效性，實現精準營銷，全面地挖掘用戶的使用場景，并分析運營的問題，以便決策的轉變與調整。

3. 采集用戶行為數據

用戶行為數據其實有很大的商業價值，首先要明確數據的采集方式，以便更好的支持后續的數據分析。常用的數據采集方式有：平臺設置埋點和第三方統計工具。

平臺設置埋點是一種非常普遍的收集方式，即通過編寫代碼和日志布點的方式，來詳細描述事件和屬性的方式。以用戶登錄為例，用戶在APP上進行登錄時，相關操作都會被記錄下來，并以日志形式存儲在指定的服務器上。

第三方統計工具一般是通過SDK接入，我們只需根據指標去搭建分析模型。常見的第三方統計工具有：百度統計、CNZZ統計、GrowingIO、諸葛IO、神策IO、Google Analytics、Thinking Analytics、友盟、Mixpanel、Heap等。

4. 用戶行為分析指標

對用戶行為數據進行分析，關鍵是找到一個衡量數據的指標。根據用戶行為表現，可以細分多個指標，主要分為三類：黏性指標、活躍指標和產出指標。

• 粘性指標：主要關注用戶周期內持續訪問的情況，比如新用戶數與比例、活躍用戶數與比例、用戶轉化率、用戶留存率、用戶流失率、用戶訪問率。
• 活躍指標：主要考察的是用戶訪問的參與度，比如活躍用戶、新增用戶、回訪用戶、流失用戶、平均停留時長、使用頻率等。
• 產出指標：主要衡量用戶創造的直接價值輸出，比如頁面瀏覽數PV、獨立訪客數UV、點擊次數、消費頻次、消費金額等。

這些指標細分的目的是指導運營決策，即根據不同的指標去優化與調整運營策略。簡而言之，用戶行為分析指標細分的根本目的有：一是增加用戶的粘性，提升用戶的認知度；二是促進用戶的活躍，誘導用戶的參與度；三是提高用戶的價值，培養用戶的忠誠度。

5. 做好用戶行為分析

確定好用戶行為分析指標后，我們可以借助一些模型對用戶行為的數據進行定性和定量的分析。常用的分析模型有：行為事件分析、用戶留存分析、漏斗模型分析、行為路徑分析和福格模型分析。

行為事件分析

行為事件分析是根據運營關鍵指標對用戶特定事件進行分析。通過追蹤或記錄用戶行為事件，可以快速的了解到事件的趨勢走向和用戶的完成情況。

以用戶投標的行為事件為例，出借人在完成投標過程中，所進行的注冊、認證、開戶、充值、投資等行為，都可以定義為事件，也是完成投標成功的一個完整事件。

確定投標行為事件后，我們可以根據事件屬性細分維度：用戶來源、性別、出生年月、注冊時間、綁卡時間、首次充值時間、首次投資時間、標的ID，標名、期限、利率、還款方式等。然后從中找出符合指標的規律，并制定針對性的措施。

用戶留存分析

用戶留存分析是一種用來分析用戶參與情況與活躍程度的模型。通過留存量和留存率，可以了解用戶的留存和流失狀況。比如用次日留存、周留存、月留存等指標來衡量產品的人氣或粘度。

以渠道訪問的用戶留存為例，我們對APP端有過訪問行為的渠道用戶進行留存分析。從圖中可以看出8月14日~8月20日的次日留存率在41%以上，周留存率在22%以上。但在8月17日的次日留存率突然飆升到67%，一般是進行了活動策劃或功能優化才會留存率這么高。

用戶留存一般符合40-20-10法則，即新用戶的次日留存應該大于40%，周留存大于20%，月留存大于10%才符合業務標準。我們做用戶留存分析主要驗證是否達到既定的運營目標，進而影響下一步的產品決策。

漏斗模型分析

漏斗模型分析是用戶在使用產品過程中，描述各個階段中關鍵環節的用戶轉化和流失率情況。比如在日?；顒舆\營中，通過確定各個環節的流失率，分析用戶怎么流失、為什么流失、在哪里流失。找到需要改進的環節，要重點關注，并采取有效的措施來提升整體轉化率。

以邀請投資的漏斗模型為例，邀請人將活動專題頁分享給好友，之后進行的注冊、認證、開戶、充值到投資，用漏斗模型分析一些關鍵節點的轉化率。其中用戶注冊轉化率為68%，實名認證轉化率為45%，綁卡開戶轉化率為29%，線上充值轉化率為17%，投資標的轉化率為8%。

漏斗模型分析可以驗證整個流程的設計是否合理。經過對比發現，訪問到注冊的轉化率為68%，遠低于預期的80%。這次運營策略是用戶必須先注冊才能領取新手福利。之后采取A/B測試的方式，優化為先領取新手福利再誘導用戶注冊。經過數據對比分析，注冊轉化率提升了20%。因此，通過對各環節相關轉化率的比較，可以發現運營活動中哪些環節的轉化率沒有達到預期指標，從而發現問題所在，并找到優化方向。

行為路徑分析

行為路徑分析就是分析用戶在產品使用過程中的訪問路徑。通過對行為路徑的數據分析，可以發現用戶最常用的功能和使用路徑。并從頁面的多維度分析，追蹤用戶轉化路徑，提升產品用戶體驗。

不管是產品冷啟動，還是日?；顒訝I銷，做行為路徑分析首先要梳理用戶行為軌跡。用戶行為軌跡包括認知、熟悉、試用、使用到忠誠等。軌跡背后反映的是用戶特征，這些特征對產品運營有重要的參考價值。

以用戶投標的行為路徑為例，我們可以記錄用戶從注冊、認證、開戶、充值到投資的行為軌跡。通過分析用戶的這些行為軌跡數據，來驗證訪問路徑是否和預期指標的一致。

在分析用戶行為路徑時，我們會發現用戶實際的行為路徑與期望的行為路徑有一定的偏差。這個偏差就是產品可能存在的問題，需要及時對產品進行優化，找到縮短路徑的空間。

福格模型分析

福格行為模型是用來研究用戶行為原因的分析模型。福格行為模型用公式來簡化就是B=MAT，即B=MAT。B代表行為，M代表動機，A代表能力，T代表觸發。它認為要讓一個行為發生，必須同時具備三個元素：動機、能力和觸發器。因此可以借助福格行為模型來評估產品的合理性和能否達到預期目標。

以活動分享為例，投資人完成活動分享的行為，也是必須滿足福格行為模型的三個元素。即通過邀請有獎讓用戶有足夠的內驅力，自主性的分享活動給好友，且活動專題頁有醒目的按鈕和文案提示激勵用戶完成任務。

用戶行為分析模型其實也是一種AISAS模型，即代表了用戶從注冊、認證、開戶、充值到投資整個過程表現：Attention注意、Interest興趣、Search搜索、Action行動、Share分享，也影響了用戶行為決策。

用戶行為分析模型是一個完整的行為模型，可以對產品的功能進行驗證；也是一個閉環的分析體系，可以對數據的結果進行分析?？偠灾?，用戶的核心是洞察心理，行為的本質是挖掘需求，分析的目的是增長業務。