導讀：企業的精細化運營、數據驅動都是基于大數據分析來進行的。

在大數據分析中，對用戶行為進行分析挖掘又是一個重要的方向，通過對用戶行為進行分析，企業可以了解用戶從哪里來，進入平臺后進行了哪些操作，什么情況下進行了下單付款，用戶的留存、分布情況是怎樣的等。

在這些數據的指導下可以不斷優化產品設計、運營模式從而促進轉化率的提高和營收的增長。

基于用戶行為分析的常見場景包括事件分析、留存分析、分布分析、轉化分析、行為路徑分析等幾個模塊。下面就這幾個模塊進行詳細介紹。

01 事件分析

事件分析的應用場景非常廣泛，通俗來講事件是指“一個用戶在某個時間、某個地點、進行了某些行為操作”。

其中用戶可以包括登錄設備用戶userid，也可以指未登錄用戶cookie；時間指事件發生的實際時間；地點指事件發生地，可以通過解析日志記錄中的ip來獲取事件發生地；行為操作指事件本身，一般互聯網產品產品通過埋點等方式來捕獲用戶的行為。

相比傳統的寫SQL跑數的分析方式，事件分析功能有著及時查詢結果、可視化展現、可對不同事件不同用戶屬性進行自由組合篩選分析等方面的優勢。

• 事件分析場景案例

用戶進入平臺后一般會經過登錄、瀏覽、搜索、加購、付費等環節，最后進行付款。這里對瀏覽商品頁、加購和支付訂單三個行為事件進行分析，可以看到每個事件的觸發人數及轉換情況。

02 留存分析

留存分析用來衡量用戶的參與情況與活躍程度，分析在觸發初始事件的用戶中有多少用戶還有后續的回訪行為，該部分回訪的用戶占初始用戶的比例。在產品使用上可以通過定義初始事件和回訪行為事件，計算出用戶的留存率，可按日、按周、按月來查看留存情況。

留存率是判斷產品價值的一個重要參考指標，可以分析出由初始的新人用戶轉化為活躍用戶、忠誠用戶、高價值用戶的好壞情況。

• 留存分析場景案例

公司產品上線某一新功能模塊，運營分析人員想看用戶的留存情況如何，可設定初始事件“訪問過該功能的任意版塊”，及后續事件“訪問過該功能的任意版塊”，來分析瀏覽過該功能的用戶后續7日、14日或30日后的回訪情況。

例如下圖中可以看出用戶的回訪率很低，次日留存和7日留存都在2%左右，也可以判斷出留存下的用戶都是對該功能感興趣的用戶。

03 分布分析

分布分析法根據用戶行為維度指標，將用戶進行區間分類統計數量，進而得到用戶在各功能模塊粘性的分布情況。從分析維度來看主要包括按行為次數的分布分析，以及按行為時間的分布分析，通過直方圖或折線圖的形式展現分析結果。

對用戶行為事件的分析不僅有統計數量這種觀察指標，還可以對該事件在不同維度中的分布來觀察，從而了解該行為事件的更多維度信息。

• 分布分析場景案例

運營分析人員從平臺上篩選出一批高活躍用戶，對這批用戶的“加入購物車”行為事件的分布情況進行分析，從下圖中可以看出大部分用戶加購次數在1-3次，僅有少量的用戶加購5-10次。如果進一步深挖的話，可以把這些加購了5-10次的用戶單獨拎出來進行定向營銷，通過發放紅包、優惠券等方式促進下單。

如果對用戶的訪問時間段進行分布分析，可以了解用戶集中活躍的時間，進一步可以在用戶活躍的時間段內對其進行主動觸達營銷方面的操作。

04 轉化漏斗分析

轉化漏斗分析適用于對產品中的關鍵環節進行監控分析，通過自主定義漏斗步驟，對比分析關鍵步驟之間的轉化情況，找到薄弱環節，進而優化產品交互設計或改進運營策略，最終達到提升轉化、減少流失的目的。

例如常見的搜索轉化漏斗分析、購買產品轉化漏斗分析：

• 轉化漏斗分析場景案例

為分析業務流程的關鍵節點事件轉化效果，例如電商行業，可對啟動APP、瀏覽頁面、瀏覽商品詳情頁、加入購物車、提交訂單幾個節點進行具體分析。

發現問題的過程往往需要對變量進行多次拆分，可以進一步在每個節點設置事件的屬性篩選維度（包括省份/城市/頁面URL/設備型號等），完成多重維度的交叉分析。

例如針對從瀏覽頁面—>商品詳情頁—>加入購物車—>提交訂單—>支付成功，這一轉化路徑可以根據手機型號iOS和Android分別創建兩個轉化漏斗來對比不同手機型號間的轉化情況。

根據業務場景需要，設定1-7天的轉化有效期，如果轉化事件超過該有效期的，為無效轉化。最后根據設定的條件查看各節點間的轉化情況。

從生成的圖表可以看出從啟動到瀏覽頁面這一步的流失較少，視為轉化率100%；從瀏覽頁面到瀏覽商品詳情頁的轉化為60.9%，流失嚴重?？赡苷故驹诹斜眄摰纳唐窙]能吸引用戶的興趣或進入詳情頁的步驟繁瑣；進一步到加入購物車的轉化率為65.53%。

05 行為路徑分析

用戶行為路徑分析主要用于分析用戶在產品使用過程中的路徑，還原用戶真實行為軌跡。

通過路徑分析模型，可以掌握每一關鍵節點前后的流入、流向，以方便優化節點交互或流程，從而提升產品轉化效率。

路徑分析有以下常見的應用場景：

1. 分析用戶初始行為事件的后續流量走向；
2. 分析結束事件的流量來源；
3. 詳細查看某個節點前后流量流入流出和流失的情況。

例如下圖是分析加入購物車前后的流量來源及去向情況：

從圖中可以看出，加入購物車的流量主要是從商品詳情頁而來，加入購物車后有將近50%的用戶選擇提交訂單，有40%的用戶選擇繼續瀏覽頁面，還有10%的用戶流向了登錄、注冊、瀏覽商品詳情頁等模塊。

06 session分析

用戶進入電商類網站或APP的一個典型流程包括，進入首頁后搜索關鍵詞、點擊商品板塊或點擊推薦商品進入詳情頁，在詳情頁瀏覽點擊加購后退出該頁面搜索其它商品繼續瀏覽，最后進入訂單頁進行支付，或瀏覽途中退出APP。這系列行為就是用戶的行為軌跡，對于用戶這樣的連續訪問會話，我們稱為session。

Session中記錄了用戶在什么時間點、通過什么樣的行為、瀏覽了什么頁面/商品。

一般session的切割為固定時長，如定義APP端session的切割時長為5分鐘時，即用戶每次訪問行為如果距離上一次訪問行為在5分鐘之內，則記為同一次訪問，如果距離上次訪問大于5分鐘則記為兩次不同的訪問。通過session_id可用來標識用戶的訪問，同一次連續訪問的session_id相同，否則不同。

基于session對用戶進行分析具有非常重要的作用，可以從用戶的訪問來源、訪問著陸頁、退出頁、訪問次數、訪問路徑、訪問商品品類等多個維度分析用戶特征。

例如可以通過每天的session訪問次數及人均訪問次數，分析產品對用戶的粘性：

上面介紹了6種常見的用戶行為分析工具，用戶行為平臺的目的是通過分析進而優化產品、提升用戶體驗及GMV，而不僅僅作為一個工具停留在分析層面。

關于作者：趙宏田，資深大數據技術專家，先后在中國地質大學（武漢）和武漢大學獲得工學和經濟學雙學士學位。在大數據、數據分析和數據化運營領域有多年的實踐經驗，擅長Hadoop、Spark等大數據技術，以及業務數據分析、數據倉庫開發、爬蟲、用戶畫像系統搭建等。

延伸閱讀《用戶畫像：方法論與工程化解決方案》

推薦語：資深大數據專家多個億級規模用戶畫像系統的經驗總結，技術、產品、運營3個維度講解從0到1構建用戶畫像系統的技術和方法論。