开启精益成长

2021年，私域运营成为各行各业的必做之事，用户行为分析也越来越受到重视，其理论和工具的发展日渐成熟。

用户行为分析的重要之处，是提供数据结论，帮助我们了解在当前场景下优化运营策略解决我们在业务上遇到的具体问题。

本文将分享用户行为分析的全景，从采集到分析帮助你理解其逻辑与思路，希望对你的运营工作有一定的启发和帮助。

2015年开始，传统的线下行业纷纷进行线上转型。在转型的过程中，形成用户行为从线下向线上迁移的大趋势。

用户行为分析越来越受到关注，其重要性也在今天的行业实践中得到了凸显，原因主要有两点：

• 行业转型线上后，用户产生的行为数据相比之前的线下数据，维度更多、更具有丰富性。

• 线上的数据从采集、获取到分析，能够进行实时的处理。

这就赋予了企业及时优化运营策略的可能。例如，客户要做购物节的促销活动，活动开始后，数据化工具实时跟踪活动投放之后的落地页，抓取用户访问数据。根据获得的数据，就可以在活动开始后半小时内就调整策略。再去观察用户的反馈，如果效果不佳，还可以进一步调整。

用户行为分析是对用户在产品或触点上产生的行为及行为背后的数据进行分析，通过构建用户行为数据分析体系和用户画像，来改变产品、营销、运营决策，实现精细化运营，指导业务增长。

用户行为的数据的来源，可以分为线上触点和线下触点两部分。线上触点主要有APP、H5、Web、小程序、企业微信、电商平台等；线下触点包括门店动线、400（客服电话）、可穿戴设备等。

在数据归属上，我们将用户行为数据分为一方数据、二方数据、三方数据。

• 一方数据：即客户自身的行为和经营活动所产生的数据。例如，因访问或点击自建APP、小程序而产生的用户行为数据。

• 二方数据：一般指通过客户的经营活动或营销活动附带产生的数据。在广告投放领域比较典型，客户投放广告后，会在广告媒介上额外产生用户设备等数据。

• 三方数据：一般指和客户的实际经营没有关系，通过外部采买等方式，合法公开地获得用户或潜在访客的相关数据。

从数据价值上看：一方数据的价值最大，二方数据其次，三方数据最小。因为一方数据从客户自身的触点或平台上产生，与客户的业务联系最直接、亲密。

用户行为数据的采集方式也非常重要，因为高效的数据采集是做好分析的前提和基础。用户行为数据采集可以分为三类，客户端SDK(注：Software Development Kit，软件开发工具包)、服务端SDK及工具导入。

目前，针对客户端有各种各样支持的SDK。无论是易观数科或是国内外功能相似的产品，基本的方式都是通过SDK采集用户在平台的行为数据。如，使用SDK在IOS、安卓、H5小程序、支付宝小程序等用户触点上进行数据采集。

服务端SDK的数据采集，是在后端的服务器中完成的，不会在APP上被用户直观地感受到。例如，用户在APP上点击了加入购物车的按钮，这个行为背后会有用户加购商品的价格、库存状态、甚至是商品在调仓过程中动态库存等相关数据产生。

通过服务端SDK的采集，可以丰富数据的范围和维度，得出更理想的分析结果。

很多零售的客户，不止使用自身的小程序作为用户触点，还使用第三方的电商平台。

出于数据安全性上的考虑，抖音电商、淘宝、京东等大平台都将数据做得越来越封闭。以往通过API（注：Application Programming Interface，应用程序接口）的形式把数据同步到客户自身服务器上的做法，如今很难行得通。

目前第三方电商平台的数据，很难通过正规的服务商去做同步，直接导致了融合电商平台数据的门槛越来越高。

用户行为分析的核心对象是用户。其跟BI分析的最大区别在于，BI分析还包括财务分析、库存分析、互动量分析、人力分析等。因此BI分析的对象可以是商品、财务表，也可以是供应链。

但用户行为分析聚焦于用户，主要回答在实际的经营过程当中，某一业务场景下发生了怎样的用户事件。用户事件包括了五个基本的元素：谁（Who）、在什么地方（Where）、在什么时候（When）、发生了什么(What)、怎么发生的（How）。

用户行为数据分成两部分：数据的生产和数据的消费。

其中，数据的生产在用户触点上发生，会产生各种各样的用户行为数据。客户要通过合适的工具加上合理的方法把数据消费掉，从而得到一定的数据结论。

某个用户加上地点、时间、事情和方式，就构成了一个用户事件。例如，张三在 2021 年 5 月 1 日 20:00:00，在京东 APP，iPhone 12 商品详情页点击了加入购物车按钮。这就构成了对用户行为的描述，其中的张三就是分析对象。

用户在日常场景中的操作，能够抽象成数据的维度和指标。通过一个小事件，可以采集用户的ID以及所对应的基本属性。比如，加购商品的名称、价格数量，等事件属性。

总结一下，采集上来的数据范围就是：

• 用户及用户属性：用户 ID+用户基本属性+用户标签

• 事件及事件属性：加入购物车事件+购物车商品名称、价格、数量

通过数据的采集，就能够做用户相关的分析，其中最核心的是用户属性。

用户属性可以形成用户画像，对用户画像的描述越精确，越有利于运营中制定针对性的策略或营销活动。用户画像的精确性取决于采集到的用户行为的数据质量。

不同的行业，画像体系各不相同，以我们为金融行业的用户基础画像为例。

这个画像的体系包括了用户的基本属性、关联关系、兴趣偏好、客户价值、舆论评价等，其中的一些属性与用户行为紧密相关，另一些则是用户的自然属性，包括姓名、性别、住址等。

用户画像会随着数据的收集不断优化，比如，用户偏好会随对用户行为分析的不断深入，而进行动态的调整。

下面将从渠道分析、转化分析、路径分析、留存分析四个方面，简单介绍一下用户行为分析的基本思路。

首先，我们需要对渠道的拉新能力和获客质量进行评估。

评估可能包含下面一系列问题：哪个渠道带来的新增用户更多？哪个渠道的虚假流量占比更少？哪个渠道的高价值用户更多？哪个渠道的转化效果更好？

为了得到这些问题的答案，我们要做事件分析或渠道分析。第一步，需要定义分析的对象，比如评估渠道拉新能力时，我们的分析对象就是新用户。第二步，我们会分析拉新渠道的获客量，及用户后续的转化情况与价值情况。

结合对获客渠道的分析，可以尝试寻找ROI更高的渠道组合，并且合理地分配预算。

用户触达后的理想路径，是通过营销活动到达落地页，再到具体的商品详情页，最终完成购买行为。如果落地页跳出率90%，产品做得再好也是事倍功半！

在设计好的路径中间，存在着用户流失的情况。这就需要进行用户行为分析，去解决用户在哪个环节流失的问题。用户流失率最高的环节，就是我们优化的重点。关键环节的策略改进，对于整体的用户转化和业务收入的帮助非常可观。

转化分析中，时常借助漏斗分析模型，将用户的访问路径编号，如1、2、3、4、5等多个步骤，去看每一步的用户转化情况，用转化漏斗快速找到转化瓶颈，通过维度的细分拆解用户流失。

通过漏斗分析，我们得到了导致用户流失的事件，进而找到问题的根源。这些都可以帮助我们改进产品设计和用户体验，甚至促进业务流程的重构。

用户路径分析即使用智能路径，跟踪用户从转化流程的开始到最终实现转化目标，经过了哪些关键节点。观察在节点之间的用户流转，从中发现一些问题。

例如，现有用户群A和B，两个用户分群的价值不同。低价值用户群产生的原因是多样的，可能是用户群自身的消费能力不足，也可能是因为产品的设计不佳，给这部分用户的转化造成了阻碍。

用户在APP中的实际路径，与我们预设的转化路径时常存在差异。线上的用户路径分析其实与线下的动线分析类似，关键的数据是用户访问了哪些页面，在哪些环节中离开了转化流程。

这时候我们会根据需要，做针对性的优化，比如在关键的页面定向推送促销信息，减少流失 。

用户行为分析中，最重要指标就是用户的留存率。只有留存的用户，才会有不断产生业务贡献的可能。

因此，我们需要进行用户的留存分析，通过新用户的七日留存、三十日留存、复购等指标，判断其留存情况。

但是，对于用户留存分析来说，只有这些指标是远远不够的，还需要看用户的关键行为。因为很多时候，用户产生了购买行为只是一个结果，需要分析过程中的行为，了解用户成单背后的逻辑。

比如，经常点击促销类的活动页面与点击满减类活动页面的用户，哪一类的购买力比较高，通过这样的分析，我们能更好地掌握高价值用户的真实需求。

探究和分析用户行为过程和最终的结果之间的逻辑关系，有助于了解如何影响用户行为，并最终达到业务转化的目标。

这里以易观数科的某智能硬件（豆浆机）客户为例。通过IOT SDK+服务端SDK+线下数据导入，打通用户唯一标识，帮助客户实现全景数据智能运营。

该品牌胶囊豆浆机是正在线下向线上转型的客户。胶囊豆浆机的用户行为数据来源于两部分，线上的数据来源于该品牌的APP、小程序等，线下的则来自胶囊豆浆机产品所采集的数据。

我们对线上和线下两个场景的用户行为数据进行整合，通过数据有效地评估该品牌胶囊豆浆机的用户行为，找到用户使用豆浆机时消耗胶囊的习惯，进而帮助客户寻找胶囊需求涌现的时间节点，推荐客户进行促销和优惠等营销活动的设计与执行。

用户行为分析的最终目标是创建不同的用户分群，把具有相同特征的一类用户归到一起。再针对这一类用户，发现他们的问题，做出具有针对性的营销策略或运营策略，并让设计好的策略执行、落地。这就是用户行为分析完整的业务流程。

在易观方舟Demo中，提供了多种分析方法及模型，根据不同的行业用户分群的需要，提供了多样化的模板。针对用户行为分析，在产品中预置了事件分析、渠道分析、热图分析、漏斗分析、归因分析等12大分析模型。欢迎大家前来体验。