用戶訪問行為分析

1. Session用戶行為分析

什麼是Session?

如果把產品看成大賣場，那麼互聯網用戶的行為就如同在大賣場掃貨的顧客。對賣場來說，顧客從進入商場到離開商場，中間一系列行為購成了一次來訪。

同樣，對產品來說，用戶進入產品到離開產品的一系列行為，就是一次訪問。稱之為 Session或Visit。

從技術上來說，Session是伺服器為了保存用戶狀態而創建的一個特殊的對象。

用戶用瀏覽器第一次訪問產品運行的伺服器時，伺服器創建一個session對象(該

對象有一個唯一的id,一般稱之為sessionId),伺服器將sessionId以cookie的方式發送給瀏覽器。

用戶再次用瀏覽器訪問伺服器時，同樣會將sessionId發送過來，伺服器依據sessionId就可以找到對應的session對象。

用戶一系列行為中的每一個行為都最具備5大要素，用來描述用戶的一個行為，即：在什麼時間什麼地點幹了什麼事，而5大要素構成了4W1H模型：

lWho：誰

lWhen：時間

lWhere：地點

lHow：如何

lWhat：具體事件

用4W1H模型對行為進行記錄，產品就可以知道用戶在產品里都做了什麼，如：用戶什麼時間進入，什麼時間買了東西等等。

用戶session基礎數據

使用session分析用戶行為，需要先獲取基於的底層的session基礎數據。以下是兩個基礎信息表，記錄了用戶基礎行為數據記錄欄位及其含義。

l用戶行為數據：表示用戶的行為信息

l用戶信息

用戶行為分析模塊常見需求

Session的5大要素是用戶行為分析的基礎數據。在這些數據之上，在用戶行為分析模塊中，常見的用戶行為分析需求包括：

一、能夠按條件篩選出有指定行為特點的用戶session

功能說明：

即在所有用戶session中找出具備特定行為的用戶session，能夠按條件進行用戶session記錄的篩選，特定行為包括：

l搜索過某些關鍵詞的用戶

l訪問時間在某個時間段內的用戶

l年齡在某個范圍內的用戶

l職業在某個范圍內的用戶

l在某個城市的用戶

功能特點：

這個功能比較靈活，操作者可以對感興趣的用戶群篩選後再進行其它業務邏輯的統計和分析，針對特殊人群形成結果數據，即對特定用戶群進行分析；

如某個企業高層，想看本公司員工群體中，28~35歲、老師崗位的群體特徵，再對這部分員工進行統計、分析形成結論，輔助高管進行公司戰略決策制定。

技術實現：

技術實現時會遇到的問題包括：

1.按條件篩選session，篩選粒度不同

如搜索詞、訪問時間，這些有session粒度還有action粒度的；有時還要針對用戶的基礎信息進行篩選，如：年齡、性別、職業，篩選粒度不統一。

2．用戶訪問數據量每天至少5億以上，10億左右，進行session條件篩選時，不旦必須對不同顆粒度sessinon數據進行掃描，而且還要全量掃描。

user_visit_action是記錄用戶訪問數據量的表，一行代表了一個用戶行為。如：點擊、搜索等

國內大的電商平台，如果每天活躍用戶數量在千萬級別。user_visit_action表每天的數據量至少在5億以上，10億左右。

對於存在的問題，技術實現時需要對原始數據進行聚合，即session粒度的聚合。

粒度的聚合是指用最基本的篩選條件，如：時間范圍，提取數據，再按照session_id欄位進行聚合，聚合後的記錄是一個用戶在指定時間內的訪問的記錄。如：

搜索過的所有的關鍵詞

點擊過的所有的品類id

Session中用userid關聯用戶基礎信息，聚合後按照用戶指定的篩選條件進行篩選，選出符合條件session粒度的數據就是需要的session了。

二、統計出符合條件的session中，指定訪問時長的session佔比；指定訪問步長的session佔比

session訪問時長是一個session開始action到結束action間的時間范圍；

訪問步長是一個session執行期間依次點擊過多少個頁面。如：一次session持續1分鍾，訪問時長為1m。1分鍾內點擊了10個頁面，則session訪問步長為10。

常見指定訪問時長包括：1s3s、4s6s、7s9s、10s30s、30s60s、1m3m、3m10m、10m30m、30m

常見指定訪問步長包括：13、46、79、1030、30~60、60

 

統計出符合條件的session中，指定訪問時長的session佔比是指：

首先篩選出符合條件的session，如：數量有1000萬條。

接下來計算出訪問時長為：1s3s的session的數量，再除以符合條件的總session量（1000萬），如：100萬/1000萬，由此算出1s3s內的session佔比為10%。

功能的作用在於從全局角度了解符合某些指定條件的用戶群體使用產品的習慣。如：

大多數人在產品停留多長時間

大多數人在一次使用產品時訪問多少頁面

三、在符合條件的session中按時間比例隨機抽取指定數量session

為了保證樣本的隨機性，按時間比例隨機抽取session是指：

如果12:00~13:00的session數量是100萬，這一小時的session佔比為1/10，需要抽取1/10 * 1000 = 100個session。

功能作用在於對符合條件的session，按照時間比例均勻隨機采樣指定數量session，觀察其具體點擊流/行為，如：

進入首頁-點擊食品品類-點擊雨潤火腿腸商品-搜索火腿腸罐頭關鍵詞-下單王中王火腿腸-支付訂單

四、在符合條件的session中獲取下單和支付數量排名前10的商品品類

每個session可能會對某些品類商品進行點擊下單、支付等行為。需要獲取這些重要的session點擊（如下單、支付動作），並按不同商品的重要行為觸發數量進行排名，如：排名前10的最熱門品類。

這個功能功能的實現：

1.首先需要計算出所有session對各品類下單、支付等的觸發次數，統計指標主要有3個，即每個品類的點擊、下單和支付的數量。

2.然後分別按照3個指標 「點擊、下單、支付」 數量依次排序：先比較點擊數量，如相比較下單數，如還相同，比較支付數。

3.最後按照不同屬性進行排序後獲取前10名品類。

這個功能作用是了解符合條件的用戶最感興趣什麼類型的商品。讓產品團隊清晰了解不同層次、不同類型用戶的心理、喜好。

五、對排名前10的品類分別獲取點擊數排名前10的session

針對排名top10的品類，每個品類都獲取其點擊次數排名前10的session。

這個功能作用在於了解某個用戶群體最感興趣品類，各品類的典型用戶的session行為。

功能實現需要對排名前10的品類數據集按照品類id進行分組，然後算出每組點擊數量排名前10的session。

主要行為指標

Session 統計分析構成的主要用戶行為指標包括：

l平均使用時長

平均訪問時長指在一定統計時間內，瀏覽網站的一個頁面或整個網站時用戶所逗留的總時間與該頁面或整個網站的訪問次數的比。

指標解讀：

平均訪問時長越久， 說明產品越有吸引力。

如果用戶停留平均時間非常低，可能存在內容不吸引人或界面優化較差的問題。

l平均交互深度

平均交互深度和平均訪問深度定義有差別但意義相似，都是衡量產品質量的重要指標。

指標解讀：

幫助企業了解產品頁面內容的價值，功能是否滿足用戶需求，指標具體意義需要依照業務判斷。

l跳出率

指在只訪問了入口頁面（例如產品首頁）就離開的訪問量與所產生總訪問量的百分比。跳出率計算公式：

跳出率=訪問一個頁面後離開網站的次數/總訪問次數

指標解讀：

觀察關鍵詞跳出率可以知道產品內容對用戶的吸引力，產品內容是否能夠對用戶有所幫助，留住用戶也可以在跳出率中看出。

跳出率是衡量網站內容質量的重要標准。

lSession渠道轉化分析

營銷推廣中典型需求是需要知道不同渠道帶來的注冊、購買等轉化情況，這個需求本質上是界定 Session，然後按渠道屬性查看注冊、購買等事件的轉化數量。

l用戶路徑

了解用戶在業務流程中的行為路徑，有助於找到用戶流失環節，優化營銷推廣效果，產品經理通過驗證用戶行為與初步設想，完善功能，優化用戶體驗。

使用用戶路徑分析，設定起始事件與 Session 切割時間，可以觀察一個 Session 內用戶的行為流。

Session 分析是用戶行為分析的重要方法，既可以了解流失用戶，也可以了解活躍用戶的使用習慣，增進產品用戶體驗設計。

2. 如何利用用戶行為分析數據

關於用戶行為分析的意義以及在什麼樣的環境中使用這些數據，許多運營表示收獲頗豐，但是對於一些具體的操作和運營方法也有一些不是太清楚，希望我們能夠針對這方面進行一下知識的講解，所以我們今天就請北大青鳥http://www.kmbdqn.cn/的老師來給大家介紹一下，如何進行用戶行為分析的數據使用。

有了用戶的行為數據以後，我們有哪些應用場景呢?

拉新，也就是獲取新用戶。

轉化，比如電商特別注重訂單轉化率。

促活，如何讓用戶經常使用我們的產品。

留存，提前發現可能流失用戶，降低流失率。

變現，發現高價值用戶，提高銷售效率。

(一)拉新

特別注重是哪個搜索引擎、哪個關鍵詞帶來的流量;關鍵詞是付費還是免費的。從谷歌那邊搜素引擎詞帶來了很多流量，但是這些流量是否在上成單，所以這個數據還要跟eBay本身數據結合、然後再做渠道分配，到底成單的是哪個渠道。整個數據鏈要從頭到尾打通，需要把兩邊的數據整合之後才能做到。

(二)轉化

以注冊轉化漏斗為例，第一步我們知道網頁上有哪些注冊入口，很多網站的注冊入口不只一個，需要定義每個事件;我們還想知道下一步多少人、多少百分比的人點擊了注冊按鈕、多少人打開了驗證頁;多少人登錄了，多少人完成了整個完整的注冊。

期間每一步都會有用戶流失，漏斗做完後，我們就可以直觀看到，每個環節的流失率。

(三)促活

還有一個是用戶使用產品的流暢度。我們可以分析具體用戶行為，比如訪問時長，在那個頁面上停留時間特別長，尤其在APP上會特別明顯。再有是完善用戶畫像，拿用戶行為分析做用戶畫像是比較準的。

3. 用戶行為分析及實戰項目python

用戶行為分析是對用戶在產品上產生的行為以及行為背後數據進行一系列分析，通過構建行為模型和用戶畫像，支持產品決策，精細化運營，實現增長。

對於產品而言，用戶行為分析可以驗證產品可行性，找到產品缺陷，以便需求迭代；
對於設計而言，用戶行為分析可以幫助提高產品體驗，發現交互不足，以便設計優化；
對於運營而言，用戶行為分析可以實現精準營銷，挖掘使用場景分析用戶數據，以便運營決策調整；

一般包括設備id，時間，行為類型，渠道等

（1）粘性指標-表現用戶-提高認知度A激活：關注周期內持續訪問，比如：留存率、流失率、新用戶佔比、用戶轉化率等；

（2）活躍指標-表現行為-誘導參與留存：用戶參與度，比如：活躍、新增、流失、平均訪問時長、使用頻率等；

（3）產出指標-分析出-培養忠誠度R變現：用戶價值輸出，比如：消費金額、頁面UV、消費頻次等；

（1）行為事件分析：根據關鍵指標對用戶行為進行分析，比如：注冊、登錄、搜索流量商品、加入購物車、提交訂單、付款、評價一系列屬於電商完整事件。在根據用戶細分維度，用戶渠道、注冊時間、訂單頻率、新老客等維度找到規律，制定方案。

（2）用戶留存分析：分析用戶產品參與度的指標，一般遵循40-20-10法則，即日留存大於40%周留存大於20%月留存大於10%。

（3）漏斗分析：描述用戶使用產品時關鍵環節轉化率情況，能夠驗證設計是否合理。分析用戶在哪個環節流失，為什麼流失，如何降低流失提高轉化率。

（4）用戶路徑分析：用戶在使用產品過程中的訪問路徑。首先要梳理用戶行為軌跡，認知-熟悉-試用-使用-忠誠。軌跡背後反應的是用戶特徵，這些特徵對產品運營有重要參考價值。當發現偏差時，可能就是產品的缺陷。

（5）福格模型：用來研究用戶行為原因的模型。B行動=M動機A能力T觸發器。以分享為例，動機-該分享對分享者和被分享者有什麼好處，能力-分享路徑實現是否有難度，觸發器-分享按鈕是否醒目，用戶是否意識到這個分享帶來的好處。

已知數據集中包括用戶ID、商品ID、商品類目ID、行為類型和時間戳，其中行為包括點擊、購買、加購、喜歡。
（1）用戶活躍指標
（2）用戶粘性指標
（3）用戶行為分析

能明顯看出12月2日周六的PV突增，但是11月25日和26日同為周末，PV量級卻沒有那麼大，需要繼續查看數據，有可能是異常情況。

與PV情況相似，但是UV增加不一定就是PV增加的原因，還有可能是某些用戶訪問次數增加導致PV增加或統計問題，因此需要看一下人均訪問次數確定。

人均訪問次數接近，由此可知PV的增加就是新訪客帶來的。由於雙12屬於年底大促，因此12月2日訪問量突增的原因可能與商家開始進行促銷和宣傳有關系。

人均消費頻次2.8次

可以看出主要活躍集中在10-23點，從晚上7時開始至10時用戶訪問處於最佳活躍狀態，21時是一天中活躍最高點。

收藏、加入購物車、購買與pv的趨勢相似。

10時附近付費率最高，因此應該保持10時的運營活動加大21時的活動力度。

由圖可知，前7個商品類目屬於高銷量，與第8個類目銷量差異較大。

商品類目為『4159072』付費率最高

進一步探索與它同銷量的』1320293『付費率卻極低，發現1320293的訪問量很高但是購買平淡無奇，而4159072雖然訪問量低但是每十個人訪問就有一人付費。可以 深入研究一下它是否有什麼特殊性或者高效運營手段，詳情頁如何展示介紹商品，文案如何設計等，找出規律應用到其他商品上面，提高付費率 或者 從渠道的角度分析是否前者渠道目標用戶不如後者精準 。

有過銷量的類目共3666個，以銷量由大到小排序占總銷量的80%為止，有628個商品類目。因此可以說著628個商品類目占總銷量的80%，奇妙的28定律！

前面平均消費頻次為2.8，銷量top20中，『2885642』『4756105』『4159072』這三個類目消費頻次與銷量差距懸殊，可以根據商品性質分析如何提高用戶消費頻次，同時可以參考其他消費頻次較高商品如『982926』的運營手段等。

普遍說明每發生1.4次收藏就有1次購買行為。

可以分析出幾個商品每收藏4-5次才會購買一次，考慮是否對這類商品進行個性化召回，比如定向推送詢問用戶收藏的該商品最近有優惠券是否前來購買等。

與區分商品類目的分析相似，這里指針對有異常商品類目下的商品名稱進行分析

從商品ID維度分析以商品類目ID=』1320293『和』4159072『兩者銷量相似但是付費率相差懸殊為例。

說明商品類目下有與其大量商品不如小而精，精準定位用戶需求。

能輔助證明上面的觀點，如果在某類目下有幾個商品吸引用購買，那麼該類目的銷量就會大增。

使用sql較容易實現

可以看出整體次日留存率較高，越接近12月份留存率逐步上升，與臨近雙十二商家宣傳促銷有關。

用戶復購率也在逐漸提高。

從瀏覽到加入購物車的轉換率僅6.2%，有空間提升。

10.留存率能夠達到70%以上，復購率達到20%以上，在臨近雙12明顯提升。
11.通過觀察漏斗可以看出，加入購物車的轉化率僅6.2%還有很大的空間提升。

由於此次數據集沒有提高銷售金額，因此無法進行ARPU方面數據分析。這里補充下關於消費金額的知識點：

LTV是平均每個用戶帶來的價值，可以決策為每個用戶付出多少成本。一般來說LTV>CAC認為公司發展空間大，LTV<CAC認為公司變現能力弱，LTV/CAC=3認為公司健康，大於3說明市場拓展較為保守；小於3說明轉化效率底下。

LTV=LT*ARPU
LT指用戶平均生命周期，留存率之和。

舉例：如果知道用戶一個月內的留存率，可以使用excel做出對數趨勢線，看下r方。根據對數公式計算出留存率之和，也就是LT。
注意：ARPU與LT要有單位之間的換算。

CAC計算要考慮進去成本，包括營銷費用、推廣費用、以及人力成本。CAC是一個平均值，可能在各渠道下成本不一，可以區分渠道分別計算。

即花費的用戶獲取成本能在多長時間內回本。PBP越短資金周轉越快。

參考：
https://blog.csdn.net/u012164509/article/details/103049740 arpu和aprru
https://jiahao..com/s?id=1662108604585143388&wfr=spider&for=pc LTV

4. 漫談用戶行為分析的價值和意義

很多人可能不知道，「行為分析」四個字的分量已經代表了近兩年一些高速成長的公司對數據分析需求的精細化程度，同時，它也催生出了新一代的數據分析工具和分析方法。過去，所有人都在關注PV、UV、跳出率、訪問深度、停留時長，還有很多人始終放不下的熱力圖等，總體來說，這些指標都屬於統計指標，反映的都是產品總體情況，數據的價值除了反映現狀，還有更重要的是應用。統計是數據匯總整理的結果，沒有分析，怎能拿來指導業務增長呢?

當然，可能指導過。比如一款閱讀產品，通過文章詳情頁的停留時長可以判斷用戶對文章的喜好程度，但是，他可能在滑動屏幕看文章、可能在評論區輸入一段評論，當然，也可能沒看文章卻登錄了諸葛io的官網看當天的實時數據。所以比起用戶在該頁面所花時間的匯總，用戶是否是在看文章還是在評論以及評論的內容是什麼對我們更有指導意義。

技術在發展，時代在召喚，所以，行為分析，你需要了解並且知道如何應用。

一、什麼是用戶行為分析

一口氣說： 基於用戶在互聯網產品上的行為以及行為背後的人發生的時間頻次等維度深度還原用戶使用場景並且可以指導業務增長。
慢點說： 對用戶模型做關鍵補充。通過行為數據的補充，構建出精細、完整的用戶畫像。傳統統計工具的數據背後沒有人，所以也談不上用戶模型（畫像），一個完整、多維、精確的用戶畫像=用戶行為數據+用戶屬性數據

二、用戶行為分析在應用中的價值
關於影響數據結果和判斷的三個維度：

基於以上理解，我們看行為分析的重要性，基於行為分析，需要讓CEO對產品所切入的市場判斷更准確，讓市場推廣人員精細化評估渠道質量，讓產品設計人員准確評估用戶行為路徑轉化、產品改版優良、某一新功能對產品的影響幾何，讓運營人員做精準營銷並且評估營銷結果等。

所以，價值在哪兒呢？羅列4點

1、自定義留存分析

從前： 我們通常會認定一個用戶只要打開APP就算當天的一個活躍用戶，今天新增的用戶只要明天啟動一次APP就認為是一個留存用戶；

現在： 基於用戶行為，我們可以做精細化留存評估。根據產品特性自定義用戶留存，比如一個閱讀類產品，用戶打開APP後有沒有去瀏覽或是查看一篇文章，我們可以把今天來了查看了至少一篇文章的用戶算作今天的一個活躍；

意義： 留存是反映任何一款產品健康度的高級指標，無論是運營好壞、產品功能設計如何，最終都可以通過留存衡量整體的情況，貼合產品業務本身去衡量留存，精細化評估產品健康度，讓留存數據更有價值和指導意義。

2、精細化渠道質量評估

從前： 流量時代，評估渠道帶來了多少訪問人數，注冊人數。

現在： 人口紅利期已過，產品推廣渠道在增多，產品越來越垂直，加上同質化競爭直接導致獲客成本變高，無論從市場執行人員的角度還是公司角度，都在評估ROI，除了看流量，更需要看質量。如何評估質量，需要基於用戶行為並且貼合業務去評估，一款理財產品，通過不同渠道帶來的用戶，真正查看了理財產品詳情的有多少，真正投資成功的又有多少，哪個渠道用戶又有邀請行為，最後留存最高的是哪個渠道，再結合渠道投入，計算ROI。

意義： 降低渠道成本，提升渠道轉化。

3、產品分析（路徑轉化/漏斗分析、找到產品改進關鍵點、找到促進核心轉化的相關因素、Aha moment等）

路徑轉化/漏斗分析 ：關注核心轉化，比如注冊轉化、購買轉化，從而優化流失節點，優化行為路徑設計；

找到產品改進關鍵點： 用數據量化產品核心功能，讓產品迭代排期更科學，部門配合更高效；

找到促進核心轉化的相關因素：挖掘促進用戶觸發核心行為的關鍵行為，比如可促進用戶實現購買的某些因素，找到相關行為做優化或運營激勵；

Aha moment（驚艷一刻） ：快速執行，超出用戶預期，讓產品指數級增長。

4、精準營銷（用戶分群、用戶分層、活動質量評估）

從前 ：面向所有用戶或者基於用戶屬性維度做營銷、做服務。屬性包括：注冊賬號、手機號、性別、年齡、地域、積分和一些標簽。

現在 ：屬性+行為，無限接近真實用戶。通過用戶點擊查看商品詳情、搜索行為、點擊關注某款理財產品的關注按鈕、購買了個東西等等這些行為以及行為觸發的人、時間、頻次知道用戶最近在關注什麼、對哪一類商品感興趣、對哪一類文章感興趣、哪種理財偏好。

意義 ：用行為維度和屬性維度共同去定位用戶在產品的生命周期以及真實生活場景中的角色。營銷更精準，用戶體驗更佳。

以上4點，每一點都可以再展開來說，說價值、說方法、說案例，篇幅有限，日子還長，慢慢聊~

本文作者來自諸葛io CS團隊成員。

5. 如何做好用戶行為分析

做好用戶行為分析的方法：利用數據分析平台可以通過無埋點和埋點的方式將以上信息進行採集和整理分析。所以做好用戶分析的要點就在於通過搭建好的平台去完成用戶行為信息的收集，然後結合好的分析模型去將以上信息加以利用。

用戶行為分析的意義：

1、有效的用戶行為是能夠基於此分析總結用戶意圖和喜好的觸發動作：比如在公眾號進行圖文閱讀、在淘寶搜索欄搜索「男裝」、對單個商品加入購物車、對單個頁面長時間瀏覽等。

2、而例如微博熱搜列表瀏覽、訂閱號信息列表瀏覽等不涉及到具體觸發點擊動作的，則是無效的用戶行為。

6. 什麼是用戶行為分析

要回答以上問題，我們需要關注用戶在咱們產品上的各種行為，並對用戶行為進行統計和分析。以上述第一個問題為例，需要關注的行為包括：點擊功能入口、進入新功能頁面、點擊目標按鈕等。如果對行為進行統計，則會得到如下指標

如果對行為進行分析，你可能會提出如下問題：

以上是圍繞用戶行為分析的一個小案例，這個案例展現了我們做行為分析需要經歷的 3 個步驟：

參考神策分析，使用「事件模型（ Event 模型）」來描述用戶的各種行為，事件模型包括事件（ Event ）和用戶（ User ）兩個核心實體。

為什麼這兩個實體結合在一起就可以清晰地描述清楚用戶行為？

實際上，我們在描述用戶行為時，往往只需要描述清楚幾個要點，即可將整個行為描述清楚，要點包括：是誰、什麼時間、什麼地點、以什麼方式、幹了什麼。而事件（ Event ）和用戶（ User ）這兩個實體結合在一起就可以達到這一目的

一個完整的事件（ Event ），包含如下的幾個關鍵因素：

Who：即參與這個事件的用戶是誰。

When：即這個事件發生的實際時間。

Where：即事件發生的地點。

How：即用戶從事這個事件的方式。這個概念就比較廣了，包括用戶使用的設備、使用的瀏覽器、使用的 App 版本、操作系統版本、進入的渠道、跳轉過來時的 referer 等，目前，神策分析預置了如下欄位用來描述這類信息，使用者也可以根據自己的需要來增加相應的自定義欄位。

What：以欄位的方式記錄用戶所做的事件的具體內容。不同的事件需要記錄的信息不同，下面給出一些典型的例子：

對於一個「購買」類型的事件，則可能需要記錄的欄位有：商品名稱、商品類型、購買數量、購買金額、 付款方式等；

對於一個「搜索」類型的事件，則可能需要記錄的欄位有：搜索關鍵詞、搜索類型等；

對於一個「點擊」類型的事件，則可能需要記錄的欄位有：點擊 URL、點擊 title、點擊位置等；

對於一個「用戶注冊」類型的事件，則可能需要記錄的欄位有：注冊渠道、注冊邀請碼等；

對於一個「用戶投訴」類型的事件，則可能需要記錄的欄位有：投訴內容、投訴對象、投訴渠道、投訴方式等；

對於一個「申請退貨」類型的事件，則可能需要記錄的欄位有：退貨金額、退貨原因、退貨方式等。

描述事件的任意一個欄位，都是一個事件屬性。應該採集哪些事件，以及每個事件採集哪些事件屬性，完全取決於產品形態以及分析需求。

每個 User 實體對應一個真實的用戶，每個用戶有各種屬性，常見的屬性例如：年齡、性別，和業務相關的屬性則可能有：會員等級、當前積分、好友數等等。這些描述用戶的欄位，就是用戶屬性。

7. 如何做用戶行為路徑分析

如何做用戶行為路徑分析

用戶行為路徑分析是互聯網行業特有的一類數據分析方法，它主要根據每位用戶在App或網站中的點擊行為日誌，分析用戶在App或網站中各個模塊的流轉規律與特點，挖掘用戶的訪問或點擊模式，進而實現一些特定的業務用途，如App核心模塊的到達率提升、特定用戶群體的主流路徑提取與瀏覽特徵刻畫，App產品設計的優化與改版等。

本文會對用戶行為路徑分析方法作一些簡單的探討，更多的偏向於一些路徑分析業務場景與技術手段的介紹，起到拋磚引玉的作用，歡迎致力於互聯網數據分析的朋友們拍磚與批評。以後有機會可以繼續介紹分享與實際業務結合較多的用戶行為路徑分析案例。

一、 路徑分析業務場景

用戶行為路徑分析的一個重要終極目的便是優化與提升關鍵模塊的轉化率，使得用戶可以便捷地依照產品設計的期望主流路徑直達核心模塊。具體在分析過程中還存在著以下的應用場景：

用戶典型路徑識別與用戶特徵分析

用戶特徵分析中常常使用的都是一些如性別、地域等人口統計數據或訂單價、訂單數等運營數據，用戶訪問路徑數據為我們了解用戶特徵打開了另一扇大門。例如對於一款圖片製作上傳分享的應用，我們可以通過用戶的App使用操作數據，來劃分出樂於製作上傳的創作型用戶，樂於點贊評論的互動型用戶，默默瀏覽看圖的潛水型用戶，以及從不上傳只會下載圖片的消費型用戶。

產品設計的優化與改進

路徑分析對產品設計的優化與改進有著很大的幫助，可以用於監測與優化期望用戶路徑中各模塊的轉化率，也可以發現某些冷僻的功能點。一款視頻創作分享型App應用中，從開始拍攝製作視頻到視頻的最終發布過程中，用戶往往會進行一系列的剪輯操作；通過路徑分析，我們可以清晰的看到哪些是用戶熟知並喜愛的編輯工具，哪些操作過於冗長繁瑣，這樣可以幫助我們針對性地改進剪輯操作模塊，優化用戶體驗。如果在路徑分析過程中用戶的創作數量與用戶被點贊、評論以及分享的行為密切相關，就可以考慮增強這款App的社交性，增強用戶黏性與創作慾望。

3、產品運營過程的監控

產品關鍵模塊的轉化率本身即是一項很重要的產品運營指標，通過路徑分析來監測與驗證相應的運營活動結果，可以方便相關人員認識了解運營活動效果。

二、 路徑分析數據獲取

互聯網行業對數據的獲取有著得天獨厚的優勢，路徑分析所依賴的數據主要就是伺服器中的日誌數據。用戶在使用App過程中的每一步都可以被記錄下來，這時候需要關注的便是優秀的布點策略，它應當與我們所關心的業務息息相關。這里可以推薦一下諸葛io，一款基於用戶洞察的精細化運營分析工具；將諸葛io的SDK集成到App或網站中，便能獲得應用內的所有用戶行為數據。事實上，諸葛io認為在每個App里，不是所有事件都有著同樣的價值，基於對核心事件的深度分析需求，諸葛io推薦大家使用層級化的自定義事件布點方式，每一個事件由三個層次組成的：事件(Event)、屬性(Key)和屬性值(Value)。同時，諸葛io還為開發者們提供數據監測布點咨詢服務，可以根據豐富的行業經驗為客戶提供個性化的事件布點咨詢和技術支持。

三、 漏斗模型與路徑分析的關系

以上提到的路徑分析與我們較為熟知的漏斗模型有相似之處，廣義上說，漏斗模型可以看作是路徑分析中的一種特殊情況，是針對少數人為特定模塊與事件節點的路徑分析。

漏斗模型通常是對用戶在網站或App中一系列關鍵節點的轉化率的描述，這些關鍵節點往往是我們人為指定的。例如我們可以看到某購物App應用的購買行為在諸葛io中的漏斗轉化情況。這款購物App平台上，買家從瀏覽到支付成功經歷了4個關鍵節點，商品瀏覽、加入購物車、結算、付款成功，從步驟1到步驟4，經歷了其關鍵節點的人群越來越少，節點的轉化率呈現出一個漏斗狀的情形，我們可以針對各個環節的轉化效率、運營效果及過程進行監控和管理，對於轉化率較低的環節進行針對性的深入分析與改進。其他的漏斗模型分析場景可以根據業務需求靈活運用，諸葛io平台中擁有十分強大的漏斗分析工具，是您充分發揮自己對於數據的想像力的平台，歡迎參看一個基於漏斗模型的分析案例《漏斗/留存新玩兒法》。

路徑分析與漏斗模型存在不同之處，它通常是對每一個用戶的每一個行為路徑進行跟蹤與記錄，在此基礎上分析挖掘用戶路徑行為特點，涉及到每一步的來源與去向、每一步的轉化率。可以說，漏斗模型是事先的、人為的、主動的設定了若干個關鍵事件節點路徑，而路徑分析是探索性的去挖掘整體的行為路徑，找出用戶的主流路徑，甚至可能發現某些事先不為人知的有趣的模式路徑。從技術手段上來看，漏斗模型簡單直觀計算並展示出相關的轉化率，路徑分析會涉及到一些更為廣泛的層面。

四、路徑分析常見思路與方法

1、樸素的遍歷統計與可視化分析探索

通過解析布點獲得的用戶行為路徑數據，我們可以用最簡單與直接的方式將每個用戶的事件路徑點擊流數據進行統計，並用數據可視化方法將其直觀地呈現出來。D3.js是當前最流行的數據可視化庫之一，我們可以利用其中的Sunburst Partition來刻畫用戶群體的事件路徑點擊狀況。從該圖的圓心出發，層層向外推進，代表了用戶從開始使用產品到離開的整個行為統計；sunburst事件路徑圖可以快速定位用戶的主流使用路徑。通過提取特定人群或特定模塊之間的路徑數據，並使用sunburst事件路徑圖進行分析，可以定位到更深層次的問題。靈活使用sunburst路徑統計圖，是我們在路徑分析中的一大法寶。

諸葛io不僅能夠便捷獲取布點數據，也為客戶提供了個性化的sunburst事件路徑圖分析，並可為客戶產品製作定製化的產品分析報告。

2、基於關聯分析的序列路徑挖掘方法

提到關聯規則分析，必然免不了數據挖掘中的經典案例「啤酒與尿布」。暫且不論「啤酒與尿布」是不是Teradata的一位經理胡編亂造吹噓出來的「神話故事」，這個案例在一定程度上讓人們理解與懂得了購物籃分析（關聯分析）的流程以及背後所帶來的業務價值。將超市的每個客戶一次購買的所有商品看成一個購物籃，運用關聯規則演算法分析這些存儲在資料庫中的購買行為數據，即購物籃分析，發現10%的顧客同事購買了尿布與啤酒，且在所有購買了尿布的顧客中，70%的人同時購買了啤酒。於是超市決定將啤酒與尿布擺放在一起，結果明顯提升了銷售額。

我們在此不妨將每個用戶每次使用App時操作所有事件點看成「購物籃」中的「一系列商品」，與上面提到的購物籃不同的是，這里的所有事件點擊行為都是存在嚴格的前後事件順序的。我們可以通過改進關聯規則中的Apriori或FP-Growth演算法，使其可以挖掘存在嚴格先後順序的頻繁用戶行為路徑，不失為一種重要的用戶路徑分析思路。我們可以仔細考量發掘出來的規則序列路徑所體現的產品業務邏輯，也可以比較分析不同用戶群體之間的規則序列路徑。

社會網路分析（或鏈接分析）

早期的搜索引擎主要基於檢索網頁內容與用戶查詢的相似性或者通過查找搜索引擎中被索引過的頁面為用戶查找相關的網頁，隨著90年代中後期互聯網網頁數量的爆炸式增長，早期的策略不再有效，無法對大量的相似網頁給出合理的排序搜索結果。現今的搜索引擎巨頭如Google、網路都採用了基於鏈接分析的搜索引擎演算法來作為這個問題解決方法之一。網頁與網頁之間通過超鏈接結合在一起，如同微博上的社交網路通過關注行為連接起來，社交網路中有影響力很大的知名權威大V們，互聯網上也存在著重要性或權威性很高的網頁。將權威性較高的網頁提供到搜索引擎結果的前面，使得搜索的效果更佳。

我們將社交網路中的人看作一個個節點，將互聯網中的網頁看作一個個節點，甚至可以將我們的App產品中的每一個模塊事件看作一個個節點，節點與節點之間通過各自的方式連接組成了一個特定的網路圖，以下將基於這些網路結構的分析方法統稱為社會網路分析。

社會網路分析中存在一些較為常見的分析方法可以運用到我們的路徑分析中來，如節點的中心性分析，節點的影響力建模，社區發現等。通過中心性分析，我們可以去探索哪些模塊事件處於中心地位，或者作為樞紐連接了兩大類模塊事件，或者成為大多數模塊事件的最終到達目的地。通過社區發現，我們可以去探索這個社會網路中是否存在一些「小圈子」，即用戶總是喜歡去操作的一小部分行為路徑，而該部分路徑又與其他大部分模塊相對獨立。

以上是小編為大家分享的關於如何做用戶行為路徑分析的相關內容，更多信息可以關注環球青藤分享更多干貨

8. 什麼是用戶行為分析如何做好用戶行為分析

何為「用戶行為信息」（User Behavior Information）呢？簡單地說，就是用戶在網站上發生的所有行為，如搜索、瀏覽、打分、點評、加入購物筐、取出購物筐、加入期待列表（Wish List）、購買、使用減價券和退貨等；甚至包括在第三方網站上的相關行為，如比價、看相關評測、參與討論、社交媒體上的交流、與好友互動等。利用數據分析平台可以通過無埋點和埋點的方式將以上信息進行採集和整理分析。所以做好用戶分析的要點就在於通過搭建好的平台去完成用戶行為信息的收集，然後結合好的分析模型去將以上信息加以利用。目前大家在使用的工具一般為：Google Analytics；Mixpanel；數極客；友盟等

9. 如何分析網站訪問者的行為

一個用戶要訪問一個網站，他都會使用到哪些事物、留下哪些蹤跡呢?滑鼠，鍵盤，瀏覽器這三樣無疑是必不可少的，登錄網站之後，他的整個訪問軌跡，停留時間等等。那麼，這些事物和蹤跡又能告訴我們什麼呢?
第一，用戶的滑鼠點擊某種程度上可以告訴我們用戶在某個網頁上的視覺軌跡。因為根據人的一般行為規律，用戶會先點擊他最先注意到的網頁元素，無論這個元素是個按鈕還是其它。因此，對用戶滑鼠點擊的總結和分析將能夠告訴我們用戶在一個網頁上的視覺大致瀏覽軌跡，由此可以得出一個網頁設計是否合理，是否能夠使得用戶真正注意並且能夠點擊到企業需要讓他點擊的位置。最終影響到整個網站的信息架構甚而網站結構。
第二，瀏覽器，對於瀏覽器和用戶操作系統信息的獲取已經不是什麼新鮮的功能，它們能夠告訴我們的無非是用戶使用機器的一些基本信息，此處不再多做敘述。
第三，訪問軌跡，停留時間。對於這兩項就大有文章可做了，從大的層面而言，它可以告訴我們用戶在整個訪問網站的過程中都做了哪些事情，既用戶的客觀行為，從小的層面而言，它可以告訴我們一些我們不通過分析訪問軌跡無法得知的網站在用戶操作流程上可能存在的問題，加上停留時間的參數進行分析的話，甚至可以告訴我們訪問網站的用戶的類型。以下分別舉例說明這兩種情況。
例一，我們通過網站訪問軌跡的分析，發現一個用戶在購買某件商品的付款流程中，總是在結算過程中跳出，那麼，此時就可能存在兩個可能：第一，結算頁面存在誤操作。第二：用戶還想繼續購買其它物品。此時我們結合對結算頁面的滑鼠點擊分析，發現用戶是點擊了錯誤的鏈接導致總是意外跳出。此時，就可以斷言，這個結算頁面的設計存在問題，需要改進。
例二：有兩名用戶，其中一個登錄新浪之後首先點擊「科技」頻道，隨後點擊了「互聯網」，另外一個先點擊了「科技」頻道，隨後點擊了「數碼」但在數碼僅停留了很短的一個時間立即點到了「互聯網」，那麼，某種程度上這兩名用戶的操作習慣存在一致性，而且根據他們所感興趣的內容可以一定幾率上判定他們是it行業從業人員。通過對無數次同樣的歸類，我們就可以通過對這些數據的分析，得到我們網站用戶的大致類型，所謂知己知彼才能百戰百勝，知道我們面對的是什麼樣的用戶，策略的制定才能有的放矢。
綜上所述，我們不難看出網站訪問行為分析的幾個基本維度和它所能帶來的好處。目前的網站流量統計分析產品普遍缺乏這樣的維度，導致只是數據堆砌洏無法對這些用戶行為獲得有效的獲知。而只有了解了用戶的行為，企業才能有的放矢，做出相應的策略。

10. 如何進行用戶訪問行為分析

用戶行為一直是網站優化關注的重點，分析網站用戶行為，對提高網站的轉換率幫助很大，至少你知道用戶需要什麼，接下來你應該怎麼去滿足這些行為。目前幾乎90%上的網站幾乎都銷售為主，無論是產品還是服務，都的為了銷售。當然還有一些是需要用戶參與網站的某些調查，但是一般專門為這些行為做的網站還是比較少， seo培訓下面主要分析用戶的購買行為。在做SEO的朋友當中，可能有50%不會賣東西，但是我相信100%的都會買，我們這里也是研究購買者的行為，所以每個人都很可以平等參與，從購買者的角度去分析。如果你對某一些方面的產品感興趣。但是不知道擁有這種功能的產品名稱甚至具體型號，這在營銷專家來看，是屬於「初級需求」，他們使用經濟術語「需求」 來描述當一個購買者對某物質的需要，處於這一階段的用戶遇見了問題，但是不知道是否有相關產品或服務可以幫助他們解決；或者在很多方案中卻不知道如何選擇 （選擇性需求）；甚至是知道某一產品能解決自己的問題，正在需找某一喜好的品牌或適合自己的某一型號。這就是購買者行為。初級需求用戶行為一個處於「初級需求」的用戶，在他准備進入「選擇性需求」之前，他可能正在努力尋找關於可以解決他目前問題的有效方法，這個時候他對產品並不敏感，而對信息特別喜好。