用户访问行为分析

1. Session用户行为分析

什么是Session?

如果把产品看成大卖场，那么互联网用户的行为就如同在大卖场扫货的顾客。对卖场来说，顾客从进入商场到离开商场，中间一系列行为购成了一次来访。

同样，对产品来说，用户进入产品到离开产品的一系列行为，就是一次访问。称之为 Session或Visit。

从技术上来说，Session是服务器为了保存用户状态而创建的一个特殊的对象。

用户用浏览器第一次访问产品运行的服务器时，服务器创建一个session对象(该

对象有一个唯一的id,一般称之为sessionId),服务器将sessionId以cookie的方式发送给浏览器。

用户再次用浏览器访问服务器时，同样会将sessionId发送过来，服务器依据sessionId就可以找到对应的session对象。

用户一系列行为中的每一个行为都最具备5大要素，用来描述用户的一个行为，即：在什么时间什么地点干了什么事，而5大要素构成了4W1H模型：

lWho：谁

lWhen：时间

lWhere：地点

lHow：如何

lWhat：具体事件

用4W1H模型对行为进行记录，产品就可以知道用户在产品里都做了什么，如：用户什么时间进入，什么时间买了东西等等。

用户session基础数据

使用session分析用户行为，需要先获取基于的底层的session基础数据。以下是两个基础信息表，记录了用户基础行为数据记录字段及其含义。

l用户行为数据：表示用户的行为信息

l用户信息

用户行为分析模块常见需求

Session的5大要素是用户行为分析的基础数据。在这些数据之上，在用户行为分析模块中，常见的用户行为分析需求包括：

一、能够按条件筛选出有指定行为特点的用户session

功能说明：

即在所有用户session中找出具备特定行为的用户session，能够按条件进行用户session记录的筛选，特定行为包括：

l搜索过某些关键词的用户

l访问时间在某个时间段内的用户

l年龄在某个范围内的用户

l职业在某个范围内的用户

l在某个城市的用户

功能特点：

这个功能比较灵活，操作者可以对感兴趣的用户群筛选后再进行其它业务逻辑的统计和分析，针对特殊人群形成结果数据，即对特定用户群进行分析；

如某个企业高层，想看本公司员工群体中，28~35岁、老师岗位的群体特征，再对这部分员工进行统计、分析形成结论，辅助高管进行公司战略决策制定。

技术实现：

技术实现时会遇到的问题包括：

1.按条件筛选session，筛选粒度不同

如搜索词、访问时间，这些有session粒度还有action粒度的；有时还要针对用户的基础信息进行筛选，如：年龄、性别、职业，筛选粒度不统一。

2．用户访问数据量每天至少5亿以上，10亿左右，进行session条件筛选时，不旦必须对不同颗粒度sessinon数据进行扫描，而且还要全量扫描。

user_visit_action是记录用户访问数据量的表，一行代表了一个用户行为。如：点击、搜索等

国内大的电商平台，如果每天活跃用户数量在千万级别。user_visit_action表每天的数据量至少在5亿以上，10亿左右。

对于存在的问题，技术实现时需要对原始数据进行聚合，即session粒度的聚合。

粒度的聚合是指用最基本的筛选条件，如：时间范围，提取数据，再按照session_id字段进行聚合，聚合后的记录是一个用户在指定时间内的访问的记录。如：

搜索过的所有的关键词

点击过的所有的品类id

Session中用userid关联用户基础信息，聚合后按照用户指定的筛选条件进行筛选，选出符合条件session粒度的数据就是需要的session了。

二、统计出符合条件的session中，指定访问时长的session占比；指定访问步长的session占比

session访问时长是一个session开始action到结束action间的时间范围；

访问步长是一个session执行期间依次点击过多少个页面。如：一次session持续1分钟，访问时长为1m。1分钟内点击了10个页面，则session访问步长为10。

常见指定访问时长包括：1s3s、4s6s、7s9s、10s30s、30s60s、1m3m、3m10m、10m30m、30m

常见指定访问步长包括：13、46、79、1030、30~60、60

 

统计出符合条件的session中，指定访问时长的session占比是指：

首先筛选出符合条件的session，如：数量有1000万条。

接下来计算出访问时长为：1s3s的session的数量，再除以符合条件的总session量（1000万），如：100万/1000万，由此算出1s3s内的session占比为10%。

功能的作用在于从全局角度了解符合某些指定条件的用户群体使用产品的习惯。如：

大多数人在产品停留多长时间

大多数人在一次使用产品时访问多少页面

三、在符合条件的session中按时间比例随机抽取指定数量session

为了保证样本的随机性，按时间比例随机抽取session是指：

如果12:00~13:00的session数量是100万，这一小时的session占比为1/10，需要抽取1/10 * 1000 = 100个session。

功能作用在于对符合条件的session，按照时间比例均匀随机采样指定数量session，观察其具体点击流/行为，如：

进入首页-点击食品品类-点击雨润火腿肠商品-搜索火腿肠罐头关键词-下单王中王火腿肠-支付订单

四、在符合条件的session中获取下单和支付数量排名前10的商品品类

每个session可能会对某些品类商品进行点击下单、支付等行为。需要获取这些重要的session点击（如下单、支付动作），并按不同商品的重要行为触发数量进行排名，如：排名前10的最热门品类。

这个功能功能的实现：

1.首先需要计算出所有session对各品类下单、支付等的触发次数，统计指标主要有3个，即每个品类的点击、下单和支付的数量。

2.然后分别按照3个指标 “点击、下单、支付” 数量依次排序：先比较点击数量，如相比较下单数，如还相同，比较支付数。

3.最后按照不同属性进行排序后获取前10名品类。

这个功能作用是了解符合条件的用户最感兴趣什么类型的商品。让产品团队清晰了解不同层次、不同类型用户的心理、喜好。

五、对排名前10的品类分别获取点击数排名前10的session

针对排名top10的品类，每个品类都获取其点击次数排名前10的session。

这个功能作用在于了解某个用户群体最感兴趣品类，各品类的典型用户的session行为。

功能实现需要对排名前10的品类数据集按照品类id进行分组，然后算出每组点击数量排名前10的session。

主要行为指标

Session 统计分析构成的主要用户行为指标包括：

l平均使用时长

平均访问时长指在一定统计时间内，浏览网站的一个页面或整个网站时用户所逗留的总时间与该页面或整个网站的访问次数的比。

指标解读：

平均访问时长越久， 说明产品越有吸引力。

如果用户停留平均时间非常低，可能存在内容不吸引人或界面优化较差的问题。

l平均交互深度

平均交互深度和平均访问深度定义有差别但意义相似，都是衡量产品质量的重要指标。

指标解读：

帮助企业了解产品页面内容的价值，功能是否满足用户需求，指标具体意义需要依照业务判断。

l跳出率

指在只访问了入口页面（例如产品首页）就离开的访问量与所产生总访问量的百分比。跳出率计算公式：

跳出率=访问一个页面后离开网站的次数/总访问次数

指标解读：

观察关键词跳出率可以知道产品内容对用户的吸引力，产品内容是否能够对用户有所帮助，留住用户也可以在跳出率中看出。

跳出率是衡量网站内容质量的重要标准。

lSession渠道转化分析

营销推广中典型需求是需要知道不同渠道带来的注册、购买等转化情况，这个需求本质上是界定 Session，然后按渠道属性查看注册、购买等事件的转化数量。

l用户路径

了解用户在业务流程中的行为路径，有助于找到用户流失环节，优化营销推广效果，产品经理通过验证用户行为与初步设想，完善功能，优化用户体验。

使用用户路径分析，设定起始事件与 Session 切割时间，可以观察一个 Session 内用户的行为流。

Session 分析是用户行为分析的重要方法，既可以了解流失用户，也可以了解活跃用户的使用习惯，增进产品用户体验设计。

2. 如何利用用户行为分析数据

关于用户行为分析的意义以及在什么样的环境中使用这些数据，许多运营表示收获颇丰，但是对于一些具体的操作和运营方法也有一些不是太清楚，希望我们能够针对这方面进行一下知识的讲解，所以我们今天就请北大青鸟http://www.kmbdqn.cn/的老师来给大家介绍一下，如何进行用户行为分析的数据使用。

有了用户的行为数据以后，我们有哪些应用场景呢?

拉新，也就是获取新用户。

转化，比如电商特别注重订单转化率。

促活，如何让用户经常使用我们的产品。

留存，提前发现可能流失用户，降低流失率。

变现，发现高价值用户，提高销售效率。

(一)拉新

特别注重是哪个搜索引擎、哪个关键词带来的流量;关键词是付费还是免费的。从谷歌那边搜素引擎词带来了很多流量，但是这些流量是否在上成单，所以这个数据还要跟eBay本身数据结合、然后再做渠道分配，到底成单的是哪个渠道。整个数据链要从头到尾打通，需要把两边的数据整合之后才能做到。

(二)转化

以注册转化漏斗为例，第一步我们知道网页上有哪些注册入口，很多网站的注册入口不只一个，需要定义每个事件;我们还想知道下一步多少人、多少百分比的人点击了注册按钮、多少人打开了验证页;多少人登录了，多少人完成了整个完整的注册。

期间每一步都会有用户流失，漏斗做完后，我们就可以直观看到，每个环节的流失率。

(三)促活

还有一个是用户使用产品的流畅度。我们可以分析具体用户行为，比如访问时长，在那个页面上停留时间特别长，尤其在APP上会特别明显。再有是完善用户画像，拿用户行为分析做用户画像是比较准的。

3. 用户行为分析及实战项目python

用户行为分析是对用户在产品上产生的行为以及行为背后数据进行一系列分析，通过构建行为模型和用户画像，支持产品决策，精细化运营，实现增长。

对于产品而言，用户行为分析可以验证产品可行性，找到产品缺陷，以便需求迭代；
对于设计而言，用户行为分析可以帮助提高产品体验，发现交互不足，以便设计优化；
对于运营而言，用户行为分析可以实现精准营销，挖掘使用场景分析用户数据，以便运营决策调整；

一般包括设备id，时间，行为类型，渠道等

（1）粘性指标-表现用户-提高认知度A激活：关注周期内持续访问，比如：留存率、流失率、新用户占比、用户转化率等；

（2）活跃指标-表现行为-诱导参与留存：用户参与度，比如：活跃、新增、流失、平均访问时长、使用频率等；

（3）产出指标-分析出-培养忠诚度R变现：用户价值输出，比如：消费金额、页面UV、消费频次等；

（1）行为事件分析：根据关键指标对用户行为进行分析，比如：注册、登录、搜索流量商品、加入购物车、提交订单、付款、评价一系列属于电商完整事件。在根据用户细分维度，用户渠道、注册时间、订单频率、新老客等维度找到规律，制定方案。

（2）用户留存分析：分析用户产品参与度的指标，一般遵循40-20-10法则，即日留存大于40%周留存大于20%月留存大于10%。

（3）漏斗分析：描述用户使用产品时关键环节转化率情况，能够验证设计是否合理。分析用户在哪个环节流失，为什么流失，如何降低流失提高转化率。

（4）用户路径分析：用户在使用产品过程中的访问路径。首先要梳理用户行为轨迹，认知-熟悉-试用-使用-忠诚。轨迹背后反应的是用户特征，这些特征对产品运营有重要参考价值。当发现偏差时，可能就是产品的缺陷。

（5）福格模型：用来研究用户行为原因的模型。B行动=M动机A能力T触发器。以分享为例，动机-该分享对分享者和被分享者有什么好处，能力-分享路径实现是否有难度，触发器-分享按钮是否醒目，用户是否意识到这个分享带来的好处。

已知数据集中包括用户ID、商品ID、商品类目ID、行为类型和时间戳，其中行为包括点击、购买、加购、喜欢。
（1）用户活跃指标
（2）用户粘性指标
（3）用户行为分析

能明显看出12月2日周六的PV突增，但是11月25日和26日同为周末，PV量级却没有那么大，需要继续查看数据，有可能是异常情况。

与PV情况相似，但是UV增加不一定就是PV增加的原因，还有可能是某些用户访问次数增加导致PV增加或统计问题，因此需要看一下人均访问次数确定。

人均访问次数接近，由此可知PV的增加就是新访客带来的。由于双12属于年底大促，因此12月2日访问量突增的原因可能与商家开始进行促销和宣传有关系。

人均消费频次2.8次

可以看出主要活跃集中在10-23点，从晚上7时开始至10时用户访问处于最佳活跃状态，21时是一天中活跃最高点。

收藏、加入购物车、购买与pv的趋势相似。

10时附近付费率最高，因此应该保持10时的运营活动加大21时的活动力度。

由图可知，前7个商品类目属于高销量，与第8个类目销量差异较大。

商品类目为‘4159072’付费率最高

进一步探索与它同销量的’1320293‘付费率却极低，发现1320293的访问量很高但是购买平淡无奇，而4159072虽然访问量低但是每十个人访问就有一人付费。可以 深入研究一下它是否有什么特殊性或者高效运营手段，详情页如何展示介绍商品，文案如何设计等，找出规律应用到其他商品上面，提高付费率 或者 从渠道的角度分析是否前者渠道目标用户不如后者精准 。

有过销量的类目共3666个，以销量由大到小排序占总销量的80%为止，有628个商品类目。因此可以说着628个商品类目占总销量的80%，奇妙的28定律！

前面平均消费频次为2.8，销量top20中，‘2885642’‘4756105’‘4159072’这三个类目消费频次与销量差距悬殊，可以根据商品性质分析如何提高用户消费频次，同时可以参考其他消费频次较高商品如‘982926’的运营手段等。

普遍说明每发生1.4次收藏就有1次购买行为。

可以分析出几个商品每收藏4-5次才会购买一次，考虑是否对这类商品进行个性化召回，比如定向推送询问用户收藏的该商品最近有优惠券是否前来购买等。

与区分商品类目的分析相似，这里指针对有异常商品类目下的商品名称进行分析

从商品ID维度分析以商品类目ID=’1320293‘和’4159072‘两者销量相似但是付费率相差悬殊为例。

说明商品类目下有与其大量商品不如小而精，精准定位用户需求。

能辅助证明上面的观点，如果在某类目下有几个商品吸引用购买，那么该类目的销量就会大增。

使用sql较容易实现

可以看出整体次日留存率较高，越接近12月份留存率逐步上升，与临近双十二商家宣传促销有关。

用户复购率也在逐渐提高。

从浏览到加入购物车的转换率仅6.2%，有空间提升。

10.留存率能够达到70%以上，复购率达到20%以上，在临近双12明显提升。
11.通过观察漏斗可以看出，加入购物车的转化率仅6.2%还有很大的空间提升。

由于此次数据集没有提高销售金额，因此无法进行ARPU方面数据分析。这里补充下关于消费金额的知识点：

LTV是平均每个用户带来的价值，可以决策为每个用户付出多少成本。一般来说LTV>CAC认为公司发展空间大，LTV<CAC认为公司变现能力弱，LTV/CAC=3认为公司健康，大于3说明市场拓展较为保守；小于3说明转化效率底下。

LTV=LT*ARPU
LT指用户平均生命周期，留存率之和。

举例：如果知道用户一个月内的留存率，可以使用excel做出对数趋势线，看下r方。根据对数公式计算出留存率之和，也就是LT。
注意：ARPU与LT要有单位之间的换算。

CAC计算要考虑进去成本，包括营销费用、推广费用、以及人力成本。CAC是一个平均值，可能在各渠道下成本不一，可以区分渠道分别计算。

即花费的用户获取成本能在多长时间内回本。PBP越短资金周转越快。

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

4. 漫谈用户行为分析的价值和意义

很多人可能不知道，“行为分析”四个字的分量已经代表了近两年一些高速成长的公司对数据分析需求的精细化程度，同时，它也催生出了新一代的数据分析工具和分析方法。过去，所有人都在关注PV、UV、跳出率、访问深度、停留时长，还有很多人始终放不下的热力图等，总体来说，这些指标都属于统计指标，反映的都是产品总体情况，数据的价值除了反映现状，还有更重要的是应用。统计是数据汇总整理的结果，没有分析，怎能拿来指导业务增长呢?

当然，可能指导过。比如一款阅读产品，通过文章详情页的停留时长可以判断用户对文章的喜好程度，但是，他可能在滑动屏幕看文章、可能在评论区输入一段评论，当然，也可能没看文章却登录了诸葛io的官网看当天的实时数据。所以比起用户在该页面所花时间的汇总，用户是否是在看文章还是在评论以及评论的内容是什么对我们更有指导意义。

技术在发展，时代在召唤，所以，行为分析，你需要了解并且知道如何应用。

一、什么是用户行为分析

一口气说： 基于用户在互联网产品上的行为以及行为背后的人发生的时间频次等维度深度还原用户使用场景并且可以指导业务增长。
慢点说： 对用户模型做关键补充。通过行为数据的补充，构建出精细、完整的用户画像。传统统计工具的数据背后没有人，所以也谈不上用户模型（画像），一个完整、多维、精确的用户画像=用户行为数据+用户属性数据

二、用户行为分析在应用中的价值
关于影响数据结果和判断的三个维度：

基于以上理解，我们看行为分析的重要性，基于行为分析，需要让CEO对产品所切入的市场判断更准确，让市场推广人员精细化评估渠道质量，让产品设计人员准确评估用户行为路径转化、产品改版优良、某一新功能对产品的影响几何，让运营人员做精准营销并且评估营销结果等。

所以，价值在哪儿呢？罗列4点

1、自定义留存分析

从前： 我们通常会认定一个用户只要打开APP就算当天的一个活跃用户，今天新增的用户只要明天启动一次APP就认为是一个留存用户；

现在： 基于用户行为，我们可以做精细化留存评估。根据产品特性自定义用户留存，比如一个阅读类产品，用户打开APP后有没有去浏览或是查看一篇文章，我们可以把今天来了查看了至少一篇文章的用户算作今天的一个活跃；

意义： 留存是反映任何一款产品健康度的高级指标，无论是运营好坏、产品功能设计如何，最终都可以通过留存衡量整体的情况，贴合产品业务本身去衡量留存，精细化评估产品健康度，让留存数据更有价值和指导意义。

2、精细化渠道质量评估

从前： 流量时代，评估渠道带来了多少访问人数，注册人数。

现在： 人口红利期已过，产品推广渠道在增多，产品越来越垂直，加上同质化竞争直接导致获客成本变高，无论从市场执行人员的角度还是公司角度，都在评估ROI，除了看流量，更需要看质量。如何评估质量，需要基于用户行为并且贴合业务去评估，一款理财产品，通过不同渠道带来的用户，真正查看了理财产品详情的有多少，真正投资成功的又有多少，哪个渠道用户又有邀请行为，最后留存最高的是哪个渠道，再结合渠道投入，计算ROI。

意义： 降低渠道成本，提升渠道转化。

3、产品分析（路径转化/漏斗分析、找到产品改进关键点、找到促进核心转化的相关因素、Aha moment等）

路径转化/漏斗分析 ：关注核心转化，比如注册转化、购买转化，从而优化流失节点，优化行为路径设计；

找到产品改进关键点： 用数据量化产品核心功能，让产品迭代排期更科学，部门配合更高效；

找到促进核心转化的相关因素：挖掘促进用户触发核心行为的关键行为，比如可促进用户实现购买的某些因素，找到相关行为做优化或运营激励；

Aha moment（惊艳一刻） ：快速执行，超出用户预期，让产品指数级增长。

4、精准营销（用户分群、用户分层、活动质量评估）

从前 ：面向所有用户或者基于用户属性维度做营销、做服务。属性包括：注册账号、手机号、性别、年龄、地域、积分和一些标签。

现在 ：属性+行为，无限接近真实用户。通过用户点击查看商品详情、搜索行为、点击关注某款理财产品的关注按钮、购买了个东西等等这些行为以及行为触发的人、时间、频次知道用户最近在关注什么、对哪一类商品感兴趣、对哪一类文章感兴趣、哪种理财偏好。

意义 ：用行为维度和属性维度共同去定位用户在产品的生命周期以及真实生活场景中的角色。营销更精准，用户体验更佳。

以上4点，每一点都可以再展开来说，说价值、说方法、说案例，篇幅有限，日子还长，慢慢聊~

本文作者来自诸葛io CS团队成员。

5. 如何做好用户行为分析

做好用户行为分析的方法：利用数据分析平台可以通过无埋点和埋点的方式将以上信息进行采集和整理分析。所以做好用户分析的要点就在于通过搭建好的平台去完成用户行为信息的收集，然后结合好的分析模型去将以上信息加以利用。

用户行为分析的意义：

1、有效的用户行为是能够基于此分析总结用户意图和喜好的触发动作：比如在公众号进行图文阅读、在淘宝搜索栏搜索“男装”、对单个商品加入购物车、对单个页面长时间浏览等。

2、而例如微博热搜列表浏览、订阅号信息列表浏览等不涉及到具体触发点击动作的，则是无效的用户行为。

6. 什么是用户行为分析

要回答以上问题，我们需要关注用户在咱们产品上的各种行为，并对用户行为进行统计和分析。以上述第一个问题为例，需要关注的行为包括：点击功能入口、进入新功能页面、点击目标按钮等。如果对行为进行统计，则会得到如下指标

如果对行为进行分析，你可能会提出如下问题：

以上是围绕用户行为分析的一个小案例，这个案例展现了我们做行为分析需要经历的 3 个步骤：

参考神策分析，使用“事件模型（ Event 模型）”来描述用户的各种行为，事件模型包括事件（ Event ）和用户（ User ）两个核心实体。

为什么这两个实体结合在一起就可以清晰地描述清楚用户行为？

实际上，我们在描述用户行为时，往往只需要描述清楚几个要点，即可将整个行为描述清楚，要点包括：是谁、什么时间、什么地点、以什么方式、干了什么。而事件（ Event ）和用户（ User ）这两个实体结合在一起就可以达到这一目的

一个完整的事件（ Event ），包含如下的几个关键因素：

Who：即参与这个事件的用户是谁。

When：即这个事件发生的实际时间。

Where：即事件发生的地点。

How：即用户从事这个事件的方式。这个概念就比较广了，包括用户使用的设备、使用的浏览器、使用的 App 版本、操作系统版本、进入的渠道、跳转过来时的 referer 等，目前，神策分析预置了如下字段用来描述这类信息，使用者也可以根据自己的需要来增加相应的自定义字段。

What：以字段的方式记录用户所做的事件的具体内容。不同的事件需要记录的信息不同，下面给出一些典型的例子：

对于一个“购买”类型的事件，则可能需要记录的字段有：商品名称、商品类型、购买数量、购买金额、 付款方式等；

对于一个“搜索”类型的事件，则可能需要记录的字段有：搜索关键词、搜索类型等；

对于一个“点击”类型的事件，则可能需要记录的字段有：点击 URL、点击 title、点击位置等；

对于一个“用户注册”类型的事件，则可能需要记录的字段有：注册渠道、注册邀请码等；

对于一个“用户投诉”类型的事件，则可能需要记录的字段有：投诉内容、投诉对象、投诉渠道、投诉方式等；

对于一个“申请退货”类型的事件，则可能需要记录的字段有：退货金额、退货原因、退货方式等。

描述事件的任意一个字段，都是一个事件属性。应该采集哪些事件，以及每个事件采集哪些事件属性，完全取决于产品形态以及分析需求。

每个 User 实体对应一个真实的用户，每个用户有各种属性，常见的属性例如：年龄、性别，和业务相关的属性则可能有：会员等级、当前积分、好友数等等。这些描述用户的字段，就是用户属性。

7. 如何做用户行为路径分析

如何做用户行为路径分析

用户行为路径分析是互联网行业特有的一类数据分析方法，它主要根据每位用户在App或网站中的点击行为日志，分析用户在App或网站中各个模块的流转规律与特点，挖掘用户的访问或点击模式，进而实现一些特定的业务用途，如App核心模块的到达率提升、特定用户群体的主流路径提取与浏览特征刻画，App产品设计的优化与改版等。

本文会对用户行为路径分析方法作一些简单的探讨，更多的偏向于一些路径分析业务场景与技术手段的介绍，起到抛砖引玉的作用，欢迎致力于互联网数据分析的朋友们拍砖与批评。以后有机会可以继续介绍分享与实际业务结合较多的用户行为路径分析案例。

一、 路径分析业务场景

用户行为路径分析的一个重要终极目的便是优化与提升关键模块的转化率，使得用户可以便捷地依照产品设计的期望主流路径直达核心模块。具体在分析过程中还存在着以下的应用场景：

用户典型路径识别与用户特征分析

用户特征分析中常常使用的都是一些如性别、地域等人口统计数据或订单价、订单数等运营数据，用户访问路径数据为我们了解用户特征打开了另一扇大门。例如对于一款图片制作上传分享的应用，我们可以通过用户的App使用操作数据，来划分出乐于制作上传的创作型用户，乐于点赞评论的互动型用户，默默浏览看图的潜水型用户，以及从不上传只会下载图片的消费型用户。

产品设计的优化与改进

路径分析对产品设计的优化与改进有着很大的帮助，可以用于监测与优化期望用户路径中各模块的转化率，也可以发现某些冷僻的功能点。一款视频创作分享型App应用中，从开始拍摄制作视频到视频的最终发布过程中，用户往往会进行一系列的剪辑操作；通过路径分析，我们可以清晰的看到哪些是用户熟知并喜爱的编辑工具，哪些操作过于冗长繁琐，这样可以帮助我们针对性地改进剪辑操作模块，优化用户体验。如果在路径分析过程中用户的创作数量与用户被点赞、评论以及分享的行为密切相关，就可以考虑增强这款App的社交性，增强用户黏性与创作欲望。

3、产品运营过程的监控

产品关键模块的转化率本身即是一项很重要的产品运营指标，通过路径分析来监测与验证相应的运营活动结果，可以方便相关人员认识了解运营活动效果。

二、 路径分析数据获取

互联网行业对数据的获取有着得天独厚的优势，路径分析所依赖的数据主要就是服务器中的日志数据。用户在使用App过程中的每一步都可以被记录下来，这时候需要关注的便是优秀的布点策略，它应当与我们所关心的业务息息相关。这里可以推荐一下诸葛io，一款基于用户洞察的精细化运营分析工具；将诸葛io的SDK集成到App或网站中，便能获得应用内的所有用户行为数据。事实上，诸葛io认为在每个App里，不是所有事件都有着同样的价值，基于对核心事件的深度分析需求，诸葛io推荐大家使用层级化的自定义事件布点方式，每一个事件由三个层次组成的：事件(Event)、属性(Key)和属性值(Value)。同时，诸葛io还为开发者们提供数据监测布点咨询服务，可以根据丰富的行业经验为客户提供个性化的事件布点咨询和技术支持。

三、 漏斗模型与路径分析的关系

以上提到的路径分析与我们较为熟知的漏斗模型有相似之处，广义上说，漏斗模型可以看作是路径分析中的一种特殊情况，是针对少数人为特定模块与事件节点的路径分析。

漏斗模型通常是对用户在网站或App中一系列关键节点的转化率的描述，这些关键节点往往是我们人为指定的。例如我们可以看到某购物App应用的购买行为在诸葛io中的漏斗转化情况。这款购物App平台上，买家从浏览到支付成功经历了4个关键节点，商品浏览、加入购物车、结算、付款成功，从步骤1到步骤4，经历了其关键节点的人群越来越少，节点的转化率呈现出一个漏斗状的情形，我们可以针对各个环节的转化效率、运营效果及过程进行监控和管理，对于转化率较低的环节进行针对性的深入分析与改进。其他的漏斗模型分析场景可以根据业务需求灵活运用，诸葛io平台中拥有十分强大的漏斗分析工具，是您充分发挥自己对于数据的想象力的平台，欢迎参看一个基于漏斗模型的分析案例《漏斗/留存新玩儿法》。

路径分析与漏斗模型存在不同之处，它通常是对每一个用户的每一个行为路径进行跟踪与记录，在此基础上分析挖掘用户路径行为特点，涉及到每一步的来源与去向、每一步的转化率。可以说，漏斗模型是事先的、人为的、主动的设定了若干个关键事件节点路径，而路径分析是探索性的去挖掘整体的行为路径，找出用户的主流路径，甚至可能发现某些事先不为人知的有趣的模式路径。从技术手段上来看，漏斗模型简单直观计算并展示出相关的转化率，路径分析会涉及到一些更为广泛的层面。

四、路径分析常见思路与方法

1、朴素的遍历统计与可视化分析探索

通过解析布点获得的用户行为路径数据，我们可以用最简单与直接的方式将每个用户的事件路径点击流数据进行统计，并用数据可视化方法将其直观地呈现出来。D3.js是当前最流行的数据可视化库之一，我们可以利用其中的Sunburst Partition来刻画用户群体的事件路径点击状况。从该图的圆心出发，层层向外推进，代表了用户从开始使用产品到离开的整个行为统计；sunburst事件路径图可以快速定位用户的主流使用路径。通过提取特定人群或特定模块之间的路径数据，并使用sunburst事件路径图进行分析，可以定位到更深层次的问题。灵活使用sunburst路径统计图，是我们在路径分析中的一大法宝。

诸葛io不仅能够便捷获取布点数据，也为客户提供了个性化的sunburst事件路径图分析，并可为客户产品制作定制化的产品分析报告。

2、基于关联分析的序列路径挖掘方法

提到关联规则分析，必然免不了数据挖掘中的经典案例“啤酒与尿布”。暂且不论“啤酒与尿布”是不是Teradata的一位经理胡编乱造吹嘘出来的“神话故事”，这个案例在一定程度上让人们理解与懂得了购物篮分析（关联分析）的流程以及背后所带来的业务价值。将超市的每个客户一次购买的所有商品看成一个购物篮，运用关联规则算法分析这些存储在数据库中的购买行为数据，即购物篮分析，发现10%的顾客同事购买了尿布与啤酒，且在所有购买了尿布的顾客中，70%的人同时购买了啤酒。于是超市决定将啤酒与尿布摆放在一起，结果明显提升了销售额。

我们在此不妨将每个用户每次使用App时操作所有事件点看成“购物篮”中的“一系列商品”，与上面提到的购物篮不同的是，这里的所有事件点击行为都是存在严格的前后事件顺序的。我们可以通过改进关联规则中的Apriori或FP-Growth算法，使其可以挖掘存在严格先后顺序的频繁用户行为路径，不失为一种重要的用户路径分析思路。我们可以仔细考量发掘出来的规则序列路径所体现的产品业务逻辑，也可以比较分析不同用户群体之间的规则序列路径。

社会网络分析（或链接分析）

早期的搜索引擎主要基于检索网页内容与用户查询的相似性或者通过查找搜索引擎中被索引过的页面为用户查找相关的网页，随着90年代中后期互联网网页数量的爆炸式增长，早期的策略不再有效，无法对大量的相似网页给出合理的排序搜索结果。现今的搜索引擎巨头如Google、网络都采用了基于链接分析的搜索引擎算法来作为这个问题解决方法之一。网页与网页之间通过超链接结合在一起，如同微博上的社交网络通过关注行为连接起来，社交网络中有影响力很大的知名权威大V们，互联网上也存在着重要性或权威性很高的网页。将权威性较高的网页提供到搜索引擎结果的前面，使得搜索的效果更佳。

我们将社交网络中的人看作一个个节点，将互联网中的网页看作一个个节点，甚至可以将我们的App产品中的每一个模块事件看作一个个节点，节点与节点之间通过各自的方式连接组成了一个特定的网络图，以下将基于这些网络结构的分析方法统称为社会网络分析。

社会网络分析中存在一些较为常见的分析方法可以运用到我们的路径分析中来，如节点的中心性分析，节点的影响力建模，社区发现等。通过中心性分析，我们可以去探索哪些模块事件处于中心地位，或者作为枢纽连接了两大类模块事件，或者成为大多数模块事件的最终到达目的地。通过社区发现，我们可以去探索这个社会网络中是否存在一些“小圈子”，即用户总是喜欢去操作的一小部分行为路径，而该部分路径又与其他大部分模块相对独立。

以上是小编为大家分享的关于如何做用户行为路径分析的相关内容，更多信息可以关注环球青藤分享更多干货

8. 什么是用户行为分析如何做好用户行为分析

何为“用户行为信息”（User Behavior Information）呢？简单地说，就是用户在网站上发生的所有行为，如搜索、浏览、打分、点评、加入购物筐、取出购物筐、加入期待列表（Wish List）、购买、使用减价券和退货等；甚至包括在第三方网站上的相关行为，如比价、看相关评测、参与讨论、社交媒体上的交流、与好友互动等。利用数据分析平台可以通过无埋点和埋点的方式将以上信息进行采集和整理分析。所以做好用户分析的要点就在于通过搭建好的平台去完成用户行为信息的收集，然后结合好的分析模型去将以上信息加以利用。目前大家在使用的工具一般为：Google Analytics；Mixpanel；数极客；友盟等

9. 如何分析网站访问者的行为

一个用户要访问一个网站，他都会使用到哪些事物、留下哪些踪迹呢?鼠标，键盘，浏览器这三样无疑是必不可少的，登录网站之后，他的整个访问轨迹，停留时间等等。那么，这些事物和踪迹又能告诉我们什么呢?
第一，用户的鼠标点击某种程度上可以告诉我们用户在某个网页上的视觉轨迹。因为根据人的一般行为规律，用户会先点击他最先注意到的网页元素，无论这个元素是个按钮还是其它。因此，对用户鼠标点击的总结和分析将能够告诉我们用户在一个网页上的视觉大致浏览轨迹，由此可以得出一个网页设计是否合理，是否能够使得用户真正注意并且能够点击到企业需要让他点击的位置。最终影响到整个网站的信息架构甚而网站结构。
第二，浏览器，对于浏览器和用户操作系统信息的获取已经不是什么新鲜的功能，它们能够告诉我们的无非是用户使用机器的一些基本信息，此处不再多做叙述。
第三，访问轨迹，停留时间。对于这两项就大有文章可做了，从大的层面而言，它可以告诉我们用户在整个访问网站的过程中都做了哪些事情，既用户的客观行为，从小的层面而言，它可以告诉我们一些我们不通过分析访问轨迹无法得知的网站在用户操作流程上可能存在的问题，加上停留时间的参数进行分析的话，甚至可以告诉我们访问网站的用户的类型。以下分别举例说明这两种情况。
例一，我们通过网站访问轨迹的分析，发现一个用户在购买某件商品的付款流程中，总是在结算过程中跳出，那么，此时就可能存在两个可能：第一，结算页面存在误操作。第二：用户还想继续购买其它物品。此时我们结合对结算页面的鼠标点击分析，发现用户是点击了错误的链接导致总是意外跳出。此时，就可以断言，这个结算页面的设计存在问题，需要改进。
例二：有两名用户，其中一个登录新浪之后首先点击“科技”频道，随后点击了“互联网”，另外一个先点击了“科技”频道，随后点击了“数码”但在数码仅停留了很短的一个时间立即点到了“互联网”，那么，某种程度上这两名用户的操作习惯存在一致性，而且根据他们所感兴趣的内容可以一定几率上判定他们是it行业从业人员。通过对无数次同样的归类，我们就可以通过对这些数据的分析，得到我们网站用户的大致类型，所谓知己知彼才能百战百胜，知道我们面对的是什么样的用户，策略的制定才能有的放矢。
综上所述，我们不难看出网站访问行为分析的几个基本维度和它所能带来的好处。目前的网站流量统计分析产品普遍缺乏这样的维度，导致只是数据堆砌洏无法对这些用户行为获得有效的获知。而只有了解了用户的行为，企业才能有的放矢，做出相应的策略。

10. 如何进行用户访问行为分析

用户行为一直是网站优化关注的重点，分析网站用户行为，对提高网站的转换率帮助很大，至少你知道用户需要什么，接下来你应该怎么去满足这些行为。目前几乎90%上的网站几乎都销售为主，无论是产品还是服务，都的为了销售。当然还有一些是需要用户参与网站的某些调查，但是一般专门为这些行为做的网站还是比较少， seo培训下面主要分析用户的购买行为。在做SEO的朋友当中，可能有50%不会卖东西，但是我相信100%的都会买，我们这里也是研究购买者的行为，所以每个人都很可以平等参与，从购买者的角度去分析。如果你对某一些方面的产品感兴趣。但是不知道拥有这种功能的产品名称甚至具体型号，这在营销专家来看，是属于“初级需求”，他们使用经济术语“需求” 来描述当一个购买者对某物质的需要，处于这一阶段的用户遇见了问题，但是不知道是否有相关产品或服务可以帮助他们解决；或者在很多方案中却不知道如何选择 （选择性需求）；甚至是知道某一产品能解决自己的问题，正在需找某一喜好的品牌或适合自己的某一型号。这就是购买者行为。初级需求用户行为一个处于“初级需求”的用户，在他准备进入“选择性需求”之前，他可能正在努力寻找关于可以解决他目前问题的有效方法，这个时候他对产品并不敏感，而对信息特别喜好。