相比於傳統行業，用戶行爲分析平臺可能是互聯網企業的一個特有的數據分析工具。能夠對用戶行爲進行分析，進而展開精細化運營，可能也是互聯網行業發展迅速的原因之一。隨着傳統行業逐步互聯網化，用戶行爲分析的應用場景也越來越廣，該平臺在企業內扮演的角色也愈發重要。
得益於用戶所使用的硬件和軟件，我們可以記錄到大量的行爲數據。用戶行爲分析平臺便是對這類數據進行深度地分析，從中挖掘有價值的信息，例如不同羣體對產品的偏好，使用習慣等。這些信息最終能指導產品和運營等方向的優化。可以說，用戶行爲分析平臺是數據驅動業務的代表產品。
典型的行爲分析包括了留存分析、轉化分析、路徑分析等，以及基礎的用戶分羣，這些功能若都能沉澱並在平臺上產品化，將能大大提高企業對行爲數據分析的效率和覆蓋用戶的廣度，不具備專業數據分析技能的人員在簡單接受產品培訓後也可以完成相關分析。本文也會主要關注以上幾個模塊。
用戶分羣
用戶分羣的操作，本身其實不會直接產生價值，但卻可以說是後續一切分析的基礎。如果不進行分羣，所有的分析都只基於彙總數據，很多細節在彙總時都丟失了。引用資深數據專家、Google Analytics的推廣人之一Avinash Kaushik的名言：所有聚合的數據都是垃圾，要麼分組，要麼去死。（All data in aggregate is crap. Segment or die.）可見分組、分羣的重要性。我們常見的分羣例如：用戶獲取渠道來源，設備終端，新老用戶等屬性，以及是否有過具體某類行爲等。對用戶根據需求分羣后，再進行留存、轉化等分析，通常會事半功倍，也能發掘真正有價值的信息。
用戶畫像也可以被理解爲用戶分羣的一種，用戶畫像會根據一系列用戶標籤和算法對用戶進行畫像描繪和分羣。這裏介紹的用戶分羣產品，可以看作是用戶畫像的消費方，在用戶分羣產品中可以根據已有的畫像進行分羣。具體的畫像產品或許會在另一篇裏講述。
不論是根據用戶所具備的自然屬性，還是在產品使用過程中所表現的行爲特徵進行分羣，都要求產品能做到足夠廣度和深度的數據記錄，也就是我們在第一篇數據產品指北（一）— 埋點中要下的功夫。
在用戶分羣模塊中，我們可以根據已有的數據，配置分羣規則，創建新的羣組。分羣的操作，其實類似SQL中的條件查詢。通過將代碼功能產品化，降低了使用門檻。
如下圖，是神策產品中的針對某直播業務的用戶分羣功能展示。
該分羣結果爲用戶屬性滿足用戶等級大於10且用戶類型爲普通用戶，且在2017-4-17至2017-5-16之間有過至少5次送禮物行爲且禮物類型爲付費禮物，且在2017-4-17至2017-5-16之間有過留言和點贊行爲的用戶。我們視其爲高粘性且高頻消費用戶，在平臺上完成篩選後對該用戶羣命名並保存。運營人員可以查看該用戶羣的明細列表，更重要的是可以通過其他行爲分析工具來觀察這部分用戶的行爲表現，以及和其他用戶的區別。這類分析對於我們在用戶增長工作中定義目標人羣、魔法數字、尋找增長機會、進行增長實驗等環節都有非常大的幫助。
可以看到，用戶分羣本質上是一種條件篩選器，在每個篩選器中篩選出符合特定要求的用戶羣。篩選器中首先需要定義篩選的字段（具體的用戶屬性、行爲特徵等），再通過大小等於不等於、是否在之間、是否在其中等關鍵字完成條件的設定。若篩選的字段是數字，自然篩選範圍也是數字，若篩選的字段是字符串，可以提供相應字段的列表進行篩選。篩選器間可以嵌套，可以通過AND、OR（表示並且、或者）等關鍵字連接。
留存分析
留存分析是通過對用戶使用產品的情況、活躍程度等進行分析以判斷用戶是否仍留存在產品內的分析模型。用戶留存在產品運營週期中的重要性無需多言，由於本文重點關注完成分析的數據產品，因此不會涉及過多具體分析的內容。
要進行留存分析，首先需要定義留存和流失的標準。不同類型的產品可能有不同的定義方式，有些公司會把留存簡單定義爲用戶在一定時間後仍有打開產品。但有些公司可能需要更嚴格的定義，例如某電商公司可能將留存定義爲用戶在一定時間內有再次消費的行爲。因此，在留存分析模塊內，要可以對留存進行定義，即支持自定義起始和回訪事件，同時還可分別設置過濾條件。例如對於一款短視頻app，我們可將起始事件設計爲打開app，回訪事件設計爲播放視頻。當然，此時我們已經可以應用在用戶分羣模塊中設置的用戶羣，進行對特定羣體的分析了。下圖展示了Growing IO定義留存的頁面。
衡量留存，我們通常會計算同一用戶羣不同時間段的留存率，並以此繪製留存曲線，這便是我們常說的同期羣分析（Cohort Analysis）。在同期羣分析中，我們會把同一時期加入的用戶放入模型，橫向追蹤他們在未來一段時間內是否仍然留存或流失，流失的時間和比例。例如常見的次日留存、7日留存，以及更長時間段更粗粒度的周留存、月留存等。用戶起始事件的日期和回訪事件的日期間隔N，便是該用戶的留存日期，即N日的留存用戶。
留存率的計算公式爲：具體某天的N日留存率=該天起始用戶在N日留存的用戶數/該天的起始用戶數。當然也可以選擇周、月、甚至年等其他統計週期。
在明確留存事件、留存週期和統計時長後，就可以統計出每個週期的留存率和繪製留存曲線了，這些功能都可以由留存分析模塊自動輸出。例如下圖，是Growing IO對過去180天用戶的月留存進行的分析。更精細的分析還可以同時繪製出多條不同統計週期下起始用戶的留存曲線，從而解讀每個週期下不同留存表現背後的不同動作。
詳細數據可以查看如下的留存表格，表格中記錄了每個統計週期內起始用戶在後續每個留存週期內的留存表現，並通過單元格顏色深淺表示留存程度。
若想從整體上了解用戶留存的情況是否越來越好，還可以查看特定週期留存率隨時間變化的趨勢。如下圖反映了過去30天，用戶次日留存、7日留存和14日留存的趨勢情況。
針對特定週期下的留存用戶，我們還可以查看詳細的留存用戶列表，做更細緻的分析，更可以將該用戶羣保存爲新的用戶分羣。
轉化分析
轉化分析是對完成關鍵行爲的每一個環節建立轉化漏斗，瞭解最終及每一步具體轉化情況的分析模型。轉化分析能讓我們清晰認識到目前轉化上的問題節點，並展開優化工作。
要進行轉化分析，首先自然要定義轉化漏斗。轉化分析模塊可以新建任意的轉化漏斗，在新建過程中正確選擇每個步驟的事件或指標即可。例如，下圖是Growing IO中新建轉化漏斗的頁面。左側是可選擇的具體事件或指標，根據勾選順序會在右側構建漏斗。定義轉化漏斗時，我們同樣可以選擇特定的用戶分羣進行分析。
需要注意的點是，用戶完成整個轉化鏈條不一定是連續的。例如用戶在某電商網站購物，可能在第一天完成了商品的加購，但三天後纔會完成下單支付。因此在轉化分析模塊，需要設置轉化的窗口期，即用戶完成整個轉化鏈條的總時長。而轉化分析的統計時間範圍，通常是指轉化步驟的第一步發生在該統計範圍內，後續步驟不一定在此範圍內。例如，下圖是Growing IO中模擬的某電商網站簡易購買轉化漏斗。統計範圍是過去14天，意味着統計瀏覽商品詳情頁（第一步）發生在過去14天的所有記錄。轉化週期是3天，意味着只統計在3天內完成了整個轉化鏈條的記錄。
轉化漏斗中，可以瞭解整體的總轉化率，每一步的絕對數量和階段轉化率。以上圖數據爲例，可以明顯定位問題在於大量用戶瀏覽商品後卻沒有加購，導致最終沒有成單。
與留存分析一樣，我們還可以查看轉化率隨時間變化的趨勢圖，以定位轉化問題與特定時間點之間的關聯。下圖是該舉例數據的轉化趨勢表現，可發現在統計週期最後3天，轉化率下降明顯。但由於我們選擇的統計範圍是最近14天且轉化週期是3天，可能因爲這個原因，導致部分最後3天進入漏斗的用戶還未完成整個鏈路，影響了當天的轉化率。
簡單的轉化漏斗分析可能還不能滿足精細化運營的需求，更理想的做法是對不同維度或用戶羣進行細分和對比分析，以瞭解不同羣體間的轉化區別，進而指導我們的運營方向（是的，用戶分羣又派上用場了）。例如，下圖根據用戶等級進行了漏斗對比，發現鑽石用戶的轉化率居然還不如普通用戶，這很可能意味着會員體系設計上的bug，相關產品人員可能需要好好反思總結下了。
行爲路徑分析
轉化分析能告訴我們最終有多少用戶成功轉化，多少用戶流失了。可這些流失的用戶都去了哪？他們在流失前都有什麼行爲？甚至他們爲什麼會流失？這些問題轉化分析都無法告訴我們，因此我們需要對用戶的行爲路徑進行分析，以幫助我們更深入的瞭解流失背後的原因。
行爲路徑分析是用來追蹤用戶從某個事件開始到某個事件結束過程中的全部動線的分析方法。聽上去和轉化分析有點類似，但行爲路徑分析記錄的信息要更廣，記錄的時長通常更短。
轉化漏斗是人爲定義的，而對於用戶的行爲路徑，我們雖然可以通過產品設計進行引導，但卻無法控制。因此我們分析用戶的行爲路徑不光是爲了作爲用戶轉化分析的補充，更可以瞭解用戶的實際動線、操作行爲，讓產品順應用戶，找到用戶的願望線。願望線的概念來源於設計心理學，它反映了人們最希望行走的路徑。最典型的例子便是我們在小區、公園等地都會發現除去修築好的道路，總有一些人爲踩踏草坪走出來的路，這便是用戶真實希望的路徑。在產品設計時，我們其實更多的應該是順應用戶的行爲，而不是規劃用戶的行爲。
要完成行爲路徑分析，需要先定義Session。Session即會話，是指在一段時間內，用戶在產品中的行爲總和。一次Session可能包含了多個頁面訪問、圖片瀏覽、社交互動、支付交易等行爲，以及會有在多個頁面間來回流轉的重複行爲。我們會根據時長和具體事件完成Session的切分。行爲路徑分析和轉化分析的另一個不同便是，行爲路徑一般會被定義一串連續的行爲，因此不會像轉化分析一樣設置以天爲單位的統計週期。比如對於Web產品，Session的切割時間可能就是30分鐘，而對於App產品，可能切割時間只有1-5分鐘。通過Session我們可以瞭解用戶的實際使用時長和交互深度，但時長越長和交互事件越多並不一定代表產品對用戶價值越大，需要具體問題具體分析。也有可能是因爲動線設計不合理，導致用戶增加了大量無效的操作。
其次需要挖掘在Session中用戶的最大前驅路徑。最大前驅路徑的意思是，用戶在產品內可以完成的所有行爲路徑的集合。例如用戶訪問Session有如下的路徑{A,B,C,D,C,B,E,G,H,G,W,A,O,U,O,V}，這裏每個字母代表一個訪問節點。尋找最大前驅路徑的思路就是每當發生回退事件，則意味一條路徑結束，需要回到回退事件之前的節點，再繼續往下尋找。因此這裏得到的最大前驅路徑爲{ABCD,ABEGH,ABEGW,AOV,AOU}，一共5條路徑，畫成樹如下：
尋找最大前驅路徑的工作，有特定的算法可以解決，我們更需要關心的是在完成這些準備工作後的行爲路徑分析產品化。在行爲路徑分析模塊中，我們可以設置路徑的開始和結束節點，以及統計的時間範圍。如果是配合轉化分析，可以設置爲轉化漏斗的第一步和最後一步。該模塊同樣也可以支持屬性和用戶分羣的篩選。最終的分析結果以桑基圖的形式呈現。例如下圖是神策中對用戶行爲路徑的分析。每一條串聯起的流向都是一條用戶路徑，直至節點最多的用戶路徑爲止。
用戶行爲路徑分析能讓我們更深入的瞭解用戶的實際行爲動向，發現更深層次的問題。在上圖中大量用戶在打開App後成功被Banner位活動所吸引，但最後只有30%用戶通過活動落地頁提交訂單（假設是一個開通付費會員的活動），大量用戶選擇跳轉到商品詳情頁。這說明活動落地頁的設計存在問題，不足以直接轉化用戶開通付費會員，用戶仍需要通過瀏覽實際商品瞭解付費會員的價值。
事件分析
事件分析是指對具體的事件或指標進行查詢分析。事件分析是最基礎的用戶行爲分析，但也可以說是最細緻的分析，所以放到了最後來講解。通過對預先設計的埋點事件進行不同維度和時間範圍的篩選，可以簡單快捷的查詢我們想要的數據，本質上就類似於我們通過SQL完成取數工作。
要完成事件分析，首先要明確事件的定義。由於在數據埋點篇中已做了詳細介紹，這裏就不再贅述了。只需瞭解事件是通過埋點記錄，一個產品中會包含大量的事件。一個事件內可能包含多個事件屬性，以key-value的形式記錄。例如埋點篇中的活動訪問事件，包含了活動ID、訪問來源等屬性。而有一些所有事件都具有的屬性，可以單獨作爲公共屬性記錄，例如設備終端、操作系統、app版本等。
事件分析模塊的一個重要功能是需要支持自定義事件或指標。埋點是最細節的統計數據，同時有一定的開發成本，不會頻繁變動。因此有些有分析需求的事件或指標不會直接由埋點一一記錄，而需要人爲的在事後定義。例如統計同時訪問過A、B兩個活動的用戶數，需要定義一個新事件：既有A活動訪問事件，又有B活動訪問事件，對於這種由多個原始事件組合、過濾得出的新事件，通常被稱爲虛擬事件。以及在數據指標篇中提到的計算指標，例如某商品詳情頁的點擊率，需要通過自定義詳情頁點擊次數/商品展現次數得出。
在進行事件分析時，只需選擇具體的事件或指標，以及指標的統計方式，通常包括求和/平均/人均等方式，在選擇統計的時間範圍就可以完成基礎分析了。更細緻的需求，還可以通過添加拆分維度和用戶分羣進行深度分析。如下圖統計了商品點擊和加購行爲在過去七天的次數變化趨勢，並按照男裝/女裝的類目進行了拆分。
由於留存分析、轉化分析、路徑分析其實都是對事件進行定義和組合後進行的分析，所以可以認爲事件分析是其他各類分析的基礎。在基礎的事件分析中，我們一般會配置一些常用的分析指標，比如PV、UV、DAU等。而作爲最原始和最基礎的分析工具，事件分析的粒度也是最細的，因此除了瞭解常規的事件和指標的表現，我們有必要藉助事件分析挖掘更細節的數據。
本篇主要介紹了一些在用戶行爲分析平臺中應用最廣的產品功能和分析方法，除此之外還有諸如用戶行爲細查、熱圖分析等相關功能。隨着技術本身和從業人員分析水平的進步，未來必然會有更豐富更科學的分析工具和方式出現，例如藉助AI能力幫助企業智能定位魔法數字和願望線的功能。我們能做的只有不斷進步，跟上行業發展的趨勢，保證自己處在領域前沿。越早掌握新工具，越能獲得先發優勢。
用戶行爲分析平臺篇到此結束。
相關閱讀
參考文獻
梁旭鵬. 《數據產品經理修煉手冊》. 2019.03.
桑文鋒. 《數據驅動：從方法到實踐》. 2018.03.
曲卉. 《硅谷增長黑客實戰筆記》. 2019.04
歡迎關注公衆號：羅老師別這樣；感受一個產品人的成長與反思；
公衆號將持續更新深度學習筆記及個人心得，不輕易更新，但更新一定保證價值，望你和作者共同進步