一種分析用戶行為的方法

A. 常用數據分析處理方法有哪些

1、漏斗分析法

漏斗分析法能夠科學反映用戶行為狀態，以及從起點到終點各階段用戶轉化率情況，是一種重要的分析模型。漏斗分析模型已經廣泛應用於網站和APP的用戶行為分析中，例如流量監控、CRM系統、SEO優化、產品營銷和銷售等日常數據運營與數據分析工作中。

2、留存分析法

留存分析法是一種用來分析用戶參與情況和活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行後續行為。從用戶的角度來說，留存率越高就說明這個產品對用戶的核心需求也把握的越好，轉化成產品的活躍用戶也會更多，最終能幫助公司更好的盈利。

3、分組分析法

分組分析法是根據數據分析對象的特徵，按照一定的標志(指標)，把數據分析對象劃分為不同的部分和類型來進行研究，以揭示其內在的聯系和規律性。

4、矩陣分析法

矩陣分析法是指根據事物(如產品、服務等)的兩個重要屬性(指標)作為分析的依據，進行分類關聯分析，找出解決問題的一種分析方法，也稱為矩陣關聯分析法，簡稱矩陣分析法。

B. 用戶瀏覽行為如何分析

用軟體就可以實現，比如EMwork，可以對用戶的操作行為進行分析、監管，實時掌握用戶使用情況等。

C. 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。

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。

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

D. 設計師用戶分析常用的方法有哪些UI設計

一、觀察用戶行為
在產品產出早期，面向產品的用戶並沒有很多，甚至只是一些內部人員，ui設計師可以通過觀察用戶使用產品過程中的一些行為，記錄下交互流程中用戶的操作與預設有哪些出入；記錄下這些偏差並思考這些偏差從何而來，以及背後很可能反映的用戶的真實訴求和意願。
二、正視數據作用
數據雖然對我們的研究有很大作用，但是設計師依然要學會正確看待數據，不能隨意建立因果關系；需要注意的是數據採集後可以幫助我們發散思維，但一般不將得到的數據用於總結後得出結論，這樣得出的總結容易造成一定的誤差，這就是數據會說謊的起因。
三、情景化設計

ui設計師需要明白所設計的界面是方便用戶在具體什麼樣的的場景下使用的。情景化設計也可以正確的引導設計，避免設計師的主觀設計，認為用戶應該欣賞我精心設計的界面，認為用戶應該明白這里我加彌撒陰影是潮流等等，這些都是一些比較片面的想法。
四、切分產品模塊
如果有同類競品那正常走分析的流程就好，這里主要說一下萬一產品夠新且出擊較快，很可能互聯網這塊還未布局，那我們的產品如何做競品分析？一般來說是將要開發的產品切分模塊，新業務是基於什麼原先的產品形態和商業模式？先把這些理清楚，再分析研究競品。

ui設計師分析用戶的常用方法。分析用戶不僅要對早期的用戶行為進行觀察，還要進行一定的情感化設計，正視數據在用戶分析過程中產生的作用，並且理清新業務原有的商業模式。從而更好地分析研究競品，找出產品設計的不足，並加以改正，進而提升用戶的使用體驗。

E. 什麼是用戶行為分析怎麼做用戶行為分析

第一個問題，什麼是用戶行為分析：
過去的用戶行為分析普遍的問題是：分析不聚焦、採集不全面、開發周期長、完全依靠人工埋點、事後分析、維度單一、指標傳統。

所以當下可以把用戶行為分析定義為：基於用戶生命周期管理模型、全面採集所有數據、事中分析、提前預測、實時多維組合、科學維度劃分、自定義指標的分析。
第二個問題：怎麼做用戶行為分析
你提出這個問題，證明你可能暫時沒有數據分析團隊，或者數據分析團隊尚不成熟和完善，所以需要開展數據分析工作的話建議是藉助第三方的平台。
這一塊業務目前國內已經相對成熟，也有很多不錯的合作夥伴可以選擇了，矽谷的明星公司可以選擇Google Analytics或者Mixpanel等，不過我最推薦的還是國內的數極客。
具體如何開展，我個人的建議是：
選擇採用AARRR模型的平台，通過對用戶全程行為的跟蹤，讓我們在經營中運營中，擁有Acquisition(獲客)、Activation(激活與活躍)、Retention(留存)、Revenue(收入)、Refer(二次傳播) 全程數據分析功能。

F. 基於用戶行為分析建立用戶偏好模型

基於用戶行為分析建立用戶偏好模型
我們經常將個性化推薦的思想簡單地抽象為：通過用戶的行為推測出用戶的興趣，從而給用戶推薦滿足他們興趣的物品。那我們其實就是要通過用戶行為分析建立一個用戶偏好(偏好即興趣)模型，模型中包含各個用戶的一個或更多個偏好。
插敘一段
像「用戶行為」，「用戶興趣」這樣的詞，大多數人都有一個默認的感知，甚至對於這種詞的理解可能已固化為常識，所以我很少見到有文章使用這些詞時解釋它們。我感覺涉及到演算法模型時，對這些詞的不加限定的寬泛認知就容易影響對演算法模型的深入理解，會導致感知模糊卻不自知。因為不同人對這些詞的基本理解可能一致，但是拓展理解各不相同。本文會作出限定解釋，且本文所談用戶行為都是指網路(可以是電信網路，互聯網)上的行為。
概念解釋
實體域
當我們想基於用戶行為分析來建立用戶偏好模型時，我們必須把用戶行為和興趣主題限定在一個實體域上。個性化推薦落實在具體的推薦中都是在某個實體域的推薦。比如對於閱讀網站，實體域包括所有的圖書，我們可以稱之為圖書域。其他還有，個性化音樂推薦，個性化電影推薦，個性化資訊推薦等。
用戶行為
用戶在門戶網站點擊資訊，評論資訊，在社交網站發布狀態，評論狀態，在電商網站瀏覽商品，購買商品，點評商品，以及在其他類型網站的種種行為都可是用戶行為。本文所指的用戶行為都是指用戶在某實體域上的行為。比如用戶在圖書域產生的行為有閱讀，購買，評分，評論等。
興趣主題
用戶的興趣維度，同樣是限定在某實體域的興趣，通常可以以標簽的形式來表示。比如，對於圖書閱讀，興趣主題可以是「懸疑」，「科技」，「情感」等等分類標簽。值得一提的是，興趣主題，只是從用戶行為中抽象出來的興趣維度，並無統一標准。比如qq閱讀和豆瓣閱讀的圖書分類標簽大不一樣。而興趣維度的粒度也不固定，就像門戶網站有「新聞」，「體育」，「娛樂」等一級分類，而新聞下有「國內」，「社會」，「國際」二級分類，娛樂下有「明星」，「星座」，「八卦」二級分類。我們選取什麼粒度的興趣空間取決於我們對用戶偏好模型的要求。
興趣空間
在同一層次上興趣維度的集合，比如豆瓣閱讀中，可以用「新上架」，「熱門」，「特價」，「免費」來構成一個興趣空間(當然，如果使用這個興趣空間來表徵用戶的興趣，就太粗了，這里只是假設)，也可以用「小說」，「幻想」，「計算機」，「科技」，「歷史」·····「美食」構成一個興趣空間。這是兩種不同的分類維度。如果將「新上架」也加入到後者集合里，就顯然有些莫名其妙。值得一提是，這也並非不可能，這取決於一個如何看待這個集合的問題，如果不把它看作基於內容的分類，而是圖書標簽庫，那麼也是可行的，甚至利於建立更好地模型。本文後面我有提到。
用戶行為數據
項亮在他的《推薦系統實踐》的2.1節有詳細介紹。通常在經過對行為日誌的匯總處理後生成的比較容易理解的數據就是一份描述用戶行為的會話日誌。這種日誌記錄了用戶的各種行為，比如在圖書閱讀app中這些行為主要包括點擊，試讀，購買，閱讀(在本地app中，閱讀行為有可能追蹤不到)，評分，評論。
建立用戶偏好模型
基於用戶行為分析建立用戶偏好模型的核心工作就是：將用戶的行為轉換為用戶的偏好。
我們採用矩陣運算的思維方式，以圖書閱讀為例說明。
下圖表示用戶(user)集合：
下圖表示圖書(item)集合：
那麼用戶的行為矩陣可以表達為：
行表示用戶，列表示圖書，我們暫只考慮圖書的購買行為，1表示用戶看過該圖書，0表示用戶沒有看過該圖書。
如何將上述用戶行為矩陣轉化為用戶興趣矩陣(即行代表用戶，列代表興趣維度)，一種顯著的方法是我們先確定圖書與興趣維度的對應關系矩陣。而這個的前提是我們確定了使用何種興趣空間。一種常見的方式是專家給出一些樣本的分類結果，也就是一般意義的訓練數據，然後通過分類演算法，得到分類模型，然後應用到其餘數據的分類問題當中，解決其餘大量數據的分類問題。這種分類的特點是一本圖書只被標記為一種類別，假如有3個類別，
那麼圖書-興趣矩陣為：
那麼用戶行為矩陣轉換為用戶興趣矩陣的運算公式即可表示為下圖，行表示用戶，列表示興趣，算出的矩陣再經過歸一化後，每個值就代表某個用戶在某個興趣的偏好權重。
選擇這樣的興趣空間的局限顯而易見：一本圖書只能屬於一個興趣維度。實際情況中，一本圖書通常不只屬於某個分類，並且當圖書的數據巨大時，寄希望於編輯分類可能會越來越難以維持，所以通常是由用戶主動給圖書添加標簽，或者機器基於內容，提取關鍵詞。但是這種形式得到的標簽集會存在同義，生僻，維度過多等情況，需要經過標簽清洗的重要工作。前面已經看到興趣空間的選擇真的是非常重要，直接影響所得到用戶的興趣矩陣。所以同樣的方法都得到了用戶偏好，但是好不好用，就跟這部分工作有關了。
用戶行為加權
上面展示的用戶行為矩陣示例是一個非常簡單的，直接可以從資料庫里提取的例子。而實際中在數據能夠支撐的情況下，我們不可能只考慮一種行為。為了獲得更合理的行為矩陣，我們就需要進行行為加權。比如，A1表示用戶點擊的行為矩陣，A2表示購買的行為矩陣，A3表示評分的行為矩陣，那麼加權矩陣就是：
至於各矩陣的權重跟我們建立用戶偏好模型的目的有關，如果我們更希望找准用戶的品味偏好，那麼權重可能是：a1 < a2 < a3;如果我們更希望用戶購買，那麼權重可能是：a1 < a3 < a2。
其他用戶行為分析方法
上面介紹的方法也算是一種主流的方法。但是從上面介紹的「興趣主題」，「興趣空間」也可以看出作出好的分類並不容易，分類粒度，分類維度等都不好控制，用戶打標簽也需要復雜的標簽清洗工作。在圖書，電影這樣的實體域，我們還可以通過類別給用戶推薦喜歡的物品，而在個性化資訊推薦領域(這里僅舉個例子，資訊推薦應該有其特殊之處)，我們不見得能通過類別推薦用戶喜歡的資訊，甚至用戶本身也不在意類別。我們並不需要顯式地構建物品-興趣對應關系矩陣，也可以將用戶和所喜歡類別的物品關聯起來。這就涉及到隱含語義分析技術。這個部分會日後在此文補充。
小總結
以上可以看出基於用戶行為分析的用戶偏好建模的常規方法非常簡單明了。事實上也的確如此，在使用這些方法或者思想編寫程序計算都不是什麼難事。而實際上，我們遇到的問題卻並非是方法本身，而是數據本身。數據方面的兩大問題是稀疏和長尾分布。通常有行為數據用戶很少，而用戶的行為對象也集中在不多的物品上。方法易學，而數據問題只能在實戰中才能深刻體會，才會發現主要的精力和難點都在解決數據的稀疏和長尾上。希望日後能結合實際問題寫寫解決數據問題的文章。
此外，上面雖然是用矩陣運算的思想講述，但我在實際項目中發現其運算的本質其實是對用戶行為的統計。所以在實戰中，不一定要先建矩陣，再做計算，直接在資料庫里使用sql計算非常方便。

G. 如何進行用戶行為分析並提高用戶粘性

如何進行用戶行為分析並提高用戶粘性

當下，在互聯網高速發展的今天，各類產品層出不窮。從一開始做好一些特定功能滿足用戶的特定需求，到現在分析用戶行為、提高用戶體驗，我們做了很多也經過了很多，而我們的目的只有一個:讓更多的用戶使用我們的產品。
用戶行為分析、用戶粘性，是我們做產品的人最關注的事情，因為這關繫到我們的「孩子」最終能夠成長成什麼樣子。那我們對於「孩子」的發展問題該做些什麼呢？究竟如何做用戶行為分析？怎麼做才能讓用戶始終使用你的產品呢？
一、 什麼是用戶行為分析？
對於任何事情，我們要想做好它就必須先了解它，了解之後我們才能更好的駕馭它。那麼對一款產品的市場表現情況我們需要如何才能清晰地知道呢？這就需要我們通過用戶對該產品的使用行為來進行分析。那麼什麼是用戶行為分析呢？通過網路搜索我們知道：「用戶行為分析，是指在獲得網站訪問量基本數據的情況下，對有關數據進行統計、分析，從中發現用戶訪問網站的規律，並將這些規律與網路營銷策略等相結合，從而發現目前網路營銷活動中可能存在的問題，並為進一步修正或重新制定網路營銷策略提供依據」。

以上只是很多種情況中一種———-針對網站的用戶行為分析。那麼，對於目前的互聯網行業成千上萬的產品，我們又該如何重新定義用戶行為分析呢？重新定義的用戶行為是什麼呢？

1、 分析用戶行為，那我們應該先確定用戶群體特徵；

2、 用戶對產品的使用率。網站類產品主要體現在點擊率、點擊量、訪問量、訪問率、訪問模塊、頁面留存時間等等；移動應用產品主要體現在下載量、使用頻率、使用模塊等等；

3、 用戶使用產品的時間。比如用戶基本是每天中的什麼時候使用產品。

綜合以上說說的幾點，其實用戶行為分析可以這樣來看：用戶行為分析就是對用戶使用產品過程中的所有數據（包括下載量、使用頻率、訪問量、訪問率、留存時間等等）進行收集、整理、統計、分析用戶使用產品的規律，為產品的後續發展、優化或者營銷等活動提供有力的數據支撐。

二、 用戶行為分析方式都有哪些？
既然是對用戶的行為進行分析，那麼在得到數據後，我們需要如何進行行為分析呢？分析方式有哪些呢？這里我們主要從幾個維度來分析：方式、側重、優缺點。應該具體從何開始呢？

我們先說說用戶行為分析的方式：

1、 網站數據分析。通過對每個模塊的點擊率、點擊量、訪問量進行數據捕獲，然後進行分析；

2、 用戶基本動作分析。用戶訪問留存時間、訪問量等；

3、 關聯調查數據分析。主要在電商上的相關推薦、你可能喜歡等等；

4、 用戶屬性和習慣分析。對用戶屬性和用戶習慣兩個維度進行分析。用戶屬性包括性別、年齡等固有的；用戶習慣包括用戶的一起喜愛度、流量習慣、訪問習慣等等；

5、 用戶活躍度分析。

綜合以上可以概括為：以數據分析為導向、以產品設計反饋為導向、以對用戶的調查為導向。

通過上面的分析方式，我們需要整理出每種方式的分析側重點。那麼，下面我們談談用戶行為分析的側重點，主要有以下幾點：

1、 網站數據分析的側重點：數據監測、挖掘、收集、整理、統計。

2、 用戶基本動作分析側重點：統計用戶基本信息，比如：性別、年齡、地域，分析用戶群體；

3、 關聯分析側重點：分析數據為精準營銷提供數據支撐；

4、 用戶活躍度側重點：主要是用戶的使用頻率進行分析，可以得出分析為什麼用戶喜歡使用這個產品這個功能。

三、 用戶行為分析的工具有哪些？如何做好用戶行為分析？
工欲善其事必先利其器，我們知道了我們需要做什麼事情，那麼我們應該用什麼工具來提高效率呢？

1、 網路站長統計。網站流量統計、用戶訪問統計、頁面訪問統計；

2、 Cnzz、google analytics等統計工具；

要做好用戶行為分析，除了需要對數據進行很好的分析處理外還要有一顆把握用戶心理特徵的心，知道用戶的真實想法，只有這樣才能做好准確的分析。

四、 用戶行為數據收集之後如何使用提高用戶粘性？
數據本身是客觀的，但被解讀出來的數據一定是主觀的。那麼我們要如何使用這些數據為我所用呢？

1、通過各項數據展示網站運營情況，調整網站的運營策略；

2、通過用戶操作的習慣，進行分析優化產品功能。（讓用戶用的更舒心即用戶體驗）；

3、通過關聯分析，拓展產品，挖掘產品價值（最大化的釋放用戶慾望或需求）即運營推廣、用戶體驗、個性化挖掘。

H. 如何用商業思維分析用戶行為數據

如何用商業思維分析用戶行為數據

數據這么多，各類數據的表達不一樣，具體應該如何處理?有人說：「產品初期，活動為輔，處理數據在於穩定。」有人說：「產品中期，活動為主，處理數據在於調控。」有人說：「產品末期，活動為核，處理數據在於激勵。」還有人說：「處理產品數據要先四步走!」

第1步：看整體數據，主要看整體數據有何異常，以及哪些數據的趨勢較好(例如，整體數據，游戲人數穩定，月收入對比極端)

第2步：看細分數據(例如，細分數據，游戲新增用戶和流失活躍付費用戶成正比，新增用戶不付費，大R流失嚴重)

第3步：結合數據分析(例如，分析數據，付費玩家為什麼流失?沒有付費競爭?還是付費後達到游戲金字塔頂端失去樂趣?)

第4步：根據數據行動(例如，更新版本，開展玩家召回活動，換量….)

估計這樣的知識各位同學早已經倒背如流。在這篇文章中，作者將和運營童鞋們一起深入發掘數據價值以及互聯網中的商業思維。筆者認為：數據≠數學!如果你用函數思維看游戲，那隻能說你數學不錯;在互聯網行業，必須將用戶行為數據與商業思維相結合，才能創造互聯網價值。

最近看了某工作室高層頻繁辭職，項目組陸續被裁，各大獵頭忙著搶人的新聞，最近又和HR交談，得知現在某網的簡歷已經漲到15塊錢一份;初步看來，沒什麼關聯，細細品味，關聯又很大，如果將思維轉換，則又是另一種景象……

以智聯為例，網站主要看注冊量，及硬廣/守株待兔的套路，HR買簡歷去智聯，不一定能拿到中意的簡歷;而獵頭可謂是聞風而動，往往主動行動，掌握了大部分的高質量簡歷，不僅省了錢，也拿到了好的資源;把握市場動向，培養商業敏感性，將此原則代入到游戲中不難發現，若一款MMO游戲的用戶大量流失(因為托?關服?其他…)而作為另一款MMO產品運營的你能提前敏感的嗅到這縷商業氣息嗎?如果不能，則用戶重返渠道(其他游戲)，那你無疑只能繼續守株待兔，懇求渠道施捨流量，這無疑是失敗的。

當然，我們無法從別人後台調取數據，那麼一般從哪裡看其他游戲的數據走向呢?看競品論壇，游戲更新力度，看論壇用戶活躍度，都能看出一絲端倪，然後深入接觸用戶，一切自然水落石出，至於如何拉攏用戶，自然是因人而異。

2. 培養數據的衍生敏感性

如果市場上的牙刷銷量增加了，你能感覺到牙膏的銷量也會增加嗎?如果放在互聯網市場，不難看出一個很悲觀的事實，牙刷銷量增加，一夜之間，白玉牙刷，象牙牙刷，卡通牙刷，瑪瑙牙刷等等產品一夜崛起，最後通貨膨脹，大家都沒得做。

對於這種情況，是開發者的心態問題，所以筆者無法說什麼;本段主要說的是數據的衍生敏感性，例如一件稀有裝備從100元漲到200元，那麼產出稀有裝備的副本/特殊地圖的進場道具也會從10元漲到20元;道具上漲，玩家的充值力度就得加大;玩家充值力度加大，ARPU值隨之提升，如何最大化的提升arpu值;從產品層面來說，加大充值活動力度，調整裝備產出概率，抓住用戶需求，投其所好，實現利益最大化;而不是裝備增值，便增加多種裝備，這樣只會適得其反。

3. 換位思考看數據

有些CP選渠道，會很重視流量這個東西，無論產品怎樣，只要渠道流量好，便一個勁地上渠道，鋪推廣，搞營銷….

流量這東西，講究的是適不適合，渠道流量再多，那也不是你的，即使是你的，那也不是你一個人的，換個角度思考;從渠道的角度看產品，渠道看產品，看轉化，看付費，看留存;知根知底，數據這東西是雙向的，只不過彼此看的角度不同，你若真想要量，至少得用產品數據交換渠道數據。

換個角度來說，若產品的各類數據較高;最好摸清楚用戶是從那個渠道來的，主要貢獻的用戶群體是誰?這樣一來，產品設計可以更傾向用戶喜好，這樣投其所好的行為是提升轉換率的一種好方法。(以MMO混服為例，區分用戶可給包打上渠道標識，簡單易懂)

4. 用商業思維看行為數據

行為數據，即用戶行為佔有率，例如活躍度，留存率，付費率…

商業思維，即利益分析，例如用戶周期價值，用戶可挖掘價值的探索性…

例如，兩個公會沖突，游戲內打得火熱，公會成員拼活躍，比等級;公會會長拼裝備，比充值，兩方打得火熱，不死不休，無論是在線還是充值都達到了一個可觀的水平;作為運營，你怎麼辦?如果你什麼也不做，在那裡偷偷樂呵，並且沾沾自喜;筆者讀過一本書，書里說過一句話：「坐著就是為了等死!」如果你不信，次月兩個公會和好，或者一個公會被趕出遊戲，後悔也晚了。

「你想坐著等死嗎?」如果不想，就得學會用商業思維看待行為數據;例如，這兩個幫會的競爭平台有哪些?論壇?貼吧?哪些人在活躍，哪些人在付費?影響他們的人是誰?他們是否還有可繼續發掘價值?

如何平衡這種關系?皮球效應很重要，壓得越狠，彈得越高，什麼都不管，只會越彈越低，歸於平靜;目前游戲較為常見的就是托這種催化劑;的確，托是起到了一定作用，但是治標不治本;如果用商業思維去思考，以天涯貼吧為例，話題已經存在，真實的用戶已經存在，那麼口碑營銷是很容易實現的，通過原有用戶的話題，吸引潛在用戶，帶來更多的商業利益;通過對用戶習慣(例如：愛湊熱鬧)和人性弱點(例如：地位越高，越好面子)的把控，製造一場營銷，此類營銷效果顯著，最重要的是不要錢!

很簡單的一次用戶行為，很常見的用戶行為數據，換個角度分析，或許就是一場商業營銷!

5. 通過數據看用戶與產品關系

很多人對固定的數據很看重，arpu等核心數據形成了一套標榜，無數人逐條核對，衡量自己的產品好壞，無數運營以此核對，衡量運營的成功與否，如果你僅僅是為了KPI，那你是成功的，如果你還想做的更高，那這是遠遠不夠的。

用戶與產品關系，多數同學還定義在用戶定位、產品定位上;再深入進去，就是一套的核心數據考核，運營流程….

筆者認為，數據、用戶、產品;三者形成一種三角關系，可以探索的方面太多太多，例如：一個用戶在線5分鍾，一個用戶在線10分鍾，他們有什麼不同?如果將10分鍾定義為活躍用戶，5分鍾用戶和10分鍾用戶的在線目標在哪?什麼等級段的用戶在什麼時間段留存多少時間?這些很雜，也很容易被忽略。

再舉個例子，同一時間內，若某用戶一次性購買兩個寶石，他是算一次性購買?還是重復購買?不要小看此類數據，用戶單次購買和分次購買直接決定用戶的需求量，同樣的數量面前，區間價值很大!

最後換個行業思考，編劇行業對劇本有一個定義，劇本只有5分鍾!這個5分鍾說的不是電影周期，而是你只有5分鍾去打動你的用戶，若五分鍾不行，用戶便會失去耐性;游戲也是一樣，回到開頭所說，一個用戶在線5分鍾，一個用戶在線10分鍾，他們的區別不僅僅在於時間的差別，更在於產品的時間粘性，以此為例，若開場動畫很精美，進入游戲畫面也很贊，用戶用10分鍾去沉迷於此，是很容易的情況，若開場的新手引導繁瑣拖拉，則引導5分鍾也無法支持。

終上所述，通過數據看用戶與產品關系，通過數據發現問題，通過用戶整理問題，通過產品解決問題，這不僅僅涉及到運營，更涉及到策劃，美術等各個部門，畢竟產品不是上線就交給運營了，一個團隊，團結合作才是重點!

數據很多，也很雜，他們彼此形成一張關系網，觸一發而動全身;至於具體如何理解，不同的人有不同的領悟，只能說一句：「數據很重要!重要的不是他的演算法多麼准確，而是接地氣!他告訴我們，接下來，該怎麼做!」

以上是小編為大家分享的關於如何用商業思維分析用戶行為數據的相關內容，更多信息可以關注環球青藤分享更多干貨