一种分析用户行为的方法

A. 常用数据分析处理方法有哪些

1、漏斗分析法

漏斗分析法能够科学反映用户行为状态，以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP的用户行为分析中，例如流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析工作中。

2、留存分析法

留存分析法是一种用来分析用户参与情况和活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。从用户的角度来说，留存率越高就说明这个产品对用户的核心需求也把握的越好，转化成产品的活跃用户也会更多，最终能帮助公司更好的盈利。

3、分组分析法

分组分析法是根据数据分析对象的特征，按照一定的标志(指标)，把数据分析对象划分为不同的部分和类型来进行研究，以揭示其内在的联系和规律性。

4、矩阵分析法

矩阵分析法是指根据事物(如产品、服务等)的两个重要属性(指标)作为分析的依据，进行分类关联分析，找出解决问题的一种分析方法，也称为矩阵关联分析法，简称矩阵分析法。

B. 用户浏览行为如何分析

用软件就可以实现，比如EMwork，可以对用户的操作行为进行分析、监管，实时掌握用户使用情况等。

C. 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。

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。

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

D. 设计师用户分析常用的方法有哪些UI设计

一、观察用户行为
在产品产出早期，面向产品的用户并没有很多，甚至只是一些内部人员，ui设计师可以通过观察用户使用产品过程中的一些行为，记录下交互流程中用户的操作与预设有哪些出入；记录下这些偏差并思考这些偏差从何而来，以及背后很可能反映的用户的真实诉求和意愿。
二、正视数据作用
数据虽然对我们的研究有很大作用，但是设计师依然要学会正确看待数据，不能随意建立因果关系；需要注意的是数据采集后可以帮助我们发散思维，但一般不将得到的数据用于总结后得出结论，这样得出的总结容易造成一定的误差，这就是数据会说谎的起因。
三、情景化设计

ui设计师需要明白所设计的界面是方便用户在具体什么样的的场景下使用的。情景化设计也可以正确的引导设计，避免设计师的主观设计，认为用户应该欣赏我精心设计的界面，认为用户应该明白这里我加弥撒阴影是潮流等等，这些都是一些比较片面的想法。
四、切分产品模块
如果有同类竞品那正常走分析的流程就好，这里主要说一下万一产品够新且出击较快，很可能互联网这块还未布局，那我们的产品如何做竞品分析？一般来说是将要开发的产品切分模块，新业务是基于什么原先的产品形态和商业模式？先把这些理清楚，再分析研究竞品。

ui设计师分析用户的常用方法。分析用户不仅要对早期的用户行为进行观察，还要进行一定的情感化设计，正视数据在用户分析过程中产生的作用，并且理清新业务原有的商业模式。从而更好地分析研究竞品，找出产品设计的不足，并加以改正，进而提升用户的使用体验。

E. 什么是用户行为分析怎么做用户行为分析

第一个问题，什么是用户行为分析：
过去的用户行为分析普遍的问题是：分析不聚焦、采集不全面、开发周期长、完全依靠人工埋点、事后分析、维度单一、指标传统。

所以当下可以把用户行为分析定义为：基于用户生命周期管理模型、全面采集所有数据、事中分析、提前预测、实时多维组合、科学维度划分、自定义指标的分析。
第二个问题：怎么做用户行为分析
你提出这个问题，证明你可能暂时没有数据分析团队，或者数据分析团队尚不成熟和完善，所以需要开展数据分析工作的话建议是借助第三方的平台。
这一块业务目前国内已经相对成熟，也有很多不错的合作伙伴可以选择了，硅谷的明星公司可以选择Google Analytics或者Mixpanel等，不过我最推荐的还是国内的数极客。
具体如何开展，我个人的建议是：
选择采用AARRR模型的平台，通过对用户全程行为的跟踪，让我们在经营中运营中，拥有Acquisition(获客)、Activation(激活与活跃)、Retention(留存)、Revenue(收入)、Refer(二次传播) 全程数据分析功能。

F. 基于用户行为分析建立用户偏好模型

基于用户行为分析建立用户偏好模型
我们经常将个性化推荐的思想简单地抽象为：通过用户的行为推测出用户的兴趣，从而给用户推荐满足他们兴趣的物品。那我们其实就是要通过用户行为分析建立一个用户偏好(偏好即兴趣)模型，模型中包含各个用户的一个或更多个偏好。
插叙一段
像“用户行为”，“用户兴趣”这样的词，大多数人都有一个默认的感知，甚至对于这种词的理解可能已固化为常识，所以我很少见到有文章使用这些词时解释它们。我感觉涉及到算法模型时，对这些词的不加限定的宽泛认知就容易影响对算法模型的深入理解，会导致感知模糊却不自知。因为不同人对这些词的基本理解可能一致，但是拓展理解各不相同。本文会作出限定解释，且本文所谈用户行为都是指网络(可以是电信网络，互联网)上的行为。
概念解释
实体域
当我们想基于用户行为分析来建立用户偏好模型时，我们必须把用户行为和兴趣主题限定在一个实体域上。个性化推荐落实在具体的推荐中都是在某个实体域的推荐。比如对于阅读网站，实体域包括所有的图书，我们可以称之为图书域。其他还有，个性化音乐推荐，个性化电影推荐，个性化资讯推荐等。
用户行为
用户在门户网站点击资讯，评论资讯，在社交网站发布状态，评论状态，在电商网站浏览商品，购买商品，点评商品，以及在其他类型网站的种种行为都可是用户行为。本文所指的用户行为都是指用户在某实体域上的行为。比如用户在图书域产生的行为有阅读，购买，评分，评论等。
兴趣主题
用户的兴趣维度，同样是限定在某实体域的兴趣，通常可以以标签的形式来表示。比如，对于图书阅读，兴趣主题可以是“悬疑”，“科技”，“情感”等等分类标签。值得一提的是，兴趣主题，只是从用户行为中抽象出来的兴趣维度，并无统一标准。比如qq阅读和豆瓣阅读的图书分类标签大不一样。而兴趣维度的粒度也不固定，就像门户网站有“新闻”，“体育”，“娱乐”等一级分类，而新闻下有“国内”，“社会”，“国际”二级分类，娱乐下有“明星”，“星座”，“八卦”二级分类。我们选取什么粒度的兴趣空间取决于我们对用户偏好模型的要求。
兴趣空间
在同一层次上兴趣维度的集合，比如豆瓣阅读中，可以用“新上架”，“热门”，“特价”，“免费”来构成一个兴趣空间(当然，如果使用这个兴趣空间来表征用户的兴趣，就太粗了，这里只是假设)，也可以用“小说”，“幻想”，“计算机”，“科技”，“历史”·····“美食”构成一个兴趣空间。这是两种不同的分类维度。如果将“新上架”也加入到后者集合里，就显然有些莫名其妙。值得一提是，这也并非不可能，这取决于一个如何看待这个集合的问题，如果不把它看作基于内容的分类，而是图书标签库，那么也是可行的，甚至利于建立更好地模型。本文后面我有提到。
用户行为数据
项亮在他的《推荐系统实践》的2.1节有详细介绍。通常在经过对行为日志的汇总处理后生成的比较容易理解的数据就是一份描述用户行为的会话日志。这种日志记录了用户的各种行为，比如在图书阅读app中这些行为主要包括点击，试读，购买，阅读(在本地app中，阅读行为有可能追踪不到)，评分，评论。
建立用户偏好模型
基于用户行为分析建立用户偏好模型的核心工作就是：将用户的行为转换为用户的偏好。
我们采用矩阵运算的思维方式，以图书阅读为例说明。
下图表示用户(user)集合：
下图表示图书(item)集合：
那么用户的行为矩阵可以表达为：
行表示用户，列表示图书，我们暂只考虑图书的购买行为，1表示用户看过该图书，0表示用户没有看过该图书。
如何将上述用户行为矩阵转化为用户兴趣矩阵(即行代表用户，列代表兴趣维度)，一种显着的方法是我们先确定图书与兴趣维度的对应关系矩阵。而这个的前提是我们确定了使用何种兴趣空间。一种常见的方式是专家给出一些样本的分类结果，也就是一般意义的训练数据，然后通过分类算法，得到分类模型，然后应用到其余数据的分类问题当中，解决其余大量数据的分类问题。这种分类的特点是一本图书只被标记为一种类别，假如有3个类别，
那么图书-兴趣矩阵为：
那么用户行为矩阵转换为用户兴趣矩阵的运算公式即可表示为下图，行表示用户，列表示兴趣，算出的矩阵再经过归一化后，每个值就代表某个用户在某个兴趣的偏好权重。
选择这样的兴趣空间的局限显而易见：一本图书只能属于一个兴趣维度。实际情况中，一本图书通常不只属于某个分类，并且当图书的数据巨大时，寄希望于编辑分类可能会越来越难以维持，所以通常是由用户主动给图书添加标签，或者机器基于内容，提取关键词。但是这种形式得到的标签集会存在同义，生僻，维度过多等情况，需要经过标签清洗的重要工作。前面已经看到兴趣空间的选择真的是非常重要，直接影响所得到用户的兴趣矩阵。所以同样的方法都得到了用户偏好，但是好不好用，就跟这部分工作有关了。
用户行为加权
上面展示的用户行为矩阵示例是一个非常简单的，直接可以从数据库里提取的例子。而实际中在数据能够支撑的情况下，我们不可能只考虑一种行为。为了获得更合理的行为矩阵，我们就需要进行行为加权。比如，A1表示用户点击的行为矩阵，A2表示购买的行为矩阵，A3表示评分的行为矩阵，那么加权矩阵就是：
至于各矩阵的权重跟我们建立用户偏好模型的目的有关，如果我们更希望找准用户的品味偏好，那么权重可能是：a1 < a2 < a3;如果我们更希望用户购买，那么权重可能是：a1 < a3 < a2。
其他用户行为分析方法
上面介绍的方法也算是一种主流的方法。但是从上面介绍的“兴趣主题”，“兴趣空间”也可以看出作出好的分类并不容易，分类粒度，分类维度等都不好控制，用户打标签也需要复杂的标签清洗工作。在图书，电影这样的实体域，我们还可以通过类别给用户推荐喜欢的物品，而在个性化资讯推荐领域(这里仅举个例子，资讯推荐应该有其特殊之处)，我们不见得能通过类别推荐用户喜欢的资讯，甚至用户本身也不在意类别。我们并不需要显式地构建物品-兴趣对应关系矩阵，也可以将用户和所喜欢类别的物品关联起来。这就涉及到隐含语义分析技术。这个部分会日后在此文补充。
小总结
以上可以看出基于用户行为分析的用户偏好建模的常规方法非常简单明了。事实上也的确如此，在使用这些方法或者思想编写程序计算都不是什么难事。而实际上，我们遇到的问题却并非是方法本身，而是数据本身。数据方面的两大问题是稀疏和长尾分布。通常有行为数据用户很少，而用户的行为对象也集中在不多的物品上。方法易学，而数据问题只能在实战中才能深刻体会，才会发现主要的精力和难点都在解决数据的稀疏和长尾上。希望日后能结合实际问题写写解决数据问题的文章。
此外，上面虽然是用矩阵运算的思想讲述，但我在实际项目中发现其运算的本质其实是对用户行为的统计。所以在实战中，不一定要先建矩阵，再做计算，直接在数据库里使用sql计算非常方便。

G. 如何进行用户行为分析并提高用户粘性

如何进行用户行为分析并提高用户粘性

当下，在互联网高速发展的今天，各类产品层出不穷。从一开始做好一些特定功能满足用户的特定需求，到现在分析用户行为、提高用户体验，我们做了很多也经过了很多，而我们的目的只有一个:让更多的用户使用我们的产品。
用户行为分析、用户粘性，是我们做产品的人最关注的事情，因为这关系到我们的“孩子”最终能够成长成什么样子。那我们对于“孩子”的发展问题该做些什么呢？究竟如何做用户行为分析？怎么做才能让用户始终使用你的产品呢？
一、 什么是用户行为分析？
对于任何事情，我们要想做好它就必须先了解它，了解之后我们才能更好的驾驭它。那么对一款产品的市场表现情况我们需要如何才能清晰地知道呢？这就需要我们通过用户对该产品的使用行为来进行分析。那么什么是用户行为分析呢？通过网络搜索我们知道：“用户行为分析，是指在获得网站访问量基本数据的情况下，对有关数据进行统计、分析，从中发现用户访问网站的规律，并将这些规律与网络营销策略等相结合，从而发现目前网络营销活动中可能存在的问题，并为进一步修正或重新制定网络营销策略提供依据”。

以上只是很多种情况中一种———-针对网站的用户行为分析。那么，对于目前的互联网行业成千上万的产品，我们又该如何重新定义用户行为分析呢？重新定义的用户行为是什么呢？

1、 分析用户行为，那我们应该先确定用户群体特征；

2、 用户对产品的使用率。网站类产品主要体现在点击率、点击量、访问量、访问率、访问模块、页面留存时间等等；移动应用产品主要体现在下载量、使用频率、使用模块等等；

3、 用户使用产品的时间。比如用户基本是每天中的什么时候使用产品。

综合以上说说的几点，其实用户行为分析可以这样来看：用户行为分析就是对用户使用产品过程中的所有数据（包括下载量、使用频率、访问量、访问率、留存时间等等）进行收集、整理、统计、分析用户使用产品的规律，为产品的后续发展、优化或者营销等活动提供有力的数据支撑。

二、 用户行为分析方式都有哪些？
既然是对用户的行为进行分析，那么在得到数据后，我们需要如何进行行为分析呢？分析方式有哪些呢？这里我们主要从几个维度来分析：方式、侧重、优缺点。应该具体从何开始呢？

我们先说说用户行为分析的方式：

1、 网站数据分析。通过对每个模块的点击率、点击量、访问量进行数据捕获，然后进行分析；

2、 用户基本动作分析。用户访问留存时间、访问量等；

3、 关联调查数据分析。主要在电商上的相关推荐、你可能喜欢等等；

4、 用户属性和习惯分析。对用户属性和用户习惯两个维度进行分析。用户属性包括性别、年龄等固有的；用户习惯包括用户的一起喜爱度、流量习惯、访问习惯等等；

5、 用户活跃度分析。

综合以上可以概括为：以数据分析为导向、以产品设计反馈为导向、以对用户的调查为导向。

通过上面的分析方式，我们需要整理出每种方式的分析侧重点。那么，下面我们谈谈用户行为分析的侧重点，主要有以下几点：

1、 网站数据分析的侧重点：数据监测、挖掘、收集、整理、统计。

2、 用户基本动作分析侧重点：统计用户基本信息，比如：性别、年龄、地域，分析用户群体；

3、 关联分析侧重点：分析数据为精准营销提供数据支撑；

4、 用户活跃度侧重点：主要是用户的使用频率进行分析，可以得出分析为什么用户喜欢使用这个产品这个功能。

三、 用户行为分析的工具有哪些？如何做好用户行为分析？
工欲善其事必先利其器，我们知道了我们需要做什么事情，那么我们应该用什么工具来提高效率呢？

1、 网络站长统计。网站流量统计、用户访问统计、页面访问统计；

2、 Cnzz、google analytics等统计工具；

要做好用户行为分析，除了需要对数据进行很好的分析处理外还要有一颗把握用户心理特征的心，知道用户的真实想法，只有这样才能做好准确的分析。

四、 用户行为数据收集之后如何使用提高用户粘性？
数据本身是客观的，但被解读出来的数据一定是主观的。那么我们要如何使用这些数据为我所用呢？

1、通过各项数据展示网站运营情况，调整网站的运营策略；

2、通过用户操作的习惯，进行分析优化产品功能。（让用户用的更舒心即用户体验）；

3、通过关联分析，拓展产品，挖掘产品价值（最大化的释放用户欲望或需求）即运营推广、用户体验、个性化挖掘。

H. 如何用商业思维分析用户行为数据

如何用商业思维分析用户行为数据

数据这么多，各类数据的表达不一样，具体应该如何处理?有人说：“产品初期，活动为辅，处理数据在于稳定。”有人说：“产品中期，活动为主，处理数据在于调控。”有人说：“产品末期，活动为核，处理数据在于激励。”还有人说：“处理产品数据要先四步走!”

第1步：看整体数据，主要看整体数据有何异常，以及哪些数据的趋势较好(例如，整体数据，游戏人数稳定，月收入对比极端)

第2步：看细分数据(例如，细分数据，游戏新增用户和流失活跃付费用户成正比，新增用户不付费，大R流失严重)

第3步：结合数据分析(例如，分析数据，付费玩家为什么流失?没有付费竞争?还是付费后达到游戏金字塔顶端失去乐趣?)

第4步：根据数据行动(例如，更新版本，开展玩家召回活动，换量….)

估计这样的知识各位同学早已经倒背如流。在这篇文章中，作者将和运营童鞋们一起深入发掘数据价值以及互联网中的商业思维。笔者认为：数据≠数学!如果你用函数思维看游戏，那只能说你数学不错;在互联网行业，必须将用户行为数据与商业思维相结合，才能创造互联网价值。

最近看了某工作室高层频繁辞职，项目组陆续被裁，各大猎头忙着抢人的新闻，最近又和HR交谈，得知现在某网的简历已经涨到15块钱一份;初步看来，没什么关联，细细品味，关联又很大，如果将思维转换，则又是另一种景象……

以智联为例，网站主要看注册量，及硬广/守株待兔的套路，HR买简历去智联，不一定能拿到中意的简历;而猎头可谓是闻风而动，往往主动行动，掌握了大部分的高质量简历，不仅省了钱，也拿到了好的资源;把握市场动向，培养商业敏感性，将此原则代入到游戏中不难发现，若一款MMO游戏的用户大量流失(因为托?关服?其他…)而作为另一款MMO产品运营的你能提前敏感的嗅到这缕商业气息吗?如果不能，则用户重返渠道(其他游戏)，那你无疑只能继续守株待兔，恳求渠道施舍流量，这无疑是失败的。

当然，我们无法从别人后台调取数据，那么一般从哪里看其他游戏的数据走向呢?看竞品论坛，游戏更新力度，看论坛用户活跃度，都能看出一丝端倪，然后深入接触用户，一切自然水落石出，至于如何拉拢用户，自然是因人而异。

2. 培养数据的衍生敏感性

如果市场上的牙刷销量增加了，你能感觉到牙膏的销量也会增加吗?如果放在互联网市场，不难看出一个很悲观的事实，牙刷销量增加，一夜之间，白玉牙刷，象牙牙刷，卡通牙刷，玛瑙牙刷等等产品一夜崛起，最后通货膨胀，大家都没得做。

对于这种情况，是开发者的心态问题，所以笔者无法说什么;本段主要说的是数据的衍生敏感性，例如一件稀有装备从100元涨到200元，那么产出稀有装备的副本/特殊地图的进场道具也会从10元涨到20元;道具上涨，玩家的充值力度就得加大;玩家充值力度加大，ARPU值随之提升，如何最大化的提升arpu值;从产品层面来说，加大充值活动力度，调整装备产出概率，抓住用户需求，投其所好，实现利益最大化;而不是装备增值，便增加多种装备，这样只会适得其反。

3. 换位思考看数据

有些CP选渠道，会很重视流量这个东西，无论产品怎样，只要渠道流量好，便一个劲地上渠道，铺推广，搞营销….

流量这东西，讲究的是适不适合，渠道流量再多，那也不是你的，即使是你的，那也不是你一个人的，换个角度思考;从渠道的角度看产品，渠道看产品，看转化，看付费，看留存;知根知底，数据这东西是双向的，只不过彼此看的角度不同，你若真想要量，至少得用产品数据交换渠道数据。

换个角度来说，若产品的各类数据较高;最好摸清楚用户是从那个渠道来的，主要贡献的用户群体是谁?这样一来，产品设计可以更倾向用户喜好，这样投其所好的行为是提升转换率的一种好方法。(以MMO混服为例，区分用户可给包打上渠道标识，简单易懂)

4. 用商业思维看行为数据

行为数据，即用户行为占有率，例如活跃度，留存率，付费率…

商业思维，即利益分析，例如用户周期价值，用户可挖掘价值的探索性…

例如，两个公会冲突，游戏内打得火热，公会成员拼活跃，比等级;公会会长拼装备，比充值，两方打得火热，不死不休，无论是在线还是充值都达到了一个可观的水平;作为运营，你怎么办?如果你什么也不做，在那里偷偷乐呵，并且沾沾自喜;笔者读过一本书，书里说过一句话：“坐着就是为了等死!”如果你不信，次月两个公会和好，或者一个公会被赶出游戏，后悔也晚了。

“你想坐着等死吗?”如果不想，就得学会用商业思维看待行为数据;例如，这两个帮会的竞争平台有哪些?论坛?贴吧?哪些人在活跃，哪些人在付费?影响他们的人是谁?他们是否还有可继续发掘价值?

如何平衡这种关系?皮球效应很重要，压得越狠，弹得越高，什么都不管，只会越弹越低，归于平静;目前游戏较为常见的就是托这种催化剂;的确，托是起到了一定作用，但是治标不治本;如果用商业思维去思考，以天涯贴吧为例，话题已经存在，真实的用户已经存在，那么口碑营销是很容易实现的，通过原有用户的话题，吸引潜在用户，带来更多的商业利益;通过对用户习惯(例如：爱凑热闹)和人性弱点(例如：地位越高，越好面子)的把控，制造一场营销，此类营销效果显着，最重要的是不要钱!

很简单的一次用户行为，很常见的用户行为数据，换个角度分析，或许就是一场商业营销!

5. 通过数据看用户与产品关系

很多人对固定的数据很看重，arpu等核心数据形成了一套标榜，无数人逐条核对，衡量自己的产品好坏，无数运营以此核对，衡量运营的成功与否，如果你仅仅是为了KPI，那你是成功的，如果你还想做的更高，那这是远远不够的。

用户与产品关系，多数同学还定义在用户定位、产品定位上;再深入进去，就是一套的核心数据考核，运营流程….

笔者认为，数据、用户、产品;三者形成一种三角关系，可以探索的方面太多太多，例如：一个用户在线5分钟，一个用户在线10分钟，他们有什么不同?如果将10分钟定义为活跃用户，5分钟用户和10分钟用户的在线目标在哪?什么等级段的用户在什么时间段留存多少时间?这些很杂，也很容易被忽略。

再举个例子，同一时间内，若某用户一次性购买两个宝石，他是算一次性购买?还是重复购买?不要小看此类数据，用户单次购买和分次购买直接决定用户的需求量，同样的数量面前，区间价值很大!

最后换个行业思考，编剧行业对剧本有一个定义，剧本只有5分钟!这个5分钟说的不是电影周期，而是你只有5分钟去打动你的用户，若五分钟不行，用户便会失去耐性;游戏也是一样，回到开头所说，一个用户在线5分钟，一个用户在线10分钟，他们的区别不仅仅在于时间的差别，更在于产品的时间粘性，以此为例，若开场动画很精美，进入游戏画面也很赞，用户用10分钟去沉迷于此，是很容易的情况，若开场的新手引导繁琐拖拉，则引导5分钟也无法支持。

终上所述，通过数据看用户与产品关系，通过数据发现问题，通过用户整理问题，通过产品解决问题，这不仅仅涉及到运营，更涉及到策划，美术等各个部门，毕竟产品不是上线就交给运营了，一个团队，团结合作才是重点!

数据很多，也很杂，他们彼此形成一张关系网，触一发而动全身;至于具体如何理解，不同的人有不同的领悟，只能说一句：“数据很重要!重要的不是他的算法多么准确，而是接地气!他告诉我们，接下来，该怎么做!”

以上是小编为大家分享的关于如何用商业思维分析用户行为数据的相关内容，更多信息可以关注环球青藤分享更多干货