用户行为分析与用户画像（上）（总结笔记）

这篇文章是总结笔记。大部分内容参考以下文章:

Jecy：谈用户行为分析

请酌情参考。

1、用户行为分析的原因

到目前为止，商业模式的发展已经不仅仅是销售可以制造的产品，而是制造可以销售的产品。企业的业务必须基于有一定需求的用户，因此市场扩张的立足点将落在用户的行为分析上。只有更好地了解用户习惯、用户偏好和用户肖像，才能更好地创新、改进或迭代产品，数据分析可以帮助我们做到这一点。另一方面，随着科学技术的发展，产品和技术最终将被淘汰，但基本的市场需求将永远存在，并将继续下去，但用户的需求已经增加或改变，因此数据分析将继续反复验证、更新迭代和学习进步。

二是用户行为分析的前提

数据分析和用户行为分析的基本前提是你应该非常熟悉公司的业务，有四个简单的问题可以帮助理解业务：

我们的业务是什么？(定位)谁是我们的客户？(市场细分)客户看重什么？(竞争优势)我们的业务应该是什么？(愿景和目标)3。如何分析用户行为？

说白了，用户行为分析就是从各个维度看用户对某些指标的反馈。

关键词1:维度-用户分类

维度是指用户分类。虽然公司在产品定位和市场细分阶段对用户群体有明确的定位，但在产品运营阶段，使用产品的用户群体需要进一步细分。

「按个人属性或标签划分」

例如：性别、年龄、地区、教育等

星座、行业、职业、消费能力、支付偏好等用户也可以贴上标签

「根据用户使用品的生命周期划分」——同期群划分

产品的生命周期一般为：免费试用、付费使用、结束使用。同期群划分是指用户根据最初使用产品的时间对用户进行划分。产品总是在更新迭代中，对同期不同群体的影响也不同。比如，2018年1月 A 产品上架时，2月份注册用户的付费转化率为10%，3月份注册用户的付费转化率为20%，4月份注册用户的付费转化率为30%。

适用于分析：

产品业务总体情况

产品改版效果

产品改进后的用户体验等

用户保留/流失分析

「按用户使用产品的频率划分」——活跃度

用户可分为：新用户、普通用户、活跃用户、核心用户、流失用户。

活动指标应根据不同类型的业务在不同的发展阶段进行定制。

比如微信等社交应用，可能指日均使用时间；如果是外卖等。 O2O 类应用，可能是每周使用次数；如果是喜马拉雅内容类应用，可能是指每天听音频的时间。

「按用户价值划分」——RFM 模型及其衍生

PFM 用户分类是通过衡量客户价值和创造价值的能力来进行的。

有三个维度：

R：最新消费 RecencyF：消费频率 FrequencyM：消费金额 Money

可分为 5 类：

一般针对电商模式。

「基于业务模型的指标」——AARRR 漏斗模型

AARRR 相应的移动应用生命周期 5 个重要环节

A：Acquisition 获取用户

A：Activation 提高活跃度

R：Retention 提高留存率

R：Revenue 获取收入

R：Refer 自传播

金字塔模型是根据这个过程对用户进行分类的模型。

因此，对于这五层的用户分类，我们的操作对每一类都有不同的需求：我们希望新用户下载，然后给新手福利；下载用户希望他们使用，然后给予傻瓜操作指导；用户希望他来，经常来，建立信任，然后有持续的 ** 和优化。当然，感兴趣的用户希望他付费。自然促销是一种常见的手段。至于付费用户，服务一定要做好，希望别人买两次，买三次，甚至推荐给别人。

正态分布模型

当用户操作和维护的资源更加广泛和有限时，可以使用正态分布模型。例如，28法则是一种正态分布形式，80%接近曲线平均值，剩余20%是利润来源。

正态分布模型是在利润贡献和人数等两个维度进行建模。你会发现少数客户提供最多的利润，少数客户因为运营成本和紧急情况而赔钱，剩下的大部分利润接近恒定值。

因此，根据这三种情况，我们可以分配运维资源，重点维护高利润用户。同时，我们也应该关注那些不盈利但占据大部分公司资源的客户。大多数在恒定值附近的客户应提供标准化服务，节约资源，降低边际成本。

「根据用户使用的业务场景划分」

举例，对于 O2O 类别应用可分为：买方用户、卖方用户、快递。买方、卖方和快递用户可以继续按照上述分类模式进行细分。

关键词2：指标

指标是衡量基准，是明确的

数据。

「基本财务指标」

财务指标是企业的经营利润、总销售额、经营成本等。具体分析可按下图进行：

「基于业务模型的指标」——AARRR 漏斗模型

AARRR 相应的移动应用生命周期 5 个重要环节

A：Acquisition 获取用户

A：Activation 提高活跃度

R：Retention 提高留存率

R：Revenue 获取收入

R：Refer 自传播

每一步的具体目的及相关指标如下图所示：

「基于业务模型的指标」——长漏斗模型

根据不同的业务模型，企业分析的指标模型也不一致。对于电子商务应用，更多的是使用长漏斗模型来分析业务，如下图所示：

需要注意：

用户行为分析在不同的商业阶段有不同的重点。RFM，更多的是基于优化交易金额来改善用户LTV分类方法。金字塔模型是基于多层次数据的稳定增长，形成健康AARRR系统循环的分类模式。正态分布更倾向于广泛操作。在维护有限用户资源的情况下，调用有限资源维护长尾客户的分类模式。

2.选择具有指导意义的指标。该指标的关键含义是，它必须具有指导意义，有利于做出决策。比如双十一凌晨，需要实时监控交易量，1小时后率先完成10亿，但是 “10亿” 事实上，这是一个没有任何参考意义的数字，但只要第一个小时比去年增加了40%，但预计将增加60%，这是非常有参考意义的。在这个时候，你可以看到为什么它没有实现，并做出决定是否需要提醒用户。(数据只是例子，没有参考意义)

关键词3：反馈

反馈指标主要有四个方面，

变化，如何随时间波动分布，如何比较不同区域、不同产品、不同用户群体之间的比例，产品之间的比较和预测，并根据过去的性能分析预测未来的性能

因此，在根据业务绩效研究用户行为分析时，可以结合上述维度、指标和反馈，深入挖掘业务现状及其背后的原因。用户行为分析主要适用于企业：

根据不同用户的行为和表现，提出准确的营销建议，最大限度地发挥营销效益，研究和学习高质量用户的行为模式和共同特征，引导更多用户发展为高质量用户，有利于发现产品机会点，并利用A/B4.用户行为分析的路径

可分为数据采集、数据存储、分析模型、报表创建和应对策略五层。

数据采集:没有足够、准确、实时的数据，再好的分析思维也没用。可视化埋点(即全埋点)通常用于数据采集。SDK埋点、JS埋点、日志数据、历史数据导入等。建议获取最准确的数据SDK埋点，服务器数据传输工具。数据存储：打开用户数据源，建立统一的数据仓库。清晰统一地定义用户属性数据和用户行为数据。与用户行为相关的数据需要满足4W1H描述，即谁，在什么时候，以什么方式，在哪里，做了什么，描述这些信息，是用户id、设备号，访问ip、记录时间、时间、点击等数据。有了这些信息，你可以分析它们Why，也就是说，用户行为背后的原因。分析模型：用户分组、多维分析、漏斗分析、保留分析、事件分析、行为路径分析、行为序列分析。需要根据实际业务场景灵活搭配使用。创建报告:为团队发展的不同阶段创建统一的关键指标，引导团队前进。而对于运营、产品、市场，各自创建常用报表，对关键数据进行持续监控。例如，市场关注渠道转换漏斗、产品、运营关注用户保留、活跃、关键行为事件。但相应的，都是基于公司统一的最关键指标。例如，当新产品推出时，首先要关注天使用户对产品的响应，开发阶段要关注用户增长和病毒传播，稳定阶段要快速激活用户支付。应对策略：在数据分析的基础上，进行有针对性的用户研究和用户访谈，找出相关性背后的原因，制定相应的策略。

用户行为分析与用户肖像(下):

金笔记:用户行为分析与用户肖像(下)