本文屬于用戶行為數據領域入門級別文章，適合對用戶行為數據略知一二但是對這個主題非常感興趣的同學。

1

什么是用戶行為數據？

“用戶行為數據”，顧名思義就是用戶在 APP、小程序、WEB 端等平臺所做的行為（瀏覽、點擊、滑動、長按等），通過數據埋點的方式上報至數據庫，從而能夠記錄用戶在一段時間內在不同平臺上所做的動作。

2

采集與分析用戶行為數據的意義

公司內部存儲的數據一般被分為業務數據和用戶行為數據，其中業務數據是與公司業務本身相關的數據，例如電商行業中的訂單支付數據（商品名稱/ID、購買件數等）、汽車行業中的銷售數據（購買車型、經銷商名稱、車輛價格等）、以及在線教育行業中的課程付費數據（課程名稱、課程類別、課程價格等）；用戶行為數據則反映用戶在不同平臺的行為。

在數據分析和應用過程中，兩者是相輔相成的：用戶行為數據需要業務數據進行補充，從而能夠看出一筆訂單到底支付了多少錢、買了什么商品；而業務數據也離不開用戶行為數據這個載體，因為用戶行為數據串起了用戶在各個平臺上的行為序列，從而能夠看到用戶在購買/轉化之前都做了什么動作。

另外，用戶行為數據能夠真實反應用戶在平臺上的行為，并且能夠據此推斷出用戶心智，從而及時進行相關運營動作。

舉個例子，很多 APP 為了優化用戶體驗，會請用戶填寫一份調查問卷，但是真正愿意填寫問卷的用戶寥寥無幾，用戶如果對 APP 不感興趣會直接離開并流失。退一步說，即使有很多用戶在優惠券等獎勵驅使下填寫了調查問卷，填寫結果也不一定能代表用戶的真實想法，可能有的用戶為了得到獎勵胡亂填寫，或者是用戶誤解了選項的意思導致結果偏差。

通過采集和分析用戶行為數據，可以觀察那些流失的用戶在 APP 里做了什么，導致他們流失的原因是什么，從而幫助產品經理優化產品、降低用戶流失風險。

3

采集和分析用戶行為數據的步驟

3.1

指標體系搭建

很多企業在搭建自己的用戶行為數據平臺的時候會忽視這一步，以為把行為數據采集上來就能為我所用，其實不然。好的指標體系有如下優點：

（1）統一的指標體系能避免數據指標定義模糊和邏輯混亂，減少數據解釋成本；

（2）好的指標體系能在某一核心指標出現問題的時候迅速向下進行維度拆分，從而定位問題所在，幫助產品/運營不斷改良，甚至發現一個新的業務增長點；

（3）領導層通常會關注指標體系，尤其是其中的核心業務指標，通過指標體系能夠幫助領導層從大局上制定戰略目標。

指標體系的搭建方法有北極星指標法、UJM（用戶旅程地圖）模型和 OSM 模型等。

其中北極星指標法是指業務人員先找出一個與業務目標強相關的核心指標（也叫“北極星指標”，該指標像北極星一樣指引未來的行動方向），然后逐漸向下進行指標的拆解。

舉個例子，在電商場景中，我們可以選擇 GMV 作為“北極星指標”，然后根據首購/復購用戶或用戶旅程步驟等維度進行拆解，最后得到類似于 GMV = 客單價 * 購買人數 = 客單價 * （首購用戶 + 復購用戶） = 客單價 * （APP 啟動/激活人數 * 商品詳情頁滲透率（觸達率） * 購買轉化率 + 之前下過訂單的老用戶 * 留存率 * 商品詳情頁滲透率（觸達率） * 購買轉化率）。

這個連續等式的第二步中利用首購/復購用戶維度進行拆分，第三步則是使用用戶旅程步驟（啟動 - 瀏覽商詳頁 - 購買）維度進行進一步拆解。

3.2

數據采集

數據采集也叫數據埋點、埋碼或者是打點，就是將一套數據采集代碼埋入 APP/小程序/WEB 頁面，用戶在觸發某一事件（瀏覽、點擊等）時將該行為數據進行上報，從而形成用戶行為數據表。

埋點方式分以下幾個種類：

（1）全埋點/無埋點：通過調用 SDK （Software Development Kit） 對頁面上的行為數據進行采集，此方案優點是無需開發同學寫代碼，減少人力成本，缺點是靈活性差，只能覆蓋一些通用數據（操作系統/版本、瀏覽器名稱、設備型號。。。），無法對于業務專用的數據進行采集；而且對代碼的規范要求比較高（例如頁面標題/按鈕名稱取值要規范）。

在作者的工作經歷中經常碰到有公司的代碼非常不整齊，導致通過全埋點自動抓取的數據非常雜亂，無法使用的情況。

（2）自定義埋點/手工埋點：此方法需要開發同事進行手工代碼埋點，優點是能夠靈活覆蓋各類個性化業務數據，缺點是需要大量人力成本。

（3）可視化全埋點：這個方法只需要在頁面中圈選想要監測的元素（運營位、按鈕等），不用植入代碼即可埋點。優點是對不懂代碼的業務人員非常友好，缺點是只能采集瀏覽/點擊等最基礎的事件，并不能采集相對復雜的事件。

此外，一般來說，埋點需要遵循 “相同類型事件合并為同一個埋點，不同類型事件分開埋點” 的原則，方便之后埋點的迭代和查找。錯誤的示范是把每個按鈕都當作是一個埋點上報，那么隨著之后產品迭代，按鈕會越來越多，埋點數量也會隨著按鈕數量水漲船高。

舉個例子，某電商平臺首頁有兩個運營位，分別叫 “商品上新” 和 “猜你喜歡”，兩個運營位里分別有新商品的輪播展示和通過算法推薦給用戶的商品輪播展示。

業務人員提出想要看這兩個運營位內商品的點擊次數和人數，并且要區分出用戶點擊的是哪個商品。既然 “點擊新商品” 和 “點擊推薦商品” 這兩個事件都屬于點擊，那么在設計埋點的時候需要將這兩個事件結合成一個埋點，并將運營位名稱和業務人員關注的 “商品名稱/ID” 屬性放入該埋點中作為事件屬性進行上報，以區分用戶點擊的運營位信息和商品信息。

3.3

數據分析

用戶行為分析中有一套獨有的分析模型：

（1）事件分析：“事件” 就是前面所述的用戶行為，這是對用戶行為最基礎的描述，例如 “打開 APP 的次數”、“點擊xxx按鈕的人數” 等。在電商場景中常見的有 “新用戶注冊數”、“支付訂單且成功的人數” 以及代表用戶粘性的 “用戶整站平均停留時長” 等，這三個指標對應的用戶行為（事件）分別為 “注冊”、“支付訂單” 和 “APP瀏覽頁面”。如果想要看這三個指標，就需要把三個對應事件做成埋點進行監測。

（2）漏斗分析：用戶的整體用戶旅程就像一個漏斗，做第一步的用戶最多，隨著用戶流失，做之后步驟的用戶會越來越少。在電商場景中，常見的是用戶從 “瀏覽商品列表頁 - 瀏覽商品詳情頁 - 加入購物車/立即購買 - 提交訂單 - 支付訂單” 這一漏斗。通過分析漏斗的整體轉化率和步驟間的轉化率，可以找出異常的轉化率，然后對某一步驟中流失的用戶進行洞察，發現其共性，為之后的防流失預警提供依據。

（3）留存分析：指的是用戶在做了某個行為后第 n 天還會做某個行為的概率。在電商場景中最典型的就是復購，即用戶在首次購買后有多大概率會在第 n 天再次購買。

（4）分布分析：與統計學上的頻率分布直方圖（histogram）類似，分布分析觀察的是某個行為做的次數的人次分布。例如我們可以分別查看過去 30 天中用戶購買 1、2、3 次商品的人數，也可以根據需求自定義設置區間查看對應區間的人數。

（5）歸因分析：一個目標事件（支付訂單、帖子轉發。。。）的達成，我們不能只歸功于某個事件（運營位點擊、推薦商品點擊、分享商品、收藏商品。。。），而是應該“按勞分配”，根據一定的計算規則公平分配功勞。歸因分析模型可以提供這樣的計算方式，比如按照時間衰減規則（越靠近轉化的事件功勞越大）或者按照首/末次觸點（行為序列中第一個/最后一個事件得到 100% 的功勞）進行歸因。

3.4

數據應用

分析數據的最終目的是為了驅動業務發展，否則只是躺在數據分析報告里冷冰冰的結論。在作者的工作經歷中，“營銷自動化” 和 “用戶標簽體系” 是兩個主要運用用戶行為數據的場景。

（1）營銷自動化：簡稱MA（Marketing Automation）。傳統的營銷模式，要么是“拍腦袋”，依據業務經驗進行營銷，要么無法做到精準營銷和 “千人千面”，一套營銷方案通用所有的用戶。通過營銷自動化，我們可以對不同用戶進行精準觸達。例如我們可以使用 RFM 模型，從最近一次購買時間、購買次數和購買金額三個維度對用戶進行分層，對不同層級的用戶在不同時機發送不同的短信/PUSH，從而用最小的成本獲得最大的轉化和收益。

（2）用戶標簽體系：我們在購買商品時會看到商品的標簽，上面會注明例如價格、材料、生產日期等信息。同樣的，我們也可以給用戶打上標簽，例如性別、年齡、城市、職業、收入、商品偏好、用戶生命周期等。用戶標簽體系可以與營銷自動化結合使用，從而對擁有特定標簽的用戶進行精準營銷。

4

結語

用戶行為數據分析這個領域，無論在商業應用廣度、深度上還是企業內部的重視程度上都有待提升。可以說，誰先占領了用戶行為數據分析和應用的高地，誰就能率先以最小的成本獲得最有效的用戶洞察。

責任編輯：haq