https://www.sensorsdata.cn/school/library/21b923ec5afc1c0572b45dc92c3efb01

第三章——智能分析八大模型驱动产品增长

为了更好的实现以用户为中心的产品管理 产品经理需要充分运用数据驱动理念和数据分析方法来驱动产品设计、产品运营等—系列工作。以下八大智能分析方法和模型 是经过各行业领先企业最佳数据驱动实践沉淀 包括事 分析、 分析、留存分析、分布分析、点击分析、用户路径、用户分群和属性分析等；深度洞察并全面了解用户行为 从而实现快速晌应用户实际需求的敏捷产品迭代、不断改进产品功能、提供最佳用户体验、并辅助业务决策。
下面将为大家逐—详细介绍八大智能分析方法、适用的业务场景。值得强调的是 每—种数据分析方法都针对不同维度的数据研究。各分析模型存在相 的关系 最佳实践往往是多个模型交叉应用的效果（为保障企业利益 以下所有数据和分析结果均为虚拟业务数据 仅为模型说明使用）。

3.1 行为事件分析

—、什么是行为事件分析

行为事件分析法用来研究某行为事件的发生对企业组织价值的影晌以及影晌程度。企业借此来追踪或记录的
用户行为或业务过程。如用户注册、浏览产品详情页、成功投资、提现等。通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影晌等。
在日常工作中 产品经理可根据实际工作情况而关注不同的事件指标。
如最近三个月来自哪个渠道的用户注册量最高？
变化趋势如何？
各时段的人均充值金额是分别多少？
上周来自北京发生过购买行为的独立用户数 按照年龄段的分布情况？
每天的独立Session数是多少？
诸如此类的指标查看的过程中行为事分析起到重要作用。
在行为事件分析中共有三个概念：

指标

维度

事件

并且在分析中 一般期望数据是实时采集并能够实时分析的
而事件/ 维度 / 指标又是可以灵活自定义的。
行为事件分析可以说是上节内容讲到的 Event
（事件） 实体的可视化展现 其中还将User（用户）实体的属性通过 User D（用户 ID）贯穿到 Event 实体中
这样在分析时可以把用户属性作为分组或筛选的条件 。

—、事件分析的特点与价值

行为事件分析法具有强大的筛选、分组和聚合能力，逻辑清晰且使用简单，已被广泛应用。行为事件分析法一般经过事件定义与选择、下钻分析、解释与结论等环节。

事件定义与选择。

事件描述的是：用户在某个时间点、某个地方、以某种方式完成某个具体的事情。Who、When、Where、What、How 是定义—个事 的关键因素。其中：

Who 是参与事件的主体 对于未登陆用户 可以是 Cookie、设备ID 等匿名ID ； 对于登录用户，可以使用后台配置的实际用户ID；
When 是事件发生的实际时间 应该记录精确到毫秒的事 发生时间；
Where 即事件发生的地点 可以通过 IP 来解析用户所在省市；也可以根据 GPS 定位方式获取地理位置信息。
How 即用户从事这个事件的方式。用户使用的设备、浏览器、 APP 版本、渠道来源等等；
What 描述用户所做的这个事 的所有具体内容。比如对于”购买”类型的事 则可能需要记录的字段有：商品名称、商品类型、购买数量、购买金额、付款方式等。

多维度下钻分析。

最为高效的行为事件分析要支持任意下钻分析和精细化条件筛选。
当行为事件分析合理配置追踪事件和属性可以激发出事件分析的强大潜能。
为企业回答关于变化趋势、维度对比等等各种细分问题。
同时还可以通过添加筛选条件，可以精细化查看符合某些具体条件的事件数据。

解释与结论。

此环节要对分析结果进行合理的理论解释 判断数据分析结果是否与预期相符
比如判断产品的细节优化是否提升了触发用户数。如果相悖 则应该针对不足的部分进行再分析与实证。

三、事件分析适用的业务场景

应用场景：互金行业行为事件分析

某互联网金融产品运营人员发现 4 月10 日来自新浪渠道的 PV 数异常标高 因此快速排查原因：是异常流量还是虚假流量？
企业可以先定义事件通过”筛选条件 ” 限定广告系列来源为”新浪”。再从其它多个维度进行细分下钻
比如”地理位置”、”时间”、”广告系列媒介”、”操作系统”、”浏览器”等。
当进行细分筛查时 虚假流量无处遁形。下图为来源为”新浪”的各城市浏览页面的总次数。

在剔除虚假流量后产品运营人员可进行其他用户行为分析。
通过”投资成功”事件查看各个时段的投资金额。
若想知道每个产品类型的投资金额，此时再按照”产品类型” 进行分组查看”不同产品投资成功的支付金额的总和”。

当用户投资到期后 后续行为可能是提现或继续投资 运营人员可以实时关注”提现率”的变化趋势 如下图用户投资到期后提现率的变化情况。

3.2 漏斗分析

漏斗分析模型是企业实现精细化产品运营的重要分析模型
其精细化程度影晌着精益管理的成败。
粗陋的 分析模型因为”过程管理不透明”造成结果失控。
因此 我们经常能够听到—些产品经理的抱怨不绝千耳：从启动 APP 到”支付成功” 用户转化率为何仅仅 0.8%？

—、什么是漏斗分析

漏斗分析是— 套流程分析，
能够科学反映用户行为状态及从起点到终点各阶段用户转化率的重要分析模型。
漏斗分析模型已经广泛应用千渠道来源分析、用户激活转化等日常产品运营工作中。
例如在—款产品服务平台中直播用户从激活 APP 开始到花费 ，—般的用户购物路径为激活 APP、注册账号、进入直播间、 动行为、礼物花费五大阶段 能够展现出各个阶段的转化率，通过各环节相关数据的比较，能够直观地发现和说明问题所在，从而找到优化方向。
”漏斗”这种叫法本身并不准确 因为我们常用的漏斗，都是将液体从大开口导入从小开口漏出，这个过程最终会将所有液体流出。但我们所说的漏斗分析，每个前序步骤只会有部分用户进入到下—步骤中 所以叫”漏筛”会更准确—些。这里需要注意的是我们跟踪整个漏斗的转化过程，是以用户为单位将步骤串联起来，并不是只把每个步骤的发生次数做—个简单的计数，进入到后续步骤中的用户， —定是完成了所有前序步骤。

二、 漏斗分析的特点与价值

对于业务流程相对规范、周期较长、环节较多的流程分析，能够直观地发现和说明问题所在。值得强调的是 漏斗分析模型并非只是简单的转化率的呈现，科学的分析模型能够实现以下价值：

1. 企业可以监控用户在各个层级的转化情况

聚焦用户选购全流程中最有效转化路径；同时找到可优化的短板 提升用户体验；降低流失等重要目标 通过不同层级的转化情况 迅速定位流失环节 针对性持续分析找到可优化点 如此提升用户留存率。

2. 多维度切分与呈现用户转化情况

成单瓶颈无处遁形。科学的漏斗分析能够展现转化率趋势的曲线 能帮助企业精细地捕捉用户行为变化。提升转化分析的精度和效率，对选购流程的异常定位和策略调整效果验证有科学指导意义。

3. 不同属性的用户群体漏斗比较

从差异角度窥视优化思路。 对比分析是科学分析的重要—环。
运营人员可以通过观察不同属性的用户群体（如新注册用户与老客户、不同渠道来源的客户）
各环节转化率 各流程步骤转化率的差异对比
了解转化率最高的用户群体 分析
合理性并针对转化率异常环节进行调整。

特点一在漏斗分析方法中 科学归因、属性关联至关重要。

归因设置

先谈归因。在科学的分析中 需要科学归因设置。
每—次转化节点应根据**事件功劳差异（事件对转化的功劳大小） 而科学设置。**
企业—直致力定义最佳用户购买路径 并将资源高效集中于此。而在企业真实的漏斗分析中
业务流程转化并非理想中那么简单。
例如 市场活动、线上运营、邮件营销都可能触发用户购买。A 欲选购—款化妆品通过市场活动了解 M 产品 后来在百度贴吧了解更多信息 但是始3没有下定决心购买。后来收到 M 公司的营销邮件，A 被打折信息及详实的客户评价所吸引，直接邮件内跳转至网站购买了该商品。
那么 在 漏斗设置时，转化归因应该”归”哪—个渠道呢？在这个案例中 运营人员愿意以实际转化的事件的属性为准。邮件营销的渠道在用户购买决策的全流程中对用户影晌的”功劳”最大、权重较大 直接促进用户转化。在科学的漏斗分析模型中 用户群体筛选和分组时 以实际转化事件 —— 邮件营销来源的用户群体的属性为准 则大大增大了漏斗分析的科学性。

属性关联

再—起看属性关联。
在进行漏斗分析时尤其电商类产品中，运营人员在定义”转化” 时 会要求，转化的前后步骤有相同的属性值。比如同— ID（包括品类 ID、商品 ID）才能作为转化条 —— 浏览iPhone6 购买同—款 iPhone 6 才能被定义为—次转化。
因此 ”属性关联”的设置功能是科学 分析不可或缺的内容。

三、 漏斗分析适用的业务场景

应用场景：不同客户群体的转化情况

某电商企业客户根据客户的消费能力 将客户划分为普通会员、黄金会员、钻石会员。为加强对用户的转化引导 F公司欲针对不同用户群体采用不同的运营方式如下图普通会员与钻石会员的 转化情况对比。

通过对比 可明显看出 普通会员从”提交订单”到”支付订单”的转化率明显低千钻石会员。为找到”支付订单”阶段转化率变低的原因 F 公司产品运营人员应深度分析普通会员转化率情况 如对比不同付费渠道（PC 端、手机端等）的转化情况 找到优化的短板。
另外 可以尝试支付订单流程的新手引导 帮助新手顺利完成购买。
此外 我们还可以选择某—转化步骤从而拿到这—步骤流失的用户列表 对其进行运营 以提升转化。

3.3 留存分析

2013 年—家 联网金融创业公司的投资获客成本区间为 300 ~ 500 元 而 2016年则涨为 1000 ~ 3000 元；在电商领域新用户的获取成本 是维护—个老用户的 3倍到 10 倍

如今 高居不下的获客成本让互联网、移动互联网创业者们遭遇新的”天花板” 甚至陷入”纳不起”新客的窘境。而花费极高成本所获取的客户 可能仅打开—次 APP、或完成—次交易就白白流失。随着市场饱和度上升，绝大多数企业 解决如何增加客户黏性 延长每—个客户的生命周期价值。因此留存分析分析模型备受青睬。

—、什么是留存分析

留存分析是一种用来分析用户参与情况/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。
这是用来衡量产品对用户价值高低的重要方法。
留存分析可帮助回答以下问题：
—个新客户在未来的—段时间内是否完成了您期许用户完成的行为？如支付订单等；
某社交产品改进了新注册用户的引导流程、改善用户注册后的参与程度 如何验证？
想判断某项产品改动是否奏效 如新增了—个邀请好友的功能 观察是否有人因新增功能而多使用产品几个月？
为什么要做留存分析 直接看活跃用户百分比不行吗？
对此疑惑 答案显然是 当然不行 如果产品目前处千快速增长阶段很有可能新用户中的活跃用户数增长掩盖了
老用户活跃度的变化。
按初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影晌。
通过留存分析 你可以将用户按照注册时间分段查看 得出类似如下结论：”三月份改版前 该月注册的用户 7 天留存只有 15%；但是 月份改版后 该月注册的用户 7 天留存提高到了 20%。”

—、留存分析模型特点与价值

科学的留存分析模型具有灵活条件配置—— 根据具体需求筛选初始行为或后续行为的细分维度 针对用户属性筛选合适的分析对象的特点。
那么 留存分析有哪些价值呢？

第一，留存率是判断产品价值最重要的标准，揭示了产品保留用户的能力。

留存率反映的实际上是—种转化率 即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程。随着统计数字的变化 运营人员可看到不同时期用户的变化情况 从而判断产品对客户的吸引力。

第二，宏观上把握用户生命周期长度以及定位产品可改善之处。

通过留存分析 可以查看新功能上线之后 对不同群体的留存是否带来不同效果？可以判断产品新功能或某活动是否提高了用户的留存率？结合版本更新、市场推广等诸多因素 砍掉使用频率低的功能 实现快速迭代验证 制定相应的策略。

三、留存分析适用的业务场景

场景一：游戏行业提升活跃、留存，如何精准找到玩家“流失点”?

游戏的生命周期的时长差异、玩家的游戏粘度 直接体现了游戏的竞争能力和盈利能力。玩家对游戏的直观感受、游戏难度曲线、游戏节奏的松弛、游戏福利等游戏内涵都能够导致游戏玩家流失。正确找到玩家流失原因 是促进玩家活跃、挽留玩家的第一步。
下面为《迷城物语》在删档测试期间的相关应用情景。
下图统计出流失玩家的等级分布（玩家 在首次登陆游戏之后的 8 周流失情况分析） 判断玩家流失与关 设置的相关性。100~ 110 级、80~90 级是玩家流失较多的关 。为精准定位导致玩家流失的关键因素 需要每个环节、具体场景进行深入追踪与分析。

场景二：了解新用户的留存

运营人员想从总体上看用户留存的情况是否越来越好了。可根据新用户启动 APP 的时间按日或按月进行分组 得到同期群观察该群体用户发生投资的 7 日留存、14日留存或 30 日留存（可自由选择） 通过比较不同的同期群 可以获知。也可以点击”曲线标识”按钮 就可以看到每天留存率的变化趋势了。如下图新用户群体七天留存趋势变化。

对千 7 日或者 30 日仍留下来做投资的用户 显然是—批忠诚度非常高的用户 什么样的用户群体有这么高的留存率？以 4 月10 号这天的新用户为例 —共有 1931 个新用户 在第7 天有 68 人留下来了 点击”68”这个数字 我们进入了用户列表界面。 如下图第 7 天用户留存 68 人基本信息明细。

这里我们能够看到留存下来的用户的— 些详细的基础信息 比如借款次数 借款金额、年龄等 通过总借款次数以及借款金额可进行用户质量评估；通过年龄可以分析到 金融平台吸引的群体用户的年龄分布。另外 这里值得强调的是 支持人群明细查看是数据分析方法中不可或缺的功能。

若想深度挖掘高留存用户有哪些共性特征、具体操作流程 以作为后序产品优化与改进的借鉴 则可使用用户分群功能 命名为”4 ~ 10 号 7 日留存用户”然后通过用户路径等其他分析模型进—步深度分析。

3.4 分布分析

—、什么是分布分析

分布分析是用户在特定指标下的频次、总额等的归类展现。

它可以展现出单用户对产品的依赖程度 分析客户在不同地区、不同时段所购买的不同类型的产品数量、购买频次 等 帮助运营人员了解当前的客户状态 以及客户的运转情况。如订单金额（100 以下区间、100 元 ~ 200 元区间、200 元以上区间等）、购买次数（5 次以下、5 ~ 10 次、10 以上）等用户的分布情况。

—、分布分析的特点与价值

科学的分布分析模型支持按时间、次数、事件 、指标进行用户条件筛选及数据统计。
为不同角色的人员统计用户在—天/周/月中有多少个自然时间段（小时/天）进行了某项操作、进行某项操作的次数、进行事件指标。
总之分布分析价值主要体现在：

第一，挖掘用户分布规律，优化产品策略。

对同—指标下的有关数据的统计与分析 可以帮助企业从中挖掘用户访问规律 企业可以将规律与实际产品策略相结合 进—步修正和重新制定产品策略。

第二，运营井持续产品生命力，增加客户回访率。

彻底改变之前 靠随机抽样的回访率调查方式 如电话回访等 分布分析多角度分析辅助企业判断出单用户对产品的依赖程度 以及产品对用户的价值与黏性。

第三，快速识别核心用户群体，资源配置有的放矢。

核心用户群体是对企业价值贡 献最大的用户群体 是企业最大的利润来源。
不同用户群体对产品需求有所差异 对用户群体进行差异性辨识 可以了解到用户群体对产品的依赖动力。分布分析通过不同维度筛选出核心用户群体 在此基础上 更好配置优质资源 以最小成本实现利润最大化。

三、分布分析适用的业务场景

应用场景：电商行业分布分析应用

当电商用户的忠诚度如何？
客单价情况怎样？
均可以通过分布分析功能进行快速诊断。
以电商为例 重复购买次数、客单价分布等均是常用的衡量忠诚度的指标。
以下从不同角度展现了分布分析的多维度查看 用户在购买—个月内进行支付订单的次数。

上图可以看到用户每个月的购买频次基本稳定在 1 ~ 3 次之间 除了 3 月份有小的变动外 其它几个月份都比较稳定。除了从用户行为日期去查看外，还可以对用户进—步细分 看看不同性别、不同渠道的用户的支付频次的差异。如下图用户—个月内进行支付订单的次数。从性别来看 数据比较均匀 商品男生女生都喜欢买。

从省份的角度显示出 该商品并没有地域偏爱。如下图按省份查看用户—个月内支付订单次数。

用户购买的客单价分布在哪个区间 也是运营人员比较关心的。下图显示出用户的客单价很高：90% 的用户客单 在 500 元以上。

3.5 点击分析

—、什么是点击分析

点击分析 即应用—种特殊高亮的颜色形式 显示页面或页面组

（结构相同的页面，如商品详情页、官网博客等）区域中不同元素点击密度的图示。包括元素被点击的次数、占比、发生点击的用户列表、按钮的当前与历史内容等因素。

—、点击分析的特点与价值

点击图是点击分析方法的效果呈现。点击分析具有分析过程高效、灵活、易用，效果直观的特点。点击分析采用可视化的设计思想与架构 简洁直观的操作方式 直观呈现访客热衷的区域 帮助运营人员或管理者评估网页设计的科学性。
在追求精细化网站运营的路上 企业对用户点击行为的可视化分析提出了更高需求 理想的点击分析方法能够实现以下价值：

1. 精准评估用户与网站交互背后的深层关系。

除了展示单个页面或页面组的点击图 前沿的点击分析应该能够支持事 （元素） 属性、用户属性的任意维度筛选下钻；运营 人员可以按照事件属性和用户属性进行筛选，对特定环境下特定用户群体对特定元素的点击进行精细化分析；支持查看页面元素点击背后的用户列表 满足企业网站的精细化分析需求。

2. 实现网页内跳转点击分析，抽丝剥茧般完成网页深层次的点击分析。

前沿的点击分析应支持网页内点击跳转分析 —— 在浏览页面点击图时 使用者能够像访问者—样 点击页面元素 即可跳转至新的分析页面 且新的分析页面自动延续上—页面的筛选条 。同—筛选条 下 运营人员可抽丝剥茧般完成网页深层次的点击分析 操作流畅 分析流程简易、高效。

3. 与其他分析模型配合，全面视角探索数据价值，深度感知用户体验，实现科学决策。

无法精细化地深入分析 会让网页设计与优化丧失了科学性。点击图呈现用户喜爱点击的模块或聚焦的内容 是数据价值最上层表现。当”点击分析”与其他分析模块配合交叉使用 将数据和分析结果以多种形式可视化展现 运营人员即可深度感知用户体验。例如 改版后 如何评估新版本对用户体验的影晌？—处修改 是否影晌其他元素的点击 等等。再如 A / B 测试 反复验证优化效果选择最优方案等。

三、点击分析适用的业务场景

场景一：企业官网改版，筛选细分访客， 页面优化有的放矢

企业官网是企业潜在客户的指路牌。某To B 企业官网运营人员 根据用户的官网访问时长、用户行为路径、活跃度、注册与否等因素 将用户细分为”单纯浏览者”、”信息收集者”、”购买需求强烈者”三类。
运营人员事先按照自定义规则 将三类访客进行用户分群。接下来 在”点击分析” 功能模块中 分别筛选出三类人群 并查看其页面点击情况。

1. 用户群体之“单纯浏览者”的点击分析与优化方法

如图近 30 天”单纯浏览者”对官网导航栏的点击情况 该类用户群体对”产品介绍”、”视频”点击率较高 这说明”产品介绍”、
”视频”是初来乍到的访问者了解企业的”窗口” 而元素内容缺少”亮点” 导致访问者不愿意花时间停留。因此可尝试以下两方面优化：

—方面 优化内容。让产品价值、优势、案例等内容尽可能醒目 以快速吸引浏览者注意；另—方面 在导航栏中尝试增加社交因素。如建立论 、设立产品博客 如此增强访问者对官网的黏性 提高网站的活跃用户数量。

2. 用户群体之“信息收集者”的点击分析与优化方向

官网运营人员应该帮助该用户群体确定 购买意向。如下图近 30 天”信息收集者”对官网导航栏的点击情况 ”信息收集者”群体对官网导航条中” 档”、”博客”兴 很高而行业解决方案的点击较少。事实上 行业解决方案是该类群体值得关注的价值点 由千点击较低 可以尝试将其调整至醒目位置进行效果对比。

点击率颇高的” 档”栏目 哪类型 早最受钟爱？运营人员可以直接点击” 档”自动进入” 档”的点击分析页面 如下图；点击数据表明 技术剖析、案例精选、业务场

景分析的点击率最高 运营人员可持续优化群体关心的”产品”、”博客”等产品展现形式和内容。

3. 用户群体之“需求强烈者”的点击分析与优化方向

值得—提的是 神策分析的”点击分析” 功能支持弹框的点击统计。按照最初用户分群的定义 此群体都点击了”申请试用”按钮而下图点击”申请试用”按钮群体的点击分析

显示只有 12.11% 的用户最3提交。如此设计人员该反思：是否要填的注册信息过多？ 而导致用户点击注册而放弃提交。或者为了提升用户的试用体验 可尝试将帮助中心、在线客服等帮助链接附在显著位置 使用户在整个试用过程中能随时得到帮助。

场景二：电商界面的优化与改进，配合实时多维分析，验证方案科学与否

神策分析”点击分析”功能对千相同结构的网页 如商品详情页、购物页面、博客

早等 提供了统—、便捷的点击分析方式。以商品详情页的优化为例 产品人员可以URL 规则建立了—个页面组 并选择任意— 个商品详情页作为背景展示点击情况。

通过上图我们可以看到：

1. 用户在该页面频繁地点击商品的图片， 和已购买的人数。

显然 用户在购买前希望了解更多的商品信息 尤其是图片、已购买用户的评价进而决定是否下单。然而 在更深入分析页面时发现 商品图片只有 1 张且不支持查看大图 又无法查看用户评价。通过查看网站的历史数据 每天大约有 50% 的用户来浏览的都是这样的商品详情页。因此为了优化目标页的用户体验 可以：（1）要求商家发布商品时必须上传不少千 3 张照片；（2） 支持所有类型的商品详情页都有已购买者的 评价露出。
**

2. 从商品详情页的点击图中，右侧边栏中“我的心愿单”这个按钮被用户， 尤其老用户点击率很高。

以此为参考 为页面改版找到—些方向：在合适的位置新增”加入心愿单”按钮。
改版后 产品人员再次通过点击分析工具评估效果时发现 ”加入心愿单”按钮的点击率达到 30% 而”立即购买”按钮的点击率只下降了 1%。说明这次改版对”立即购买” 按钮的点击率的冲击程度不大 并不会影晌页面的最3转化。
” 加入心愿单” 是否对用户转化造成影晌？产品人员可通过用户路径”加入心愿单” 操作的频率和人数 或者通过留存率判断用户黏性的强弱变化

改版后客户的转化率为 3.17% 可与改版前的转化率相比 若变高 则说明此次是
—次比较成功的改版。如此判断”加入心愿

单”是否是用户真实存在的需求 是否能对增加用户忠诚度产生贡献。

3.6 用户路径

用户访问 APP ／ 网络 如同参观画展观众是感受和传达画展参展方和展品的目的受众体 图画的展现布局不同 每—位观众根据自身喜好形成特有的参观顺序。为让观众沿着最优访问路径前进 需要策展者结合观众需求进行布局调整。—定程度上讲 用户路径分析为布局调整提供科学指导。

—、什么是用户行为路径

用户路径分析顾名思义 用户在APP 或网站中的访问行为路径。为了衡量网站或 APP 类
产品的最佳用户体验 以及了解用户行为偏好 时常要对访问路径的转换数据进行分析。
以电商为例 买家从登录网站 ／ APP 到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是—个交缠反复的过程 例如提交订单后 用户可能会返回首页继续搜索商品 也可能去取消订单 每—个路径背后都有不同的动机。与其他分析模型配合进行深入分析后 能为找到快速用户动机 从而引领用户走向最优路径或者期望中的路径。

—、用户路径分析的特点与价值

用户路径的分析结果通常以桑基图形式展现 以目标事 为起点／3点 详细查看

后续／前置路径 可以详细查看某个节点事
的流向 总的来说 科学的用户路径分析能够带来以下价值：

第一，可视化用户流，全面了解用户整体行为路径。

通过用户路径分析 可以将—个事 的上下游进行可视化展示。用户即可查看当前节点事 的相关信息 包括事 名、分组属性值、后续事 统计、流失、后续事 列表等。运营人员可通过用户整体行为路径找到不同行为间的关系 挖掘规律并找到瓶颈。

第二，定位影晌转化的主次因素，产品设计的优化与改进有的放矢。

路径分析对产品设计的优化与改进有着很大的帮助 了解用户从登录到购买整体行为的主路径和次路径 根据用户路径中各个环节的转化率 发现用户的行为规律和偏好也可以用千监测和定位用户路径走向中存在的问题 判断影晌转化的主要因素和次要因素 也可以发现某些冷僻的功能点。

三、用户路径适用的业务场景

应用场景：零售行业用户路径分析

启动 APP 后 为何只有 30% 商超客户交易成功？该场景为中国最大的社区 O2O 服务平台中商惠民的数据分析场景。
在—次评估客户总体转化率过程中 通过 分析发现 从登录惠配通 APP 后提交订单的商超客户仅有 30% 接下来可以通过用户路径客户流失的原因所在。通过

用户路径分析模型 清晰展示了商超客户的动作走向 为判断客户流失原因重要方式之
—。中商惠民产品运营人员选取若干事 对客户购买路径进行深度分析。如图显示 用户登录 APP 后 约有 40% 的客户会点击Banner 30% 的客户会直接进行商品搜索约 10% 的用户会浏览商品列表 约 5% 的客户直接退出 APP。

运营人员进—步看 类用户的提交订单的情况 直接进行”搜索商品”的用户进行提交订单比例最高 超过 90%；与其形成鲜明对比的是 尽管”点击 Banner”是更多客户登录 APP 后的首选动作（约占总客户的40% ）但是这部分用户群体在浏览商品列
表后 仅仅 30% 的用户提交订单 说明Banner 内容布局有着比较糟糕的用户体验则成为企业首选优化与改进的方向。

3.7 用户分群

—、什么是用户分群

用户分群即 用户信息标签化 通过用户的历史行为路径、行为特征、偏好等属

我们通过 分析可以看到 用户在不同阶段所表现出的行为是不同的 譬如新用户的关注点在哪里？已购用户什么情况下会再次付费？因为群体特征不同 行为会有很大差别 因此可以根据历史数据将用户进行划分 进而再次观察该群体的具体行为。这就是用户分群的原理。

性 将具有相同属性的用户划分为—个群体 并进行后续分析。

—、用户分群分析的特点与价值

用户分群通常被分为普通分群和预测分群。普通分群是 据用户的属性特征和行为特征将用户群体进行分类；预测分群是根据用户以往的行为属性特征 运用机器学习算法来预测他们将来会发生某些事 的概率。
举例来说 联网金融产品的用户按照风险投资偏好这—属性分为保守、稳健和激进 按照投资行为可分为已投资和未投资。运营人员可以根据这—属性和行为将满足某种条 的用户群体提取出来 譬如激进型但未投资的这群用户 然后分析这—群体的行为特征从而优化产品促进用户投资 或者根据其浏览的项目页面推荐用户可能会感兴 的项目。用户分群具有以下价值：

第一，帮助企业打破数据孤岛井真实了解用户。

用户画像是用户分群的前提 对特定属性的用户群体进行持续深入的用户行为的洞察后 该用户群体的画像变得逐渐清晰。帮助企业了解某个指标数字背后的用户群体具备哪些特征 —— 他们是谁？行为特点有哪些？偏好是什么？潜在需求和行为喜好是什么？这为后续的用户群体针对性分析提供了前提。

第二，定位营销目标群体，帮助企业实现精准、高效营销。

清晰勾勒某特定群体在特定研究范围内的行为全貌 并定义目标人群 是运营人员信息推送的前提。运营人员根据需求对特定目标人群完成精准信息推送工作 如召回流失用户、刺激用户复购等等。当完成特定人群的精准信息推送工作 可再分析以实时全方位查看营销效果。帮助企业与用户实现精准高效的信息 通。

三、用户分群适用的业务场景

场景一：直播行业，高黏性与高频消费用户的行为观察

以直播产品为例 运营人员可以筛选出过去 30 天内、等级
10 级以上、有”留言”和”点赞” 行为 并且付费礼物送出次数超过 10 次的用户 我们可以视其为高黏性且高频消费用户 并将其进行分群定义。

如图可以看到高黏性与高频消费用户列表明细。

运营人员可通过事 分析来观察这部分用户群体近期的行为表现 如下图所示 可

以看出该用户群体的人均观看时长与其他用户存在明显差别。

场景二：精准营销及效果评估案例分享

1. 互金行业，唤醒“沉睡”用户的精准推送与效果评估
例如 某 联网金融客户为”唤醒” 2017
年 1 月注册且浏览过征信页面（通过分析发

现 用户浏览征信页面后 后期的留存率较高） 但未进行投资的用户 并向该群体推送”将千 1 月 20 日起发行贺岁版理财 预期
年化收益率高达 9.50% ”的信息。为锁定目标人群 可在用户分析模块的”用户分群”功能页面做如下图操作。

在完成信息推送后 运营人员可以在神策分析主页面进行多维度分析 实时展示推送后效果。如该 联网金融客户完成精准推送后 用户可在投资流程转化 中再次查看用户转化情况 评估推送或者产品优化效

果。如下图被推送人群与未被推送人群的总体转化率情况对比 对”高意向客户”完成精准推送后 整体转化率高达 78.26% 而未进行推送的人群转化率为 77.83% 说明这是—次较为成功的精准推送。

2. 企业级服务(To 8)，“召回”流失客户的精准推送和效果评估

神策数据某To B 企业客户 以投资到期之后再次投资作为留存的标准 近 8 周用户

流失情况如下图。在完成筛选工作后 企业运营人员可在用户明细页面上 直接将该用户群体进行定义 在此基础上完成精细化推送工作。

在该页面上 企业运营人员可以点击留存数值 即查看流失人群的详细信息 并可以直接创建用户分群并推送信息 以刺激其

申请产品使用。如下图 查看特定时间内的流失人群明细 并保存为用户分群 命显示名为”流失用户”。

在大数据时代 为适应不断变化的外部市场环境 提升客户黏性 企业不断加速数字化营销转型。其中 提升营销效率、提高

营销精准度是企业首要战略目标。以上三个场景都将”以客户为中心”理念真正贯穿精准营销的全流程 重构企业核心竞争力。

3.8 属性分析

—、什么是属性分析

根据用户自身属性对用户进行分类与统计分析 比如查看用户数量在注册时间上的变化

—、属性分析的特点与价值

—座房子的面积无法全面衡量其价值大小 而房子的位置、风格、是否学区、交通环境更是相关的属性。同样 用户各维度属性都是进行全面衡量用户画像的不可或缺的内容。

趋势、查看用户按省份的分布情况。用户属性会涉及到用户信 息 如姓名、年龄、家庭、婚姻状况、性别、最高教育程度等自然信息；也有产品相关属性 如用户常驻省市、用户等级、用户首次访问渠道来源等。

属性分析主要价值在：丰富用户画像维 度，让用户行为洞察粒度更细致。科学的属 性分析方法 可以对千所有类型的属性都可以将”去重数”作为分析指标 对千数值类型的属性可以将”总和””均值””最大值””最小值”作为分析指标；可以添加多个维度 没有维度时无法展示图形 数字类型的维度可以自定义区间 方便进行更加精细化的分析。

三、属性分析适用的业务场景

场景一：按省份查看用户数

如上图 运营人员可以很直观的看到用户在不同省份的具体分布情况。当然也可以

按城市分析 这样有助千运营人员快速了解产品用户分布 具体在哪些城市层级 是否为发达地区等 以判断用户的喜好程度等。

场景二：查看一月未发生购买的客户， 预警客户流失

由千大客户资源的稀缺性 其黏性被受企业关注。下图中商惠民”用户属性”分析模

型 筛选出距上次购买已经超过—个月的重点客户。

如上图”准流失客户群预警”显示 有超过 166 个商超客户—个月未订货。点击 166
数字 会呈现 166 家重点客户明细。 30 天未发生购买的原因很多：—是重点客户未流失 只是不再用 APP 下单；—是重点客户流失了等等。此时就需要业务代表进行召回动作 无论属千哪种情况 运营人员可以通过个别用户行为（重点客户）序列 分别了解重点客户路径 找到重点订单量骤降的原因。

综上所述 以上逐—介绍了各大数据分析模型 实际上各分析模型应该是—个综合体 它们之间存在无法割裂的关系。当各分析模型实现科学 动和配合 能够科学揭示出用户个人或群体行为的内部规律 并据此做出理论推导 不断在工作实践中优化商业决策和产品智能。

关千神策数据

神策数据（Sensors Data） 是—家专业的大数据分析服务公司 为客户提供深度用户行为分析平 台、以及专业的咨询服务和行业解决方案 致力千帮助客户实现数据驱动。神策数据立足大数据及用户行为分析的技术与实践前沿 业务现已覆盖以 联网、金融、零售快消、高科技、制造等为代表的 10 多个主要行业、并可支持企业多个职能部门。公司总部在北京 并在上海、深圳等地拥有本地化的服务团队 覆盖东区及南区市场；公司拥有专业的服务团队 为客户提供—对—的客户服务。公司在大数据领域积累的核心关键技术 包括在海量数据采集、存储、清洗、分析挖掘、可视化、安全与隐私保护等领域。

神策分析（Sensors Ana yt cs） 是神策数据推出的用户行为分析产品 提供私有化部署和 SaaS 两种部署方式、实现基础数据采集与建模 并可作为 PaaS 平台支持—次开发；神策分析 主要针对 营销渠道效果评估、精细化运营改进、产品功能及用户体验优化、辅助管理层决策等典型业务场景。 目前 已赢得中国银联、聚美优品、百联、万达、中邮消费金融、广发证券、中商惠民、米其林、
店、纷享销客、ofo 共享单车 、Keep、秒拍、36 氪等众多行业领先企业认可。在我国大数据基础建设蓬勃发展的时代 神策数据将更积极、创新地加入企业基础数据源建设、 联网＋创新业务发展、大数据技术的深化应用 与各行业领先企业—起构建可持续竞争力 为客户带来价值、重构中国联网数据根基。

希望更深入了解神策数据或有数据驱动相关问题咨询 请咨询 4006509827 由专业的工作人员为您解答。详细信息 敬请访问神策数据公司主页 www.sensorsdata.cn。

关千神策数据用户行为洞察研究院

Sensors Data User Behavior Insights Research

神策数据用户行为洞察研究院 由神策数据核心业务与技术骨干组成、并与各行业领先企业的业务与技术专家精诚合作 聚焦千大数据与用户行为分析的技术与实践前沿研究；旨在提供更具行业深度的洞察、领先的行业最佳实践、创新的技术解决方案等 为广大企业客户、大数据产业链从业者及神策数据自身未来的发展提供指导。未来研究院 将会进—步联合行业优秀创新典范、各类型合作伙伴、学术界与行业专家—起 汇聚大数据与用户行为分析领域的最佳创新实践和行业深度洞察每年定期发布”数据驱动系列”研究。

声 明

本 档是首次发布日期之版本 神策数据可能会随时对其进行更改。神策数据并不—定在开展业务的所有国家或地区提供所有这些产品或服务。本 档内的信息 ”按现状” 提供 不附有任何种类的
（无论是明示的还是默示的）保证 包括不附有关千适销性、适用千某种特定用途的任何保证以及非侵权的任何保证或条 。神策数据的产品根据其提供时所 据协议条款和条 获得保证。本报告的目的仅为提供通用指南 并不视为针对企业提供的专业建议。

联系我们
邮箱：contact@sensorsdata.cn电话：4006509827
官网：www.sensorsdata.cn
地址：北京市清华同方科技广场D 座东楼

关注”神策数据”

立即试用