本文屬于用戶行為數(shù)據(jù)領(lǐng)域入門級別文章，適合對用戶行為數(shù)據(jù)略知一二但是對這個主題非常感興趣的同學(xué)，且由于篇幅限制，很多術(shù)語只能簡單介紹，無法深入。如果是對用戶行為數(shù)據(jù)已經(jīng)比較熟悉的同學(xué)，請持續(xù)關(guān)注本作者在之后發(fā)布的進(jìn)階文章。

“用戶行為數(shù)據(jù)”，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(shù)據(jù)埋點的方式上報至數(shù)據(jù)庫，從而能夠記錄用戶在一段時間內(nèi)在不同平臺上所做的動作。

公司內(nèi)部存儲的數(shù)據(jù)一般被分為業(yè)務(wù)數(shù)據(jù)和用戶行為數(shù)據(jù)，其中業(yè)務(wù)數(shù)據(jù)是與公司業(yè)務(wù)本身相關(guān)的數(shù)據(jù)，例如電商行業(yè)中的訂單支付數(shù)據(jù)（商品名稱/ID、購買件數(shù)等）、汽車行業(yè)中的銷售數(shù)據(jù)（購買車型、經(jīng)銷商名稱、車輛價格等）、以及在線教育行業(yè)中的課程付費數(shù)據(jù)（課程名稱、課程類別、課程價格等）；用戶行為數(shù)據(jù)則反映用戶在不同平臺的行為。

在數(shù)據(jù)分析和應(yīng)用過程中，兩者是相輔相成的：用戶行為數(shù)據(jù)需要業(yè)務(wù)數(shù)據(jù)進(jìn)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(yè)務(wù)數(shù)據(jù)也離不開用戶行為數(shù)據(jù)這個載體，因為用戶行為數(shù)據(jù)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(zhuǎn)化之前都做了什么動作。

另外，用戶行為數(shù)據(jù)能夠真實反應(yīng)用戶在平臺上的行為，并且能夠據(jù)此推斷出用戶心智，從而及時進(jìn)行相關(guān)運營動作。

舉個例子，很多 APP 為了優(yōu)化用戶體驗，會請用戶填寫一份調(diào)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(yōu)惠券等獎勵驅(qū)使下填寫了調(diào)查問卷，填寫結(jié)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(dǎo)致結(jié)果偏差。

通過采集和分析用戶行為數(shù)據(jù)，可以觀察那些流失的用戶在 APP 里做了什么，導(dǎo)致他們流失的原因是什么，從而幫助產(chǎn)品經(jīng)理優(yōu)化產(chǎn)品、降低用戶流失風(fēng)險。

很多企業(yè)在搭建自己的用戶行為數(shù)據(jù)平臺的時候會忽視這一步，以為把行為數(shù)據(jù)采集上來就能為我所用，其實不然。好的指標(biāo)體系有如下優(yōu)點：

（1）統(tǒng)一的指標(biāo)體系能避免數(shù)據(jù)指標(biāo)定義模糊和邏輯混亂，減少數(shù)據(jù)解釋成本；

（2）好的指標(biāo)體系能在某一核心指標(biāo)出現(xiàn)問題的時候迅速向下進(jìn)行維度拆分，從而定位問題所在，幫助產(chǎn)品/運營不斷改良，甚至發(fā)現(xiàn)一個新的業(yè)務(wù)增長點；

（3）領(lǐng)導(dǎo)層通常會關(guān)注指標(biāo)體系，尤其是其中的核心業(yè)務(wù)指標(biāo)，通過指標(biāo)體系能夠幫助領(lǐng)導(dǎo)層從大局上制定戰(zhàn)略目標(biāo)。

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

其中北極星指標(biāo)法是指業(yè)務(wù)人員先找出一個與業(yè)務(wù)目標(biāo)強相關(guān)的核心指標(biāo)（也叫“北極星指標(biāo)”，該指標(biāo)像北極星一樣指引未來的行動方向），然后逐漸向下進(jìn)行指標(biāo)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(biāo)”，然后根據(jù)首購/復(fù)購用戶或用戶旅程步驟等維度進(jìn)行拆解，最后得到類似于 GMV = 客單價 * 購買人數(shù) = 客單價 * （首購用戶 + 復(fù)購用戶） = 客單價 * （APP 啟動/激活人數(shù) * 商品詳情頁滲透率（觸達(dá)率） * 購買轉(zhuǎn)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(dá)率） * 購買轉(zhuǎn)化率）。

這個連續(xù)等式的第二步中利用首購/復(fù)購用戶維度進(jìn)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(jìn)行進(jìn)一步拆解。

數(shù)據(jù)采集也叫數(shù)據(jù)埋點、埋碼或者是打點，就是將一套數(shù)據(jù)采集代碼埋入 APP/小程序/WEB 頁面，用戶在觸發(fā)某一事件（瀏覽、點擊等）時將該行為數(shù)據(jù)進(jìn)行上報，從而形成用戶行為數(shù)據(jù)表。

埋點方式分以下幾個種類：

（1）全埋點/無埋點：通過調(diào)用 SDK (Software Development Kit) 對頁面上的行為數(shù)據(jù)進(jìn)行采集，此方案優(yōu)點是無需開發(fā)同學(xué)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(shù)據(jù)（操作系統(tǒng)/版本、瀏覽器名稱、設(shè)備型號......），無法對于業(yè)務(wù)專用的數(shù)據(jù)進(jìn)行采集；而且對代碼的規(guī)范要求比較高（例如頁面標(biāo)題/按鈕名稱取值要規(guī)范）。

在作者的工作經(jīng)歷中經(jīng)常碰到有公司的代碼非常不整齊，導(dǎo)致通過全埋點自動抓取的數(shù)據(jù)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(fā)同事進(jìn)行手工代碼埋點，優(yōu)點是能夠靈活覆蓋各類個性化業(yè)務(wù)數(shù)據(jù)，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(jiān)測的元素（運營位、按鈕等），不用植入代碼即可埋點。優(yōu)點是對不懂代碼的業(yè)務(wù)人員非常友好，缺點是只能采集瀏覽/點擊等最基礎(chǔ)的事件，并不能采集相對復(fù)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(dāng)作是一個埋點上報，那么隨著之后產(chǎn)品迭代，按鈕會越來越多，埋點數(shù)量也會隨著按鈕數(shù)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(yè)務(wù)人員提出想要看這兩個運營位內(nèi)商品的點擊次數(shù)和人數(shù)，并且要區(qū)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(shè)計埋點的時候需要將這兩個事件結(jié)合成一個埋點，并將運營位名稱和業(yè)務(wù)人員關(guān)注的 “商品名稱/ID” 屬性放入該埋點中作為事件屬性進(jìn)行上報，以區(qū)分用戶點擊的運營位信息和商品信息。

示例：

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(chǔ)的描述，例如 “打開 APP 的次數(shù)”、“點擊xxx按鈕的人數(shù)” 等。在電商場景中常見的有 “新用戶注冊數(shù)”、“支付訂單且成功的人數(shù)” 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(biāo)對應(yīng)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(biāo)，就需要把三個對應(yīng)事件做成埋點進(jìn)行監(jiān)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(zhuǎn)化率和步驟間的轉(zhuǎn)化率，可以找出異常的轉(zhuǎn)化率，然后對某一步驟中流失的用戶進(jìn)行洞察，發(fā)現(xiàn)其共性，為之后的防流失預(yù)警提供依據(jù)。

（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(fù)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(tǒng)計學(xué)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(shù)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(shù)，也可以根據(jù)需求自定義設(shè)置區(qū)間查看對應(yīng)區(qū)間的人數(shù)。

（5）歸因分析：一個目標(biāo)事件（支付訂單、帖子轉(zhuǎn)發(fā)。。。）的達(dá)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(yīng)該“按勞分配”，根據(jù)一定的計算規(guī)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(guī)則（越靠近轉(zhuǎn)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(jìn)行歸因。

分析數(shù)據(jù)的最終目的是為了驅(qū)動業(yè)務(wù)發(fā)展，否則只是躺在數(shù)據(jù)分析報告里冷冰冰的結(jié)論。在作者的工作經(jīng)歷中，“營銷自動化” 和 “用戶標(biāo)簽體系” 是兩個主要運用用戶行為數(shù)據(jù)的場景。

（1）營銷自動化：簡稱MA（Marketing Automation）。傳統(tǒng)的營銷模式，要么是“拍腦袋”，依據(jù)業(yè)務(wù)經(jīng)驗進(jìn)行營銷，要么無法做到精準(zhǔn)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(jìn)行精準(zhǔn)觸達(dá)。例如我們可以使用 RFM 模型，從最近一次購買時間、購買次數(shù)和購買金額三個維度對用戶進(jìn)行分層，對不同層級的用戶在不同時機發(fā)送不同的短信/PUSH，從而用最小的成本獲得最大的轉(zhuǎn)化和收益。

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

用戶行為數(shù)據(jù)分析這個領(lǐng)域，無論在商業(yè)應(yīng)用廣度、深度上還是企業(yè)內(nèi)部的重視程度上都有待提升?？梢哉f，誰先占領(lǐng)了用戶行為數(shù)據(jù)分析和應(yīng)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。