采集與分析用戶行為數(shù)據(jù)的意義

本文屬于用戶行為數(shù)據(jù)領(lǐng)域入門級(jí)別文章，適合對(duì)用戶行為數(shù)據(jù)略知一二但是對(duì)這個(gè)主題非常感興趣的同學(xué)。

1

什么是用戶行為數(shù)據(jù)？

“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(tái)所做的行為（瀏覽、點(diǎn)擊、滑動(dòng)、長(zhǎng)按等），通過(guò)數(shù)據(jù)埋點(diǎn)的方式上報(bào)至數(shù)據(jù)庫(kù)，從而能夠記錄用戶在一段時(shí)間內(nèi)在不同平臺(tái)上所做的動(dòng)作。

2

采集與分析用戶行為數(shù)據(jù)的意義

公司內(nèi)部存儲(chǔ)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(gòu)買件數(shù)等）、汽車行業(yè)中的銷售數(shù)據(jù)（購(gòu)買車型、經(jīng)銷商名稱、車輛價(jià)格等）、以及在線教育行業(yè)中的課程付費(fèi)數(shù)據(jù)（課程名稱、課程類別、課程價(jià)格等）；用戶行為數(shù)據(jù)則反映用戶在不同平臺(tái)的行為。

在數(shù)據(jù)分析和應(yīng)用過(guò)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(bǔ)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(gè)載體，因?yàn)橛脩粜袨閿?shù)據(jù)串起了用戶在各個(gè)平臺(tái)上的行為序列，從而能夠看到用戶在購(gòu)買/轉(zhuǎn)化之前都做了什么動(dòng)作。

另外，用戶行為數(shù)據(jù)能夠真實(shí)反應(yīng)用戶在平臺(tái)上的行為，并且能夠據(jù)此推斷出用戶心智，從而及時(shí)進(jìn)行相關(guān)運(yùn)營(yíng)動(dòng)作。

舉個(gè)例子，很多 APP 為了優(yōu)化用戶體驗(yàn)，會(huì)請(qǐng)用戶填寫一份調(diào)查問(wèn)卷，但是真正愿意填寫問(wèn)卷的用戶寥寥無(wú)幾，用戶如果對(duì) APP 不感興趣會(huì)直接離開并流失。退一步說(shuō)，即使有很多用戶在優(yōu)惠券等獎(jiǎng)勵(lì)驅(qū)使下填寫了調(diào)查問(wèn)卷，填寫結(jié)果也不一定能代表用戶的真實(shí)想法，可能有的用戶為了得到獎(jiǎng)勵(lì)胡亂填寫，或者是用戶誤解了選項(xiàng)的意思導(dǎo)致結(jié)果偏差。

通過(guò)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(xiǎn)。

3

采集和分析用戶行為數(shù)據(jù)的步驟

3.1

指標(biāo)體系搭建

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

（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(wèn)題的時(shí)候迅速向下進(jìn)行維度拆分，從而定位問(wèn)題所在，幫助產(chǎn)品/運(yùn)營(yíng)不斷改良，甚至發(fā)現(xiàn)一個(gè)新的業(yè)務(wù)增長(zhǎng)點(diǎn)；

（3）領(lǐng)導(dǎo)層通常會(huì)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(guò)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(gè)與業(yè)務(wù)目標(biāo)強(qiáng)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(lái)的行動(dòng)方向），然后逐漸向下進(jìn)行指標(biāo)的拆解。

舉個(gè)例子，在電商場(chǎng)景中，我們可以選擇 GMV 作為“北極星指標(biāo)”，然后根據(jù)首購(gòu)/復(fù)購(gòu)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(jià) * 購(gòu)買人數(shù) = 客單價(jià) * （首購(gòu)用戶 + 復(fù)購(gòu)用戶） = 客單價(jià) * （APP 啟動(dòng)/激活人數(shù) * 商品詳情頁(yè)滲透率（觸達(dá)率） * 購(gòu)買轉(zhuǎn)化率 + 之前下過(guò)訂單的老用戶 * 留存率 * 商品詳情頁(yè)滲透率（觸達(dá)率） * 購(gòu)買轉(zhuǎn)化率）。

這個(gè)連續(xù)等式的第二步中利用首購(gòu)/復(fù)購(gòu)用戶維度進(jìn)行拆分，第三步則是使用用戶旅程步驟（啟動(dòng) - 瀏覽商詳頁(yè) - 購(gòu)買）維度進(jìn)行進(jìn)一步拆解。

3.2

數(shù)據(jù)采集

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

埋點(diǎn)方式分以下幾個(gè)種類：

（1）全埋點(diǎn)/無(wú)埋點(diǎn)：通過(guò)調(diào)用 SDK （Software Development Kit） 對(duì)頁(yè)面上的行為數(shù)據(jù)進(jìn)行采集，此方案優(yōu)點(diǎn)是無(wú)需開發(fā)同學(xué)寫代碼，減少人力成本，缺點(diǎn)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(hào)。。。），無(wú)法對(duì)于業(yè)務(wù)專用的數(shù)據(jù)進(jìn)行采集；而且對(duì)代碼的規(guī)范要求比較高（例如頁(yè)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(guò)全埋點(diǎn)自動(dòng)抓取的數(shù)據(jù)非常雜亂，無(wú)法使用的情況。

（2）自定義埋點(diǎn)/手工埋點(diǎn)：此方法需要開發(fā)同事進(jìn)行手工代碼埋點(diǎn)，優(yōu)點(diǎn)是能夠靈活覆蓋各類個(gè)性化業(yè)務(wù)數(shù)據(jù)，缺點(diǎn)是需要大量人力成本。

（3）可視化全埋點(diǎn)：這個(gè)方法只需要在頁(yè)面中圈選想要監(jiān)測(cè)的元素（運(yùn)營(yíng)位、按鈕等），不用植入代碼即可埋點(diǎn)。優(yōu)點(diǎn)是對(duì)不懂代碼的業(yè)務(wù)人員非常友好，缺點(diǎn)是只能采集瀏覽/點(diǎn)擊等最基礎(chǔ)的事件，并不能采集相對(duì)復(fù)雜的事件。

此外，一般來(lái)說(shuō)，埋點(diǎn)需要遵循 “相同類型事件合并為同一個(gè)埋點(diǎn)，不同類型事件分開埋點(diǎn)” 的原則，方便之后埋點(diǎn)的迭代和查找。錯(cuò)誤的示范是把每個(gè)按鈕都當(dāng)作是一個(gè)埋點(diǎn)上報(bào)，那么隨著之后產(chǎn)品迭代，按鈕會(huì)越來(lái)越多，埋點(diǎn)數(shù)量也會(huì)隨著按鈕數(shù)量水漲船高。

舉個(gè)例子，某電商平臺(tái)首頁(yè)有兩個(gè)運(yùn)營(yíng)位，分別叫 “商品上新” 和 “猜你喜歡”，兩個(gè)運(yùn)營(yíng)位里分別有新商品的輪播展示和通過(guò)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(gè)運(yùn)營(yíng)位內(nèi)商品的點(diǎn)擊次數(shù)和人數(shù)，并且要區(qū)分出用戶點(diǎn)擊的是哪個(gè)商品。既然 “點(diǎn)擊新商品” 和 “點(diǎn)擊推薦商品” 這兩個(gè)事件都屬于點(diǎn)擊，那么在設(shè)計(jì)埋點(diǎn)的時(shí)候需要將這兩個(gè)事件結(jié)合成一個(gè)埋點(diǎn)，并將運(yùn)營(yíng)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(diǎn)中作為事件屬性進(jìn)行上報(bào)，以區(qū)分用戶點(diǎn)擊的運(yùn)營(yíng)位信息和商品信息。

3.3

數(shù)據(jù)分析

用戶行為分析中有一套獨(dú)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(duì)用戶行為最基礎(chǔ)的描述，例如 “打開 APP 的次數(shù)”、“點(diǎn)擊xxx按鈕的人數(shù)” 等。在電商場(chǎng)景中常見(jiàn)的有 “新用戶注冊(cè)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(shí)長(zhǎng)” 等，這三個(gè)指標(biāo)對(duì)應(yīng)的用戶行為（事件）分別為 “注冊(cè)”、“支付訂單” 和 “APP瀏覽頁(yè)面”。如果想要看這三個(gè)指標(biāo)，就需要把三個(gè)對(duì)應(yīng)事件做成埋點(diǎn)進(jìn)行監(jiān)測(cè)。

（2）漏斗分析：用戶的整體用戶旅程就像一個(gè)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(huì)越來(lái)越少。在電商場(chǎng)景中，常見(jiàn)的是用戶從 “瀏覽商品列表頁(yè) - 瀏覽商品詳情頁(yè) - 加入購(gòu)物車/立即購(gòu)買 - 提交訂單 - 支付訂單” 這一漏斗。通過(guò)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(duì)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(gè)行為后第 n 天還會(huì)做某個(gè)行為的概率。在電商場(chǎng)景中最典型的就是復(fù)購(gòu)，即用戶在首次購(gòu)買后有多大概率會(huì)在第 n 天再次購(gòu)買。

（4）分布分析：與統(tǒng)計(jì)學(xué)上的頻率分布直方圖（histogram）類似，分布分析觀察的是某個(gè)行為做的次數(shù)的人次分布。例如我們可以分別查看過(guò)去 30 天中用戶購(gòu)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(duì)應(yīng)區(qū)間的人數(shù)。

（5）歸因分析：一個(gè)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(gè)事件（運(yùn)營(yíng)位點(diǎn)擊、推薦商品點(diǎn)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(jì)算規(guī)則公平分配功勞。歸因分析模型可以提供這樣的計(jì)算方式，比如按照時(shí)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(diǎn)（行為序列中第一個(gè)/最后一個(gè)事件得到 100% 的功勞）進(jìn)行歸因。

3.4

數(shù)據(jù)應(yīng)用

分析數(shù)據(jù)的最終目的是為了驅(qū)動(dòng)業(yè)務(wù)發(fā)展，否則只是躺在數(shù)據(jù)分析報(bào)告里冷冰冰的結(jié)論。在作者的工作經(jīng)歷中，“營(yíng)銷自動(dòng)化” 和 “用戶標(biāo)簽體系” 是兩個(gè)主要運(yùn)用用戶行為數(shù)據(jù)的場(chǎng)景。

（1）營(yíng)銷自動(dòng)化：簡(jiǎn)稱MA（Marketing Automation）。傳統(tǒng)的營(yíng)銷模式，要么是“拍腦袋”，依據(jù)業(yè)務(wù)經(jīng)驗(yàn)進(jìn)行營(yíng)銷，要么無(wú)法做到精準(zhǔn)營(yíng)銷和 “千人千面”，一套營(yíng)銷方案通用所有的用戶。通過(guò)營(yíng)銷自動(dòng)化，我們可以對(duì)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(gòu)買時(shí)間、購(gòu)買次數(shù)和購(gòu)買金額三個(gè)維度對(duì)用戶進(jìn)行分層，對(duì)不同層級(jí)的用戶在不同時(shí)機(jī)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?cè)谫?gòu)買商品時(shí)會(huì)看到商品的標(biāo)簽，上面會(huì)注明例如價(jià)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(yíng)銷自動(dòng)化結(jié)合使用，從而對(duì)擁有特定標(biāo)簽的用戶進(jìn)行精準(zhǔn)營(yíng)銷。

4

結(jié)語(yǔ)

用戶行為數(shù)據(jù)分析這個(gè)領(lǐng)域，無(wú)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(shuō)，誰(shuí)先占領(lǐng)了用戶行為數(shù)據(jù)分析和應(yīng)用的高地，誰(shuí)就能率先以最小的成本獲得最有效的用戶洞察。

責(zé)任編輯：haq