下载掌阅APP，畅读海量书库
立即打开
数据是现实的写照，在大数据时代下，每个人都知道数据分析的重要性。数据分析的强大之处在于，可以进行系统、量化、客观的思考，用这种思考方式去代替零散、臆断、盲目的思考方式。通过数据分析，获取数据背后的价值。
数据分析的作用包括：第一，现状分析，描述当前发生了什么；第二，原因分析，解释相关事件为什么会发生；第三，预测分析，预测未来可能会发生什么；第四，帮助判断，确定需要怎么做。
在进行数据分析之前，需要先搭建数据指标体系，然后通过数据信息记录、埋点统计、第三方获取、爬虫采集等办法收集数据，对数据进行清洗和规范化处理，再通过数据系统、数据平台、数据库、推送数据信息的工具等进行呈现，以便查看和提取数据。关于这些前期数据工作，由于本书篇幅有限，不再展开介绍，我们聚焦于研究与用户运营更相关的事情。
本节主要介绍用户数据分析的方法，对企业内部用户数据进行分析，主要包括这几个方面：用户指标看板、用户画像分析、用户健康度分析、用户行为分析、用户业务数据分析。
用户指标看板是一种查询和分析数据的工具，以看板的形式，展示和分析主要用户指标数据和数值变化。
常用指标信息如下（以交易类产品为例进行说明），根据业务和用户运营的需要，先确定主要指标项目，再确定指标的统计口径和统计周期，接着以某种形式展示数据，并区分主要维度，细分数据可以直接展示，也可以通过进一步细分、查询或者筛选来获取，最终展示出业务关键指标信息，以供业务管理和运营使用。
● 指标项目 ：有访客量（UV）、访问次数（PV）、下单用户数（DAU或MAU）、新增用户数、交易订单量、交易金额、交易商品数量、访问时长等。如何确定关键指标，可以使用北极星指标法，即先找出一个与业务主要目标强相关的核心指标，也就是所谓的北极星指标，然后逐步拆解，找到过程中所有的关键影响指标。比如，把 GMV作为北极星指标，拆解 GMV后就获得了用户数、户均订单量、客单价等，再进行用户数的拆解，从流量角度将其分为访问量、下单转化率等，从新老用户分群角度将其分为新用户数、老用户数等，对 GMV以其构成指标进行层层拆解，确定对 GMV影响较大的有价值的关键指标。
● 统计口径 ：有每日数值、日环比、周/月同比、月累计值等。
● 统计周期 ：有日度、周度、月度等。
● 展示形式 ：有数据项目、数据表、数据图（折线图、饼图等）等。
● 区分维度 ：有用户注册渠道，用户流量来源，用户端类型、地区，用户类型（新用户、老用户、会员等级等），商品类型（品类、商品来源等）等。
【案例】
易观方舟是一个提供企业服务的平台，通过全量实时采集用户属性与行为数据，可以连通内外部数据源，打通用户运营触点，提供从数据采集、分析、应用到智能用户运营的闭环。易观方舟的智能分析看板，以系统预置的银行 Demo 为例，提供的数据信息和工具包括：用户画像分布，区分小程序/Android/iOS/Web/H5用户端、城市、使用机型、时段、频次等维度；核心流程转化，从注册到登录、开户、绑卡的用户数；基金理财分析，购买用户数、次数、金额、产品详情等；基础业务指标，活跃用户数、注册用户数、交易用户数、交易金额、用户留存率、注册购买转化率等。易观方舟智能分析看板工具，可供企业客户选择使用，如图1-6所示。
这里以此为案例，是想让大家了解用户指标看板的功能、指标信息内容及其呈现样式。
图1-6 易观方舟智能分析看板工具
用户画像分析，就是分析用户画像的表现和影响，一方面分析用户的画像是什么样子的，用户具有哪些属性、特点、偏好、行为特征等，另一方面研究不同画像用户间的区别，各种画像用户的行为和需求是什么，画像对业务有哪些影响。
1）分析的作用
用户画像分析非常实用，对业务的提升可以起到重要作用，主要体现在以下几个方面。
首先，可以对用户产生清晰的认知，了解用户的基本情况、结构和分布。分析用户的基本信息，包括用户性别、所在城市、年龄分布、兴趣点等，当收集到足够多的画像数据时，通过用户画像分析，为产品描绘出一个真实可感的用户，进而制定相应的用户策略，比如根据画像确定目标用户后进行针对性的拉新转化。
然后，可以对用户进行分群，针对不同群体的用户进行差异化运营。通过用户画像分析，找出对业务目标影响比较大的画像维度，对用户进行划分。根据不同群体用户的问题和需要提升的目标，对不同群体的用户进行差异化运营。
最后，可以聚焦于重点用户进行重点运营。一个产品不可能满足所有用户的需求，通过用户画像分析，找对核心用户，针对核心用户来设计产品服务，制定运营规则，有方向地推动业务发展，提升企业的经营效率。
2）分析的用户范围
根据目的不同，可对不同范围的用户进行针对性分析，包括：
第一，行业用户画像分析，对整个行业的用户进行概括性描述，对行业中头部品牌的用户进行画像分析，从大局出发，掌握全局态势，做到心中有数。
第二，产品用户画像分析，对企业产品的所有用户进行画像分析，弄清楚自己的用户整体是什么情况。
第三，群体用户画像分析，一个产品通常拥有多种类型的用户，这些用户虽然使用了同一个产品，但是在某些属性或者喜好等方面存在巨大的差异，对用户进行群体细分，重点关注数量比较多的和价值比较大的用户群体，分析每类群体用户的画像，知道该如何做针对性的提升。
第四，典型用户画像分析，挑选出最典型的用户，分析用户的画像情况，从而加深对目标用户的理解，帮助挖掘用户需求和提升用户服务质量，树立用户榜样，指引整体用户运营。
3）分析的画像维度
用户画像有很多维度，具体要分析哪些维度，需要根据分析的目的来确定。比如，对“拉新用户”的分析，一般用户注册渠道来源影响比较大，是分析的主要维度。但很多时候不确定哪些维度会产生比较大的影响，不知道该从哪里下手，常用的办法是，根据用户主要画像维度对目标指标进行细分、下探，然后通过数据统计分析，用相关性分析、回归分析、聚类分析等方法发现哪些维度与指标关联性比较高且维度内部数值间差异比较明显，这些维度就是影响比较大的关键维度。
对业务影响较大且容易找到行业数据参考的比较重要的用户画像维度如下。
● 性别 ：按男性、女性进行划分。
● 年龄 ：按每10岁一个区间进行划分，或者按儿童、少年、青年、中年、老年进行划分。
● 地区 ：按省份进行划分，或者按一线、二线城市进行划分。
● 移动设备 ：按 Android、iOS 等系统进行划分，或者按华为、小米等品牌进行划分。
● 用户端 ：按小程序、App、Web、H5等用户端进行划分。
● 注册渠道来源 ：按用户裂变、付费广告等进行划分。
4）在分群用户运营中的应用
产品中存在用户各种维度的画像标签，如何选择分群维度呢？一些小企业或者初创团队可能不进行用户分群，虽然数据分析和运营都很简单，但其中很多问题和机会无法被发现。而一些大企业采用千人千面的个性化运营方式，这种方式需要大量数据，需要技术和算法的支持，还需要长时间的迭代和沉淀，条件要求和运作成本都比较高，这对普通企业并不适用。一般企业的用户分群，从实际业务问题出发，基于用户画像分析，选择几个关键维度进行精简分群，在用户量达到一定的数量级后，逐渐增加分群维度进行细化，进行多元组合分群。
通过用户画像分析，分群进行用户运营，其操作方法步骤如下。
第一步，确定分群用户运营目标。
第二步，根据目标，进行用户画像分析。
第三步，根据分析结果，确定分群维度，进行用户分群。
第四步，制定分群用户运营策略。
第五步，分析数据效果，修正分群策略。
【举例】
第一步，确定分群目标为实现用户数的增长。
第二步，对用户数指标进行画像分解，按性别、年龄、地域、移动设备、注册渠道来源这几个维度进行划分，分析用户数各是多少及用户留存情况。
第三步，根据用户数和留存率，找到对总用户数影响较大的关键维度，比如性别、注册渠道来源。同维度不同值间，比如男性和女性、用户裂变和付费广告等，用户数和留存率存在明显不同，这时就可以把这两个维度作为分群维度，对用户进行分群。
第四步，对于留存率高但用户数不多的群体，需要加强用户拉新，扩大目标群体用户的触达范围、增加拉新渠道、增加已有渠道费用的投入等；而对于用户数多但留存率不高的群体，提升用户留存率，如果通过分析确定无法满足这群用户的需求，可以考虑放弃这群用户，不再对这群用户进行拉新投入，因为即使拉来了也留不住，没有长期价值。
第五步，分析各个用户群体的运营效果，如用户数是否有所增加、是否出现问题、需要怎么改进等，然后进行优化、调整。比如，如果发现根据性别进行分群运营的结果没什么变化，运营策略也没出现问题，则可以考虑取消按这个维度分群，或者寻找其他更合适的维度来分群。
用户健康度是对用户的整体行为数据进行综合评价得到的量化指标，用来衡量用户的健康状况，为用户运营提供目标和依据。
用户健康度分析通常包括下面三个指标，这三个指标共同构成了用户健康度的评价体系。
● 基础指标，用于评价运行状态，包括访容量、访问次数、使用频次、活跃用户数、新增用户数等。
● 流量指标，用于评价流量质量，包括人均访问时长、人均访问次数、留存率、跳出率等。
● 营收指标，用于评价盈利能力和可持续性，如下单用户数、交易金额、客单价、利润率等。每个产品由于所属行业不同、提供的功能服务不同、业务运营情况不同，用户健康度的指标和标准也不同，需要根据具体情况来确定。
用户健康度一般采取指数方式来计算，对各因素指标按某种规则进行统一处理，然后加权汇总成一个综合数值，或者保留几个细分维度指标的数值，以雷达图的形式呈现，反映用户健康状况。
用户健康度常用于业务内部的横纵向对比分析，横向看用户分群间的差异，纵向看用户健康状况的走势变化。
【举例】
用户健康度考虑五个维度的指标。
● 第一个维度：转化效率，即用户从访问到下单的转化率。
● 第二个维度：用户规模，即下单用户数。
● 第三个维度：增长情况，即用新增率减去流失率得到的净增率。
● 第四个维度：成长情况，即核心会员用户数。
● 第五个维度：价值贡献，即用户GMV。
用这五个维度的指标评价用户健康状况，构成用户健康度评价体系，用户健康度就有了具象的定义和量化的评价标准。
针对这五个维度的指标分别制定目标值，然后每周计算实际数值，并与目标值及上周数值进行对比，可以很清楚地分析用户健康状况，了解各维度的指标达标情况及进展变化，从而进行复盘和制定提升策略，如图1-7所示。
图1-7 用户健康度分析（雷达图）
通过翔实的用户行为数据描述用户在产品中的真实路径和互动情况，对用户的行为数据进行统计、分析，发现用户的行为特点、规律，然后利用这些信息，提升用户运营效率。通过用户行为分析，可以知道用户什么时候来、什么情况下活跃度高、流失前做了什么等，然后分析用户行为的原因，通过产品及各种运营活动引导用户或者优化用户服务。对于有利的方面，加强驱动效用，扩大用户数和影响范围，进一步提升效果；对于不利的方面，改变用户行为的轨迹和模式，解决问题、防止问题再发生，或者优化问题、缩小问题的影响面，从而让用户更好地从产品中获得价值。
对于用户行为数据的收集和统计，如果企业没有研发资源支持，可以使用第三方工具，目前市面上有很多好用的数据统计工具，如百度统计、Google Analytics等。对用户行为数据的分析，也有很工具可以利用，如大数据魔镜、Tableau等。
用户行为分析解决的问题，主要可以归纳为两类：一是转化问题，通过分析用户转化路径，让更多用户执行某种行为，流向有利的转化路径；二是留存问题，通过对周期性行为动作的分析，让用户更多、更持久地执行某种行为，养成良好的行为习惯。所以，用户行为分析一般是分析用户的点击动作、事件行为和转化路径，除此之外，还可以通过行为逻辑进一步分析用户心理。
1）点击动作分析
点击动作是互联网用户使用产品时最基础的互动行为，对点击量、点击率、点击占比、点击用户详情、点击内容、点击反馈信息、停留时长等数据进行分析，可以了解用户都执行了哪些点击操作，获得用户对产品的使用情况和反馈信息，进而优化产品服务、提升用户运营效果。
点击动作分析主要用于分析页面流量去向，比如产品首页、频道页面、活动页面等，分析用户在页面上点击了哪些模块，各个模块的用户转化效果如何。点击动作分析解决的问题主要有三类：分析用户与产品交互背后的深层关系，完成产品页面之间深层关系的挖掘，为事件行为分析和转化路径分析提供基础依据。另外，通过长期追踪点击动作的数据，可以观察页面布局的改变或模块内容、样式、形式的调整对于用户的价值变化。一般而言，点击率越高，说明用户的认可度越高，当然点击率还与点击发生的位置有关，同一页面高度，根据用户视觉和使用习惯，一般左边的点击率优于右边。
点击动作分析的数据可以用固定埋点的方式获取，开发人员对每一个前端模块都进行埋点，然后上报点击动作明细数据，包括日志ID、时间、用户、点击模块、点击内容、跳转地址等字段信息，再汇总统计点击用户数等总数据，就可以进行分析了。点击动作分析的数据，除了通过人工埋点的方式获取，也可以采用无埋点（即系统自动全埋点）的方式统计上报。
点击动作分析的结果可以用热力图的形式呈现，根据页面上各个模块的点击密度判断用户的浏览喜好，这样既简单又直观。
【举例】
分析某个页面的点击热力图，如图1-8所示（数据纯属虚构），发现“搜索”icon的点击率为30%、点击占比为60%，这表示有30%的页面访问用户点击了“搜索”icon，占页面总点击率的60%，页面总点击率为50%，所以“搜索”icon 是页面上所有icon中被点击最多的icon，用户对“搜索”icon提供的服务有强烈的诉求，可以重点挖掘其后续转化价值。而有些点击率较低的icon，价值贡献较少，却在页面上占据了重要位置和较大面积，比如图中的“聚划算”icon，这时就需要考虑进行优化了，调整icon内容、形式来提升点击率，或者调整icon位置、缩小icon面积等，把更多资源留给其他更有价值的内容。
图1-8 页面点击动作分析（点击热力图）
2）事件行为分析
互联网用户的事件行为有访问、注册账号、下单、发帖等，每个事件行为包括一个或一系列点击、滑动、填写信息等动作。通过对事件行为进行分析，追踪用户行为及业务过程，研究与事件发生关联的所有因素，挖掘用户事件行为背后的原因、影响等。
事件行为分析的步骤如下。
第一步，定义事件，包括定义所关注的事件内容及事件窗口的长度。事件的定义可以遵循5W1H原则：什么场景（Where）—哪些用户（Who）—什么时间（When）—什么原因（Why）—以什么方式（How）—做了什么事情（What），通过5W1H原则对事件进行描述。在所有事件中，有一个比较特殊的情况需要关注，即互联网用户的一次访问事件，不是指用户打开App或者访问某个页面的一次操作，而是指用户从访问产品开始到本次使用结束的一系列操作，可以用 Session的方式来定义。Session一般情况下被翻译为时域，在计算机专业术语中，Session指一个终端用户与交互系统进行通信的整个时间段，通常指用户从注册进入系统到注销退出系统之间所经历的时间。具体到互联网产品使用中的Session，指的是用户在浏览使用产品时，从进入产品开始到退出或离开产品所经历的时间，也就是用户连续使用这个产品所花费的时间。基于5W1H 原则和 Session 的定义，用户对产品的一个访问事件就有了清晰的定义，比如“产品所有注册用户今日由于大促活动在 App 用户端的访客量达到了10万人次”，除了访客量，还可以是访问时长、访问次数等。
第二步，深入分析事件，可以激发事件分析的强大潜能，弄清楚事件的过程、前因后果、变化趋势、细分维度对比等各种问题，能更好地定位问题、发现机会点。
第三步，给出分析结论，对分析结果进行合理的解释，判断分析结果是否符合预期，有哪些好的地方和不好的地方，要如何改进。需要注意的是，一个目标事件行为的达成，可以根据一定的规则进行归因分析。比如按照时间衰减规则，越靠近终点的行为，功劳越大，或者以首次触点，即行为序列中的第一个行为，作为事件驱动的根源。
3）转化路径分析
转化路径分析常见的方法有三种：转化漏斗、智能路径、用户路径。三者都将上下环节的转化率作为计算核心，研究用户转化路径。转化漏斗预先设定好了路径；智能路径设定了起始和终点行为，中间过程有很多路径，然后发现最优路径；用户路径完整再现了用户的全部转化过程。在实际应用中，三者有着不同的功能及用处，各有适用的分析场景，也可以结合使用。
（1）转化漏斗。
转化漏斗指有特定行为节点的路径，将整个事件路径拆分成一个个步骤，漏斗的每一个节点都有一定的容量，漏斗越往下，容量越小，节点与节点之间的比例就是转化率，用转化率来衡量每个步骤的表现。
通过转化漏斗，可以抽象出决定漏斗形态的三个要素：节点、时间、流量。节点，漏斗的每一层就是一个节点；时间，即转化周期，完成转化漏斗所需时间的集合，一般漏斗转化周期越短越好；流量，即每个环节的用户数。转化漏斗分析最核心的指标是流量和转化率，即每一层流量有多少，以及到达下一层的转化率。
转化漏斗分析的本质是分解和量化，以漏斗这种简单、直观的方式展示用户关键节点的一步步转化过程，适用于对产品运营中的关键环节进行分析，通过异常数据指标找出有问题的环节，判断哪些步骤的转化还有优化空间，可以通过细分维度分析找出导致转化率低的因素，从而解决问题。通过用户运营引导或者产品优化提升转化效果，最终达到提升整体路径转化率的目的。
转化漏斗分析是业务分析的基本模型，在实际运营中很常见，无论是新用户注册转化、老用户下单，还是某一次运营活动，凡涉及流程转化的，都可以建立转化漏斗来进行分析。针对用户在操作流程中逐步流失的情况，形成一个类似漏斗的形态。比如典型的交易转化漏斗，可以分为六个环节，即访问产品—搜索商品—浏览商品—添加购物车—提交订单—支付订单，通过分析漏斗的整体转化率和环节间的转化率，可以找出转化异常的环节，然后对这一环节中流失的用户进行洞察，发现其共性和流失原因，以便提升转化率。再比如，用户增长 AARRR模型也是转化漏斗的应用。
（2）智能路径。
在现实中，很多时候都是结果导向的，大家最关心最终的转化目标，而用户到达该目标有多条路径，无法确定或者没必要确定哪条路径是最长的、哪条路径是最短的，这时就可以采用智能路径模型来进行分析，探索最优的转化路径。首先确定想要观察的目标行为，通常是业务中需要引导用户完成的某个功能或到达的某个页面，将其设置为最终目标，然后分析该行为的前置路径。
智能路径分析适用于产品初创期，可以用来探索更优质的转化路径，而当聚焦于某条具体路径时，其实就是一个转化漏斗，可以将其固定下来，进行日常分析。
比如，对于电商产品，人们最关心最终的下单用户数，用户下单的路径有多条：访问推荐商品—浏览商品—添加购物车—提交订单—支付订单、搜索商品—浏览商品—立即购买—支付订单等，通过智能路径分析，可以找出通往下单的所有路径，评估每条路径的优势和劣势，然后匹配合适的运营策略。
（3）用户路径。
用户路径分析，不需要预先设置漏斗或者圈定目标事件，而是计算用户使用产品时的所有第一步，然后依次计算后续每一步的流向和转化率，步步追踪，找到分析用户路径行为最原始、最基础的数据，从用户行为出发，进行全方位的路径分析，通过发散性的分析方式确定最优路径。通过全路径数据，真实呈现所有用户从开始使用产品到离开的整个过程，然后分析各种路径模式，评估哪条路径的用户最多、哪条路径用时最短、哪条路径的节点最少，判断用户走到哪一步时最容易流失、从哪里开始偏离了目标路径，也可以通过路径识别用户行为特征，分析用户是直奔目标用完即走型的还是无目的浏览型的等，明确用户现存路径，结合业务场景需求进行路径优化调整，引导用户行为，使用户沿着最优路径前进。总之，用户路径分析对产品和用户运营有着非常重要的启发作用。
用户路径可以用桑基图的形式直观展示，如图1-9所示（示例），用户进入产品后的所有访问路径，以及每一步的流量、转化率、流失率，都能从桑基图中体现出来。通过桑基图，我们能够快速、直观地了解用户主流访问路径的转化情况。
图1-9 用户路径分析（桑基图）
4）行为逻辑分析
黑格尔在《法哲学原理》中有一句至理名言“存在即合理”，意思是说一切真实事物都合乎道理或事理，也就是有原因的或可被归因的。
用户的行为是真实发生的，也都是有原因的。对用户行为背后的逻辑进行分析，可以弄清楚用户为什么产生这样的行为，以及怎样促使用户产生某些行为；然后针对用户的具体问题进行解决和对于用户的需求给予满足，优化产品功能，提供相应的服务，或者引导更多用户朝着理想路径前进，进而提升业务指标。
与互联网大数据相比，某类用户在某个场景下某个路径上的行为数据是可识别的、具体的、有逻辑的，是不可忽视的力量。通过对这种具象的数据进行研究，能找出用户行为背后的驱动因素，也能解释用户行为的前因后果，了解用户的态度、决策过程和使用体验，尤其在产品早期阶段，这样做对于寻找灵感、寻找方向、寻找共创价值点至关重要。
比如，在用户买灯笼时，为什么一般会一次买两个呢？原因可能是中国传统中挂灯笼一次挂两个。知道了这个情况，商家在卖灯笼时，如果把两个灯笼打包，当作一个商品进行售卖，是否会更多地促成交易呢？（这里只提供了一个分析和解决问题的方法或思路，实际效果是否更好，还需要结合实际业务情况和其他更多因素综合考虑，或者进行实验。）再比如，老用户直接在商品列表页点击加购商品，而没有查看商品详情，是因为老用户了解商品情况，不需要再查看详情了吗？如果情况是这样的，是否可以拓展场景，增加商品定期复购、常购清单等功能呢，这样可以更方便地满足相关用户的复购需求。
从用户层面分析业务数据，就是分析用户对产品和业务的使用及贡献情况，是企业日常运营和制定决策时必不可少的环节，是用数据驱动用户运营的基础。用户业务数据分析可以结合用户运营的几个模块来进行，需要分析的数据项目举例如下。
● 用户增长模块
整体：总用户数。
拉新：新用户数、拉新转化率、投入产出率。
留存：留存用户数、留存率。
激活：激活用户数、激活率。
● 用户成长和贡献模块
成长过程：会员用户数、用户的激励数据。
用户质量：户均ARPU、客单价、使用频次、购买频次、购买件数。
用户价值：总收入、户均贡献收入、用户传播 K 因子。
● 用户分层模块
按生命周期：潜客期、新生期、成长期、成熟期、衰退期、沉默期、流失期各阶段的用户数。
按增长漏斗：获取、激活、留存、获得收入、传播各环节的用户数。
按转化漏斗：触达（总用户）、访问、意向、加购、下单、支付各环节的用户数。
用户服务：用户体验、用户客诉等数据。
用户业务数据分析，可以是单一模块分析，也可以是多模块联合分析，还可以结合其他层面一起分析，比如结合用户画像，分析不同画像维度的用户业务数据情况；又如按不同的渠道查看拉新用户数，按性别查看交易用户数。