用户行为怎样分析结果？互联网产品用户行为分析

本文作者大数据观察狮（bigdatadelver2015）

在大数据的背景下，用户行为分析通过检测用户群体行为来获得的数据进行分析， 用户行为分析更加详细的了解用户的行为习惯，从而找出网站、推广渠道等产品营销环境存在的问题，有助于产品发掘高转化率页面，可以使得产品的营销更加精准、有效，从而提升企业的收益。

近几年，电商之间的价格战打得不亦乐乎，电商之间以价格为主要诉求的大规模促销层出不穷，几乎要把所有能够用来造势的节日都用上了。而消费者们作为这场游戏中的弱者，不断地被这些真假价格战挑逗着和引导着。然而，在当今的商场上，还有另外一类企业不是通过简单粗暴的价格战，而是通过对数据的充分使用和挖掘而在商战中获胜的。

那么用户行为信息有哪些呢？就是用户在网站上发生的所有行为，包括搜索、浏览、打分、点评、加入购物车、取消购物车、购买、退货等等行为。甚至包括第三方网站上的相关行为，比如看相关评测、参与评价、好友互动等等。

在电商领域中，用户行为信息量之大令人难以想象，如果把所有可以采集的数据整合并进行衍生，一个用户的购买可能会受数千个行为维度的影响。

对于一个一天 PU 近百万的中型电商上，这代表着一天近 1TB 的活跃数据。而放到整个中国电商的角度来看，更意味着每天高达数千 TB 的活跃数据。正是这些购买前的行为信息，可以深度地反映出潜在客户的购买心理和购买意向。

一、用户分析的关键

用户行为分析的注重用户的来源和用户的访问路径以及是否完成了他想做的事，三个关键点在于粘性、活跃、产出。

黏性是用户在一段时间内持续访问和使用网站的情况，更强调一种持续的状态，这里包括：访问频率和访问间隔时间，活跃用户指每次访问的过程，考察用户访问的参与度，所以对统计期内的每次访问取了平均值，选择平均访问时长和平均访问页数来衡量活跃，黏性和活跃产生的价值可能是显性的，可能是隐性的，如品牌或者口碑。

产出直接根据网站的业务衡量用户创造的价值输出，如电子商务网站可以选择订单数和“客单价”，一个衡量产出的频率，一个衡量平均产出值的大小。

当然，不同的网站对用户行为的需求是不一样的，这里仅对电商网站的用户行为做一个分析。

计算用户的最近一次消费，消费频率和消费金额指标的均值，每个客户的均值与三个指标进行比较，可以将客户分为8类：

有了以上的用户行为数据，那么我们应该怎么分析呢？其实从这些图中我们是可以看出一些端倪的，用户分析能力还是需要慢慢去培养。分析的结果要能有效的指导行动， 才能对网站的规划和设计，提供最有效的设计。

这些工具一个共同的特点可以分析出以下几个方面，对于其他非电商类网站，可以参考以下几个方面：记录那些点击信息，包括没有与网站产生交互的信息。可直接生成链接的百分比，点击分布图和热力图，可统计用户的悬停，将用户潜在行为可视化。展现为以下：

不同的行为代表着不同的用户，细分成不同的步骤针对每一部分用户进行分析结果会更加准确。因为本身用户就分为新老用户，活跃用户和流失用户的，很多时候，我们预设和现实的差别：

在对用户行为轨迹方面的分析也成为关键：

从认知到网站访问到IP、PV、人均页面访问量、访问来源，从熟悉到网站浏览、从网站搜索到平均停留时长、跳出率、页面偏好、搜索访问次数占比，从试用到用户注册再到注册用户数、注册转化率。

从使用到用户登录、从用户订购到登录用户数、人均登录、访问登录比、订购量、订购频次、内容、转化率。从忠诚到用户粘度、从用户流失到回访者比率、访问深度、用户流失数、流失率，对不同的用户关注的点要不同，所以要分析的点也不同，当然前提还是你的用户应该足够多，基于大数据才是最主要的。

二、数据支持用户行为分析示例

数据驱动精准化营销在大众点评的实践

在介绍数据体系和框架前，为了方便大家理解，先简单阐述一下O2O营销的基本组成：O2O营销是由营销发生的渠道（站内，站外）与营销的主题业务（流量，交易）两个维度组成的，其中产生了多种营销的形态，如精准化用户营销活动、DSP的精准投放、渠道价值排名和反作弊等，数据分析和挖掘在这些环节都能发挥很大的价值。本文主要阐述站内的精准化用户营销活动。

一个站内用户运营活动的生命周期大概可以归纳为：确定目标、选取活动对象、设计活动方案、活动配置与上线、线上精准营销与动态优化以及效果监控与评估六个环节。如下图所示。

最底层是我们的数据仓库和模型层，这里又大致可以分为三个主题：画像，运营和营销，流量。这三个都是运营活动必不可少的数据组成部分。对于画像，我们的做法是部分自主建设，同时集成业务方如搜索、广告和风控团队开发的画像标签，形成统一的画像宽表。

目前用户标签体系覆盖了包括：基本信息、设备信息、消费浏览以及特征人群等5个大类的180多个标签。在标签的实现上，秉承从需求出发的原则逐步迭代，从最初的以统计和基本的营销模型如RFM为主，到现在在潜在用户挖掘和用户偏好上开始探索使用机器学习的挖掘方法。

用户可以通过选择画像服务提供的不同的标签组合快速创建人群包，创建的人群包可以提供给其他不同业务和形态的营销工具，如push，促销工具等。

外卖潜在用户挖掘

精准营销一个主要的方向就是潜在客户挖掘，特别是在点评这个平台上，如何在平台近一亿的活跃用户中挖掘垂直频道的潜在用户就成了精准化营销的一个很现实的问题。帮助客户找出和投放人群相似的用户群，其广告的点击率和转化率都高于一般针对广泛受众的广告。

微信红包精准优惠券引擎

另外一个精准营销的案例是智能发券引擎Cord，背景是点评会在微信群/朋友圈中用红包发各种优惠券，当好友来领券时，如何决定发哪个业务什么面值的券更容易转化。本质上是一个简化的推荐问题，我们也参照广告系统的架构设计了Cord引擎。主要包含分流模块、召回模块、过滤模块、推荐模块。

整个系统实现完全服务化和可配置化，外部的活动系统可以根据配置的开关启用或者在特殊场景下禁用Cord服务；而Cord内部，也可以根据配置中心的设置，动态调整推荐策略。在数据挖掘上，目前除了业务配置规则外，我们针对公司主流的运营方式，基于画像中的用户偏好和优惠敏感等标签进行综合打分，抽象了以GMV为目的和以拉新用户为目的的推荐策略。

三、结语

在获得网站访问量最基本数据的情况下，对有关数据进行统计、分析，从中发现用户访问网站的规律，并将这些规律总结，与网络营销策略相结合，从而发现目标网络营销活动中的可能存在的问题，为进一步修正或制定网络营销策略提供依据，从而让企业的营销更加精准，获得更大的效益。