我来教你用户行为如何分析模型。

商业模式发展至今，已经不仅仅是销售能够制造的产品，而是制造能够销售的产品。企业的业务一定建立在有某种需求的用户上，所以市场拓张的落脚点都会落到用户的行为分析上。只有更好地了解用户习惯、用户偏好、用户画像才能更好地创新或改进或迭代产品，而数据分析能够帮助我们做到这一点。从另一方面来说，随着科技的发展，产品和技术终将被淘汰，但基本的市场需要从来都是在的，会一直延续下去，只是用户的要求变高了或者改变了，所以数据分析也会不断反复验证、更新迭代、学习进步。

用户行为分析的前提

数据分析和用户行为分析的基本前提是，你要对公司的业务非常地了解和熟悉，有四个简单的问题可以帮助理解业务：

1. 我们的业务是什么？（定位）
2. 谁是我们的客户？（市场细分）
3. 顾客看重什么？（竞争优势）
4. 我们的业务应该是什么？（愿景及目标）

如何做用户行为分析？

用户行为分析，说白了就是从各个维度去看用户对于产品在某些指标上的反馈。

关键词1：维度—用户分类

维度指的就是用户分类，虽然公司在产品定位和市场细分阶段已经对用户群体有清晰的定位，但是在产品运营阶段，对使用产品的用户群体还需要更加细分。

1、按照个人属性或标签划分

比如：性别、年龄、地区、学历等

也可以为用户贴上标签，如星座、行业、职业、消费能力、支付偏好等

2、按照用户使用产品的生命周期划分——同期群划分

用户使用产品的生命周期一般是：免费试用、付费使用、结束使用。同期群划分指的是按用户初始使用产品的时间将用户划分。产品总是在更新迭代中的，对不同的同期群的影响是不一样的。比如，2018年1月 A 产品上架，2月注册用户的付费转化率为10%，3月注册用户的付费转化率为20%，4月注册用户付费转化率为30%，可看出2-4月中产品的发展是稳健上涨的。

适用于分析：

产品业务的整体情况

产品改版效果

产品改进后的用户体验等

用户留存/流失分析

3、按照用户使用产品的频率划分——活跃度

根据活跃度，可将用户划分为：新增用户、普通用户、活跃用户、核心用户、流失用户。

活跃度的指标需根据不同类型业务在不同发展阶段进行自我定义。

举例，假如是微信等社交类应用，可能指的是日均使用时长；假如是外卖等 O2O 类应用，可能是周均使用次数；假如是喜马拉雅内容类应用，可能指的是日均听音频的时间。

4、按照用户价值划分——RFM 模型及其衍生

PFM 模型通过衡量客户价值和客户创造价值能力来进行用户分类。

有三个维度：

1. R：最近一次消费 Recency
2. F：消费频率 Frequency
3. M：消费金额 Money

可分为 5 类：

一般针对电商模型。

5、基于业务模型的指标——AARRR 漏斗模型

AARRR 对应移动应用生命周期的 5 个重要环节

A：Acquisition 获取用户

A：Activation 提高活跃度

R：Retention 提高留存率

R：Revenue 获取收入

R：Refer 自传播

金字塔模型，就是根据这个流程来给用户分类的一个模型。

于是这五层的用户分类，我们运营对于每一类都有不同的需求：新用户我们希望他下载，那么给新手福利；下载用户希望他们使用，那么给予傻瓜式的操作引导；而使用的用户又希望他多来，常来，建立信任，那么就要有不断的刺激和优化。而兴趣用户，当然希望他付费了，自然促销是常用手段。至于付费用户，那么服务肯定要做好，希望人家二次购买，三次购买，甚至推荐给其他人。

6、正态分布模型

当用户运维的资源更加的粗放，而且资源非常有限的时候，就可以用正态分布模型。比如二八法则就是一种正态分布的形式，80%处于曲线的平均值附近，而剩下的20%才是利润的来源。

正态分布模型，就是在两个维度比如利润贡献和人数两个维度进行建模，你会发现提供利润最多的那几个客户是少数，因为运营成本和突发状况造成没钱赚反而亏本的也是少数，而留下的大多数利润都是在一个恒定值附近的。

那么根据这三种情况，我们就可以来分配运维的资源了，重点维护高利润用户，同时也要核心关注不给利润但是占据大部分公司资源的客户，要舍弃。而中间大多数在恒定值附近的客户，则要进行标准化服务，节省资源，让边际成本降低。

7、按照用户使用业务场景划分

举例，对于 O2O 类应用，可划分为：买家用户、卖家用户、快递。买家和卖家和快递用户内可以继续按照前面所讲的分类模式继续细分。

关键词2：指标

指标就是衡量基准，是一个明确的

数据。

1、基本财务指标

财务指标就是企业的经营利润、销售总额、经营成本等。具体的分析可按照下图思路：

2、基于业务模型的指标——AARRR 漏斗模型

AARRR 对应移动应用生命周期的 5 个重要环节，相关指标如下

基于业务模型的指标——长漏斗模型

根据不同业务模型，企业分析的指标模型也不一致。针对电商类应用，更多的是使用长漏斗模型来分析业务，如下图所示：

需要注意：

1、商业的不同阶段的用户行为分析的重点不同。RFM，更多是基于成交金额的优化，提升用户的LTV的分类方式。金字塔模型，则是基于多层次数据稳定增长，形成健康AARRR体系循环的分类方式。而正态分布，则更加偏向于粗放式运营，在维护用户资源有限的情况下，调用有限资源维护长尾客户的分类方式。

2、选择出具有指导意义的指标。指标最关键的含义就是，一定要有指导意义，有利于作出决策。比如双十一那天凌晨，需要实时监测交易额，1小时后率先完成10亿，但 “10亿” 其实就是个数字，不具任何参考意义，但只要说第一个小时相比去年增长了40%，但预计增长60%，就非常有参考意义，此时可以去看为什么没有达成，作出是否需要给用户在设置提醒之类的决策。（数据只是举例，不具有参考意义）

关键词3：反馈

针对指标的反馈主要有四个方面，

1. 变化，随时间波动如何
2. 分布，在不同区域之间，不同产品之间，不同用户群体之间的占比如何
3. 对比，产品之间的对比，
4. 预测，基于过去表现分析预测未来表现

所以在根据业务表现研究用户行为分析时，可结合以上维度、指标、反馈三点对业务现状和背后原因进行深层挖掘。用户行为分析对企业来说主要有以下几点应用：

1. 根据不同用户行为及表现，提出精准营销建议，实现营销利益最大化
2. 研究学习优质用户的行为模式及共同特征，引导更多用户发展为优质用户
3. 有利于发现产品机会点，并利用A/B测试等测试的参考来改进或迭代产品

四、用户行为分析的路径

可以分为5层，即数据采集、数据存储、分析模型、报表创建、应对策略。

1. 数据采集：如果没有足够、准确、实时的数据，再好的分析思维都没有用。数据采集通常采用可视化埋点（即全埋点）、SDK埋点、JS埋点、日志数据、历史数据导入等方式。需要获得最准确的数据，推荐SDK埋点、服务器数据传输工具。
2. 数据存储：打通用户数据源，建立统一数据仓库。对用户属性数据与用户行为数据进行清晰、统一定义。用户行为相关的数据，需要满足4W1H的描述，即谁、在什么时间、以过什么方式、在哪里、做了什么，描述这些信息的，就是用户id、设备号、访问ip、时间、时长、点击等数据的记录。有了这些信息，就可以去分析Why，即用户行为背后的原因。
3. 分析模型：用户分群、多维分析、漏斗分析、留存分析、事件分析、行为路径分析、行为序列分析。需要根据实际业务场景，进行灵活搭配使用。
4. 报表创建：对于团队发展不同阶段，创建统一的关键指标，指引团队前进。而对运营、产品、市场，各自创建常用的报表，对关键数据进行持续性监控。比如市场关注渠道转化漏斗，产品、运营关注用户留存、活跃、关键行为事件。但对应的，都是在公司统一的最关键指标基础下。比如新产品上线，先关注天使用户对产品的响应，发展阶段关注用户增长、病毒传播情况，稳定阶段快速激活用户付费等。
5. 应对策略：在数据分析基础上，做针对性用户调研、用户访谈，找出相关性背后的原因，制定相应策略。