1.什么是用户行为数据？
狭义上
商业经营中涉及的三种核心数据，分别是用户属性数据、用户行为数据和用户交易数据。
用户属性数据：描述了用户的特征，包括静态（身高、体重等）、动态（学历、健康状态等）和未来趋势（婚姻状况、有无子女等）方面的信息； 用户行为数据：是指用户在商业互动过程中产生的动作数据，如用户在线上或线下的购买、浏览、评论等行为； 用户交易数据：是指用户完成支付后产生的相关数据，如订单金额、数量、类型等。
这三类数据常常被存储在不同的数据库中，难以互相融合。要克服这一问题，就需要引入用户行为数据的广义理解。
广义上
从广义的角度来看，用户属性 数据、用户行为数据以及用户交易数据都可以看做用户行为数据。
用户的每个动作，都是行为。在以用户为中心的逻辑下，用户的整个生命周期都是用户行为数据的一部分，例如用户的第一笔订单、第一次复购、交易频率、品类选择等等。通过将这些数据进行整合和分析，企业可以更好地了解用户的需求和行为，从而制定更加有效的营销策略和业务决策。
并且，所有的用户属性数据都可以理解为用户过去行为的沉淀，例如年龄、学历、婚姻状态等。借助算法模型，企业可以通过分析用户的行为数据来推演用户的属性数据，从而更好地了解用户的偏好和消费能力等信息。
通过将这些数据进行整合和分析，企业可以更加全面地了解用户的需求和行为，从而制定更加精准的营销策略和业务决策。
用户行为数据的“5+1”要素
用户行为数据的五个基本元素是：【谁、何时、在哪里、做什么、怎么做】和一个新增元素是：【做多少】。
“谁”：指的不仅仅是用户的认证信息，还包括用户访问终端的信息； “何时”：包括行为发生的时间和时长，以及行为的频率和频次等维度； “在哪里”：包括线下和线上不同类型的位置信息； “做什么”：分为内容、产品和功能几个维度； “怎么做”：则分为产品互动、内容互动和功能互动三种。 “做多少”：是行为数据与交易数据融合后，新产生的一个重要要素。
2.用户行为数据有什么价值？
1.理解用户需求，指导业务升级
使用用户行为数据指导业务升级的过程分成四个步骤：描述用户、理解需求、设计业务、重建关系。
（1）描述用户：
通过融合用户行为数据和用户交易数据，可以描述用户的生命周期和 360° 画像，从而了解用户的属性和行为数据，选择用户群体，总结他们的需求。
（2）理解需求：
通过观察用户在页面的浏览、比较、预订或下单行为，结合用户所处生命周期和360°画像，可以精准地判断不同类型用户对于产品的真实需求。
（3）设计业务：
在业务设计中，特别强调用户旅程地图的概念，即将一个人在与企业接触的过程中，为了完成某个目标所经历的旅程可视化的一种工具。用户旅程地图的格式，上部包括用户角色、业务场景；中部是不同时期用户行为、想法、情感及相对应的期望和目标；底部是收获，包括洞察及对应的服务资源。
传统企业更在意人—货—场之间的关系，讲求产品在不同场（渠道）间的动销能力，而现代企业需要重建用户与企业之间的关系，实现精细化运营，提升用户体验，同时，通过融合多种数据源，实现数据的精准传导，可以从“人—货—场”模式升级为“人—数据—货—场”的模式。
2.预测用户行为，引导业务创新
在数据处理的不同阶段中，数据可以告诉企业管理者自己的业务正在发生什么、是什么导致了结果的产生。数据模型驱动的机器学习和决策可以帮助企业预测未来、精准营销和评估用户价值。这意味着数据可以帮助企业进行智能决策，而不是只依赖于经验。
数据分析能力在不断进化，从过去的【群体预测】（某个活动可以吸引多少新用户）发展到如今的【个体预测】（你中午要吃什么外卖）。具体而言，预测未来实际上就是通过用户的既有行为预测用户选择，或者是通过各种活动引导用户选择。
企业可以利用数据给用户打上不同的标签，从而将广告服务精准地投放给目标受众。但是，精准营销造成了另一个问题：虽然它将转化率提高了，但是投放的人群也缩小了。如果在投放广告时，可以针对目标人群进行高频投放，不断覆盖目标受众，可能也会实现广告效果的增长。
传统上，企业通过历史购买行为来评估用户价值，但这种方法存在偏差。现在，企业以客户生命周期价值（CLV）来评估用户价值，这是一种更高级的评估方法，也是业务的一项重大升级。亚马逊是使用这种方式来评估用户价值的。CLV 的加和可以让企业看到未来价值，而不仅仅是当下的经营收入。基于用户行为数据评估用户生命周期总价值，企业的关注点在空间维度可以从单一的交易环节放大至用户在平台互动的全流程，在时间维度可以从用户初次接触，延续到永远流失的完整生命周期。
3.如何利用用户行为数据进行数据分析？
1.常见的数据分析痛点包括
很多企业缺乏对数据规划的重视，这使得数据驱动增长难以在企业内部快速、有效地实现。如果企业没有做好数据规划，很可能会出现以下问题：
容易陷入细节，忽略全局； 会使用看数工具，但数据分析不成体系； 结果数据难以归因； 优化靠职业敏感度，而不是科学的数据分析。
2.业务导向的数据分析整体思路
可使用“用户流转地图—场景化—数据分析模型”的思路进行数据分析。
用户流转地图将带领大家从全局视角出发，快速发现局部问题； 场景化将带领大家将数据分析落地到具体的场景中，脱离业务场景的数据分析是没有任何意义的，业务场景越具体，数据的含义才会越清晰，才会更有助于数据洞察。
用户流转地图
用户流转地图是帮助业务人员了解业务全貌、洞察业务痛点、明确优化方向并规划迭代路径的工具，其定义为“全面展示业务流程、快速发现业务断点的工具”。
它由三层地图构成，包括全域流转地图、全局流转地图、局部流转地图，遵循全域—全局—局部的层层下钻思路。
是第一层，用于诊断全局业务，方便业务人员找到业务断点进行下钻。
（2）全局流转地图：
是第二层，根据产品策略分为三大板块：站外渠道、平台流转（代入平台App、小程序、网站等数据评估平台）、裂变转化（绘制裂变流转地图）。
（3）局部流转地图：
是第三层，全局流转地图下钻到具体产品后可得到两种类型的局部流转地图：一种用功能维度来划分，另一种以日常活动为维度。
用户流转地图的核心目标是评估线上各环节转化效率，找到转化断点和优化点，寻找新的转化路径以开拓新的增长点。其功能可以概括为评效能、看瓶颈、开新路。
评效能。使用用户流转地图评估各环节的转化效率。 看瓶颈。通过“公司战略—产品策略—具体产品”三层逐步深入找到转化断点，并下钻局部流转地图，找到优化点。 开新路。通过全局流转地图探索各转化节点之间的关联，发现环节虚线，构建能够产生高转化的新业务链路，开拓新的增长点。
用户流转地图主要由 5 个要素构成：① UJM 模型、② 流转节点、③ 流转线段、④ 流转数量、⑤ 流转率。
用户旅程一般会经历 6 个步骤：“了解产品—感知价值—产生兴趣—增强黏性—付费转化—深度转化”。
进一步，我们可以把用户和产品的触点分为 3 个阶段：访问行为阶段、高价值行为阶段、关键结果阶段。
访问行为阶段：指用户在进入平台后访问流量较高的行为，这些行为的用户群产生的影响范围较大。 高价值行为阶段：指用户在产品中产生的有助于达成关键结果的行为。 关键结果阶段：是根据业务目标的拆解得到，业务方希望引导用户完成的关键结果。
如何绘制用户流转地图呢？
第一步：选定业务目标(O)，以确定关键结果。
业务目标是确定公司、业务、产品存在目的的重要因素，不同业态拥有不同的业务目标，例如新零售的目标一般为GMV，而线索培育的目标一般为留资线索转化。
第二步：结合关键结果，反推高价值行为。
在确认流转节点时，需要遵循“由后及前”的思路，结合关键结果和产品设计倒推高价值行为阶段的用户行为。
以线上商城为例，最重要的关键结果为支付成功，由用户的支付行为可以反推出用户的下单行为，进而由下单行为再反推出用户的加购和直接购买等对线上商城特别重要的高价值行为阶段的用户行为。
第三步：量化页面数据，排布流转节点。
量化页面数据、排布流转节点，是绘制流转地图时最复杂的一步。因为用户在与产品互动的过程中会跳转大量的页面，如何选出并排布流转节点将是一大难题。
定位好各个关键节点所处的阶段后，我们就可以结合用户实际访问产品的旅程，确定各个关键节点的位置排序。
第四步：套用数据模型，补齐流转数据。
在确定流转节点及其顺序后，需要根据用户的实际行为判断节点之间是否有连通通路，并使用数据模型来填补节点之间的流转数量和流转率。不同的阶段由于用户的流转逻辑不同，因此所采用的数据取数规则也不同。
3.九大数据分析模型
1.事件分析
“在分析用户行为数据时，事件是指用户操作产品的某个行为，即用户使用产品时做了哪些事情，一般用“操作+对象”的形式来描述。事件类型可以包括浏览页面、点击元素、浏览元素、编辑文本框等。
一个完整的事件应该包含以下几个方面：
用户信息：描述用户的信息，例如，用户访问或者登录的 ID。 时间信息：事件发生的时间。 行为信息：用户做了什么行为。 行为对象信息：用户的行为作用在哪些对象上，例如，点击了按钮 A，浏览了页面 B，修改了文本框 C，那么 A、B、C 分别是用户行为作用的对象。
通过事件分析我们可以准确了解产品内发生的事件量，根据产品特性合理配置追踪，轻松回答关于变化趋势、分维度对比等问题，例如：
某个时间段产品推广页面点击量有多少？对比昨日提升了多少？ 产品某个活动页的 UV 分时走势，安卓和 iOS 的占比分别是多少？
2.漏斗分析
漏斗分析，即通过将用户行为起始的各个行为节点作为分析模型节点，来衡量每个节点的转化效果，从而找出流失原因并提升转化表现。漏斗分析能够帮助我们清晰地了解在一个多步骤的过程中，每一步的转化与流失情况，并且一般通过横向柱状图呈现。
在漏斗分析中我们需要明晰以下 3 个基本概念：
步骤：这里是指用户行为，由事件加筛选条件组成。 时间范围：指漏斗第一步发生的时间范围。 转化周期：指用户完成漏斗的时间限制，漏斗分析只统计在这个时间范围内，用户从第一步到最后一步的转化。
以某产品的注册转化漏斗为例，漏斗模型可以度量每一步的注册转化率和整体注册转化率。从“开始注册”到“注册第三步完成”，每一步的转化率分别为 55.8%、18.5%、92.5%，整体注册转化率为 9.54%。我们可以很明显地看出，“注册第一步完成”的转化率明显低于其他两个步骤。
3.热图分析
热图分析，以产品中元素的点击次数、点击人数、点击率为基础数据，以特殊高亮的图形形式显示用户点击页面的位置或用户所在的页面位置，以此来了解用户对页面的兴趣和关注点。
目前常见的热图有三种：基于鼠标点击位置的热图、基于鼠标移动轨迹的热图和基于内容点击的热图。
4.留存分析
留存分析，是衡量产品是否对用户有持续吸引力及用户黏性的重要数据分析模型，可以通过表格和线图呈现。
在留存分析中我们要明晰以下三个基本概念：
留存用户：如果用户发生起始行为一段时间后，又发生了目标行为，即认定该用户为留存用户。 留存行为：某个目标用户完成了起始行为之后，在后续日期完成了特定的留存行为，则留存人数+1。留存行为一般与我们的目标有强相关性。我们在进行留存分析时，一定要根据自身业务的实际需要，确定高价值的留存行为，才能对产品的优化提供指导性建议。 留存率：是指“留存行为用户”占“起始行为用户”的比例。常见指标有次日留存率、7 日留存率、次月留存率等。
5.事件流分析
事件流是了解用户在产品内流转行为的最佳方法。事件流分析通过桑基图呈现，可以了解用户在做完任一行为之后的流向，也可以了解转化的用户是如何一步步完成转化的，以此判断用户的去向是否符合预设路径。
6.用户分群分析
用户分群分析，是指针对拥有某种特定行为或背景信息的用户，进行归类处理。通过用户分群分析可以帮助我们找到相应的用户群体，帮助我们知道他们是谁，做了哪些行为，进而进行有针对性的运营和产品优化工作。
用户分群分析常用的方法包括以下三种：
找到做过某些事情的人群，比如，过去七天完成过 3 次购物的人群。 找到有某些特定属性的人群，比如，年龄在 25 岁以下的男性。 找到在转化过程中流失的人群，比如，提交了订单但没有付款的用户。
7.用户细查
用户细查与用户分群功能是紧密相关的。当定位到我们所关心的某一用户群体后，用户细查可以进一步帮助我们了解这个群体内的用户在产品内的行为轨迹，从而清晰地展现用户与产品的整个交互过程。
8.分布分析
分布分析，主要用来了解不同区间事件的发生频次、不同事件计算变量的加和，以及不同页面浏览时长等区间的用户数量分布。
分布分析不仅能洞察用户行为分布的规律，还能作为事件分析、用户分群等功能的重要补充。
例如，电商场景中的业务模型一般为：收入=访问用户数×转化率×订单金额×复购率，要想提升成交总额，要从这些指标入手进行优化。以“订单支付成功”这一关键事件的分布情况为例。该电商平台用户支付成功的次数集中在 0～1 次之间，这明显低于平均水平。因此，对复购率的有效提升就成了 GMV 增长的关键点。
9.归因分析
归因分析，是一种将销售功劳或者转化功劳，按一种或者一组分配规则，按劳分配给转化路径中不同接触点的数据分析模型。
随着获客成本不断攀升，用户转化路径日益复杂，我们需要借助归因分析确定最有价值和最有潜力的接触点，以在降低营销投放费用的同时，更好地提升用户转化率。
常见的归因模型有以下四种：
首次归因模型，在回溯期内给首次触点的转化功劳分配 100%，给其余触点分配 0%。 最终归因模型，在回溯期内给最后一次触点的转化功劳分配 100%，给其余触点分配 0%。 线性归因模型，在回溯期内，一次转化被各触点平均分配。例如用户的一次转化接触了 5 个触点，那么 5 个触点中每个触点都被分配 20% 的功劳。 位置归因模型，在回溯期内，给用户的首次触点的分配 40%，给末次分配 40%，给其余中间位平均分配 20%。
以购买某品牌口红的转化路径为例：
用户首先在今日头条的信息流上看到了品牌口红广告A，接着在微博上又浏览了品牌口红广告B。一天后，用户在小红书参与了品牌口红促销活动A，但并未下单购买。两天后，用户收到了品牌口红的优惠券短信。最终，用户通过在百度上搜索该品牌口红的官网完成了购买。
如果按照 ROI 分析的逻辑，这条转化路径中所有权重都会被算到百度搜索这个渠道上，这是一种以偏概全的情况。
为了更科学地分析这条转化路径中各个接触点的贡献度，我们可以采用线性归因和位置归因模型。
例如，通过位置归因模型，我们可以将各个渠道的贡献权重分配为：今日头条40%、微博和小红书各20%、百度40%，这样就不会再出现单独将百度搜索渠道权重算为100%的情况了。
以上。
希望对你有用。
