一、用户行为分析的常见错误

错误 1：乱摆指标，一锅乱炖�? 最典型的就是，把性别、年龄、职业、身高体重，这种用户基础信息往上摆。注意，用户行为，要分析的是行为，不是基础信息。无关指标太多，只会干扰视线，乱上加乱�? 错误 2：罗列数据，没有判断�? 最典型的就是，罗列了用户登录数、点击数、页面跳转一大堆数据，到底说明啥问题？没结论。这种东西根本不能被称作“分析”，只算是基础数据展示。既然是分析就要有结论，有问题，有解答�? 错误 3：望文生义，乱下结论�? 最常见的这种分析：

用户登录少了，所以要搞高- 这个商品用户买的多，所以要多卖- 这个内容用户点的多，所以继续出基本上就是数据低了就搞高，高了就保持。其结论之无脑，业务部门都看哭了…�? 以上种种乱象，主要来自：对不同部门关注的用户行为重点缺乏了解。不知道重点，就可劲拼凑数据，忽视了如何从数据提炼结论，结果反而画蛇添足。想破局，就得从认真思考：到底业务看用户行为能看出啥？

二、用户行为是什�?

一个用�?ID，在企业内部系统产生的，可记录的动作，都可以称为：用户行为�? 一个完整的用户行为，包�?6 要素�? - 时间：何时发�? 地点：在 XX 渠道/平台/系统发生- 人物：谁发生�? 起因：第一个动�? 经过：所有动作组成的链路- 结果：行为带来的结果

这些要素，在不同平台上表现方式不同（如下图）�?

在不同系统平台，收集的用户行为的方式也不同。常见的有三类：

1、后台记录：用户注册表单、服务请求表单、交易订单等 2、埋点记录：用户�?APP、小程序、H 5 浏览记录 3、业务人员反馈：通过销售、客服、售后工作人员反馈的信息

总之，这也是为啥用户行为相关指标数据显得很多、很杂、很乱的原因：本来用户行为就有很多种，不结合具体业务需求，就是讲不清楚�? # 三、不同业务的需�? 业务方关注用户行为，有四种情况�? 情况一：一无所知，看看再说�? 常见的，比如�? 新官上任，不清楚情况新业务线，没做过复盘新年伊始，要做各种新计划总之，对基础情况不甚了解�? 这种情况下，宜粗不宜细，宜全不宜精。先给一个整体概貌，让领�?业务同事找找感觉，之后有具体议题了，再深入分析（如下图）。不然一上来鸡毛蒜皮一堆东西，很有可能把人看晕，感慨“这一大堆到底说了啥？�?

在不了解业务情况下，先从最粗线条，最普遍认识的大指标开始（比如 AAARRR），逐步展示用户行为细节，展示细节的时候，先讲一个行为发生的数量，对应的用户人数；再讲一个行为流程转化过程，最后再对用户分层，对一个行为的轻中重用户分类描述，这样就讲得很全面了�? # 情况二：心有所指，关注结果�? 这种情况，一般出在某个具体业务流程、产品功能点、内容发布以后。业务方目标很明确：看看这东西做的咋样了�? 常见的，比如�? - 内容板块：用户点击、参与讨论、转发动�? 功能点：用户使用数量、使用频次、使用时�? 商品：用户浏览、购买、重复购买、一次性大额购�? 此时就不能铺开了说，而是聚焦业务关注的功能点，从大到小展示数据（如下图）�?

注意！用户行为分析第一个大坑点，就是：用户行为多不等于业绩好。比如电商业务，运营兴致勃勃的上个一浇水种树领优惠的活动，企图拉一拉活跃人数，结果发现用户都玩游戏去了，都在等优惠，反而下单的人在减少�? 此时，可以用矩阵法、前后对比法、行为关系分析等方法，具体看这个行为对业绩的影响（如下图）�?

理论上，一个行为得同时满足：吸引足够多高质量的用户参与；发生行为后，其他高质量行为（交�?转介绍）有明显提升，才能称为好行为。但实际上不需要这么苛刻的条件，只要不出现明显的：用户使用障碍，用户使用后投诉增加，干扰用户正常交易等行为，即可评价为：无害�? # 情况三：业绩压力，焦头烂额�? 这种情况，一般是评价具体业务流程，且该流程是核心流程。比如新用户注册，大型活动参与，交易流程，关键问题投诉等等�? 这时候分析目标非常具体：

注册转化率要搞高！活动参与率要搞多！成交比例要做高！关键投诉坚决扑灭�? 这种目标清晰的用户行为分析，可以说是最简单轻松了。核心思路就是以下四个模块�?

这里要注意的是，很多同学会直接插入转化流程分析。这样做呈现的数据太细，容易模糊整体判断。好/坏的判断始终是第一位的。如果连“好”“坏”都判断错了，那后边的原因分析全是错的。所以先对整体形势做判断，看看是否能接受是第一位的�? 还有一点，就是补救措施分析，会被很多同学忽视。用户行为分析的第二大坑点，就是用户行为分析是“知其然、不知其所以然”的分析。用户行为是各种因素影响结果，在企业实际

中，不可能像实验室一样每个项目都做控制变量研究，即使提前做过 ABtest，真正上线时也会因为天时地利有各种差异�?

用户行为一定是多因素综合影响的结果，特别是用户行为路径越长，累积到最后的影响因素越多，因此如果用户行为真的在末端断掉，是很难短时间内拆分清楚的。并且企业实际环境不像实验室那么干净，用户口碑交叉影响，当季流行的时事，舆论风潮等都会影响结果，事前 ABtest 失效是常事�? 所以真遇到问题的时候，很有可能短时间内分析不出来原因，或者即使大概知道原因，也没办法把活动停�?渠道换掉。此时的思路，不是纠结：这个到底是用户不喜欢文案还是不喜欢产品，而是：我们还能做什么挽回�? 因此补救措施分析一定不能省。这样比孤零零喊：“这个流程不行啦！”要有价值得多。这也是为啥很多数据明明给了用户转化路径的问题，可业务方还是喊：“没有建设性”的原因。没人喜欢报丧鸟天天喊：“要完啦！要完啦！”人们想听：“试试这个！试试这个！�? 情况四：情况不明，疑神疑鬼�? 这种情况，一般是某个业务做得不行，业务方又没有明确假设的时候。就想着：“能不能深入挖掘下用户行为？找找原因？”至于挖啥、挖出来啥原因，可能他们自己都不知道…�? 这是最难搞的情况。因为分析目标完全不清楚。这里有两个基本思路：思路一：业务方先圈出来自己的目标客户，然后看目标客户在干啥思路二：先找出一个行为的重度客户，然后问业务方：这是你们想要的不

总之，从极端情况里，更容易找到解决问题的灵感�? 比如积分兑换，业务方只是觉得这个业务不行，哪里不行又说不上来。此时可以如下图，分两个思路看数据（如下图）�?

如果发现高价值用户明显偏好某些礼品兑换，则可以对应设计吸引高价值用户礼品方案。如果发现重度用户明显存在薅羊毛嫌疑，则可以对应修改奖励规则。总之，只要用户群体行为差异足够大，就能产生策略�? # 四、小�? 从上边四大情况可以看出来，即使是同样的数据，面对不同情况，可以有不同展现方法。这就要求同学们在工作中，认真理解业务需求�? 很多同学会说：直接问业务不就好了。问题是，四个情况里，除了情况三是很明确的有 KPI 压力以外，其他三个情况都很含糊，最后口头表达的需求就是：“做个用户行为分析看看”�? 这就要求做数据的同学们，自己有一定的判断能力。以上四种情况是层层递进的，其逻辑关系如下图，同学们可以剥洋葱般的引导业务，找到真正关心的问题，从而做出有价值的分析�?