在产品的设计与运营过程中，透过数据对用户行为展开分析，我们能归纳分析出用户行为与产品之间的关连，并特别前瞻性地对产品作出改良。

 

一、常用用户行为分析数学模型

在数据分析的大架构下，透过对用户行为监控赢得的数据展开分析科学研究的行为肇因于用户行为分析。用户行为分析能让产品更为详尽、确切地介绍用户的行为生活习惯，进而找出中文网站、app、推广渠道等产品存在的问题，有利于产品挖掘高转化率网页，让产品的网络营销更为精确、有效，提高业务转化率。

用户分析是用户中心的设计流程中的第二步。是一种理解用户，将他们的目标、需求与商业核心理念相适应的平庸方法，能帮助企业表述产品的目标用户群。在用户行为领域，数据的使用及挖掘是十分重要的，透过数据分析方法的科学应用领域，历经方法论推论，能相较完备地阐明用户行为的外在规律性，如前所述此帮助产品实现布季夫交叠分析。

特别针对用户行为分析，一般来说分成如下表所示几个方法： 行为该事件分析 网页点选分析 用户行为方向分析 棒状模型分析 用户健康度分析 用户肖像分析

二、常用分析数学模型的促进作用与应用领域情景

1. 行为该事件分析

1）促进作用

：行为该事件分析方法主要用作科学研究某行为该事件的发生对产品的影响以及影响某种程度。

2）应用领域情景

：特别针对某个具体行为，展开深度下钻分析，分析层次全面性精细，证实引致该行为的原因;或特别针对某个结论现像，追述可能引致此现像的行为是什么。比如查阅模块的占有率，追述点选该机能和不点选该机能的用户有什么行为差异。

3）牵涉的数据分项

：每一产品根据产品优点，会有不同的行为该事件和甄选层次，但基本囊括了该业务所需要的所有数据分项层次，展开中后期数据总体规划中，需要对可分析该事件展开HMPP数据埋点。中后期平台运营过程中，将依赖于中后期的数据收集总体规划。

4）示意图

：

 

2. 网页点选分析

1）促进作用：点选分析被应用领域于显示网页地区中不同原素点选密度的图示，能：

精确评估用户与产品交互背后的深层关系 实现产品的跳转方向分析，完成产品网页之间的深层次的关系需求挖掘 与其他分析数学模型配合，全面性视角探索数据价值 直观的对比和分析用户在网页的聚焦度、网页浏览次数和人数以及网页内各个可点选原素的百分比。

2）应用领域情景

：一般来说用作首页、活动页、产品详情页等存在复杂交互逻辑的网页分析。一般分成可视化热力图、固定埋点两种形式。

3）牵涉的数据分项： 浏览次数（PV）：该网页被浏览的次数。 浏览人数（UV）：该网页被浏览的人数。 网页内点选次数：该网页内所有可点选原素的总次数。 网页内点选人数：该网页内所有可点选原素的总人数。 点选人数占比：网页内点选人数/浏览人数。

4）示意图：

网页点选热力图

鼠标滑动热力图

 

3. 用户行为方向分析

1）促进作用：

明确用户现存方向有哪些，发现方向问题，或优化用户行为沿着最优访问方向前进，结合业务情景需求展开前端布局调整

2）应用领域情景：

确定产品用户从访问到转化/流失都历经了哪些流程，转化用户与流失用户是否有行为区别，以及用户行为方向是否符合预期

3）牵涉的数据分项

：全链路网页级PV、UV，以及方向流转关系

4）示意图：  

4. 棒状数学模型分析

1）促进作用：

从一个该事件环节的最开始到最终转化成购买的整个流程中的一个个子环节，相邻环节的转化率表现力。就是指用数据分项来量化每一个步骤的表现。（流量棒状数学模型在产品中的经典运用是AARRR数学模型，不过现在已经流行更新的RARRA数学模型）

2）应用领域情景：

衡量每一个转化步骤的转化率，透过异常数据分项找寻有问题的环节并解决，最终提升整体购买转化率

3）牵涉的数据分项：

转化周期（每层棒状的时间的集合）、转化率（每层棒状之间的）

4）示意图  

5. 用户健康度分析

1）促进作用：

用户健康度是如前所述用户行为数据综合考虑的核心分项，体现产品的运营情况，为产品的发展展开预警。包括三大类型分项：产品基础分项、流量质量分项、产品营收分项。

2）应用领域情景：

更大范围的业务综合分项考量，体现完备产品运营情况，预测未来发展。

3）牵涉的数据分项：产品基础分项，主要评价产品本身的运行状态：DAU、PV、UV、新用户数 流量质量分项，主要评价用户流量的质量高低：跳出率、人均浏览次数、人均停留时间、用户留存率、用户回访率 产品营收分项，主要评价产品的盈利能力与可持续性：用户支付金额（GMV）、客单价、订单转化率

4）产品营收分项恒等式： 销售额=访客数×成交转化率×客单价 销售额=曝光次数×点选率×成交转化率×客单价 5）示意图  

6. 用户肖像分析

1）促进作用：

根据用户的属性、用户偏好、生活生活习惯、用户行为等信息而抽象出来的标签化用户数学模型。透过高度精炼用户特征来描述用户，能让人更容易理解用户，并且能方便计算机处理

2）应用领域情景：

透过表述用户肖像，能帮助产品运营理解用户，产品设计从为所有人做产品，变成为带有某些标签的人群做产品，产品能更精细化运营，且设计复杂度降低

3）牵涉的数据分项（不限于）： 人口属性：性别、年龄等人的基本信息 兴趣特征：浏览内容、收藏内容、阅读咨询、购买物品偏好等 位置特征：用户所处城市、所处居住地区、用户移动轨迹等 设备属性：使用的终端特征等 行为数据：访问时间、浏览方向等用户在中文网站的行为日志数据 社交数据：用户社交相关数据

4）用户标签库示意图 后续有机会将更新每种分析方法的具体方法步骤及案例，欢迎交流讨论