在用户行为领域，通过数据分析方法的科学应用，经过理论推导，能够相对完整地揭示用户行为的内在规律。基于此帮助企业实现多维交叉分析，帮助企业建立快速反应、适应变化的敏捷商业智能决策。结合近期的思考与学习，将为大家陆续介绍不同针对用户行为的分析模型。本文主要介绍行为事件分析。
 
 
 
一、什么是行为事件分析？
 
行为事件分析法来研究某行为事件的发生对企业组织价值的影响以及影响程度。企业借此来追踪或记录的用户行为或业务过程，如用户注册、浏览产品详情页、成功投资、提现等，通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。
 
在日常工作中，运营、市场、产品、数据分析师根据实际工作情况而关注不同的事件指标。如最近三个月来自哪个渠道的用户注册量最高？变化趋势如何？各时段的人均充值金额是分别多少？上周来自北京发生过购买行为的独立用户数，按照年龄段的分布情况？每天的独立 Session 数是多少？诸如此类的指标查看的过程中，行为事件分析起到重要作用。
 
二、行为事件分析模型的特点与价值
 
行为事件分析法具有强大的筛选、分组和聚合能力，逻辑清晰且使用简单，已被广泛应用。简单的说，行为事件分析法一般经过事件定义与选择、下钻分析、解释与结论等环节。
 
事件定义与选择
 
事件定义包括定义所关注的事件及事件窗口的长度，这也是事件分析法最为核心和关键的步骤。这里需要了解“Session”的概念，Session 即会话，是指用户在指定的时间段内在 APP、WEB 上发生的一系列互动。例如，一次会话可以包含多个网页或屏幕浏览、事件、社交互动和电子商务交易。当用户想了解“访问次数”、“平均交互深度”、“平均使用时长”、“页面平均停留时长”、“跳出率”、“页面退出率”等指标时，都需引入 Session 才能分析。因此，创建和管理 Session 是事件定义的关键步骤。
 
多维度下钻分析
 
最为高效的行为事件分析要支持任意下钻分析和精细化条件筛选。当行为事件分析合理配置追踪事件和属性，可以激发出事件分析的强大潜能，为企业回答关于变化趋势、维度对比等等各种细分问题。同时，还可以通过添加筛选条件，可以精细化查看符合某些具体条件的事件数据。
 
解释与结论
 
此环节要对分析结果进行合理的理论解释，判断数据分析结果是否与预期相符，如判断产品的细节优化是否提升了触发用户数。如果相悖，则应该针对不足的部分进行再分析与实证。
 
三、行为事件分析模型应用场景
 
场景一：互金行业常见的行为事件分析
 
某互联网金融客户运营人员发现，4月10日号来自新浪渠道的 PV 数异常标高，因此需要快速排查原因：是异常流量还是虚假流量？
 
企业可以先定义事件，通过“筛选条件”限定广告系列来源为“新浪”。再从其它多个维度进行细分下钻，比如“地理位置”、“时间”、“广告系列媒介”、“操作系统”、“浏览器”等。当进行细分筛查时，虚假流量无处遁形。下图为来源为“新浪”的各城市浏览页面的总次数。
 
 
图1 通过神策数据了解来源新浪的各城市浏览页面的总次数
 
在剔除虚假流量后，运营人员可进行其他用户行为分析。通过“投资成功”事件，查看各个时段的投资金额。若想知道每个产品类型的投资金额，此时再按照“产品类型”进行分组查看即可。如图2。
 
 
图2 通过神策数据了解不同产品投资成功的支付金额的总和
 
当用户投资到期后，后续行为可能是提现或继续投资，运营人员可以实时关注“提现率”的变化趋势。
 
 
图3 通过神策数据了解用户投资到期后提现率的变化情况
 
值得强调的是，行为事件分析方法是多种数据分析模型之一，它与其他分析模型存在无法割裂的关系。只有各分析模型实现科学互动和配合，能够科学揭示出用户个人／群体行为的内部规律，并据此做出理论推导，不断在工作实践中优化商业决策和产品智能。

用户行为分析模型
 
行为事件分析模型
 
 
研究：某行为事件的发生对企业组织价值的影响以及影响程度。
 
 
企业用途：追踪或记录的用户行为或业务过程，
 
  
如用户注册、浏览产品详情页、成功投资、提现等，
 
 
最终目的：通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。
 
 
指标查看的过程：
 
  
最近三个月来自哪个渠道的用户注册量最高？变化趋势如何？
各时段的人均充值金额是分别多少？
上周来自北京发生过购买行为的独立用户数
按照年龄段的分布情况？
每天的独立 Session 数是多少？
 
 
优点
 
行为事件分析法具有强大的筛选、分组和聚合能力，逻辑清晰且使用简单，已被广泛应用。
 
​
 
 
行为事件分析法一般经过事件定义与选择、下钻分析、解释与结论等环节。
 
  
 
事件定义与选择
 
事件描述的是，一个用户在某个时间点、某个地方、以某种方式完成了某个具体的事情。
 
    
 
Who、When、Where、What、How 是定义一个事件的关键因素。
 
 
Who 是参与事件的主体，
 
​ 对于未登陆用户，可以是 Cookie、设备 ID 等匿名 ID ;
 
​ 对于登录用户，可以使用后台配置的实际用户 ID;
 
 
When 是事件发生的实际时间，
 
​ 应该记录精确到毫秒的事件发生时间;
 
 
Where 即事件发生的地点，
 
​ 可以通过 IP 来解析用户所在省市;
 
​ 也可以根据 GPS 定位方式获取地理位置信息。
 
 
How 即用户从事这个事件的方式。
 
​ 用户使用的设备、浏览器、 APP 版本、渠道来源等等;
 
 
What 描述用户所做的这个事件的所有具体内容。
 
​ 比如对于“购买”类型的事件，
 
​ 则可能需要记录的字段有：
 
​ 商品名称、商品类型、购买数量、购买金额、付款方式等。
 
 
 
多维度下钻分析
 
变化趋势、维度对比等等各种细分问题
 
 
https://www.sohu.com/a/215001437_109461

如何理解多维数据中的维？
维是人们观察事物的角度，同样的数据从不同的维进行观察可能会得到不同的结果，同时也使人们更加全面和清楚地认识事物的本质

常见的多维分析操作主要有：钻取（上钻和下钻）、切片、切块、旋转。
钻取：钻取是改变维度的层次，变换分析的粒度。钻取包括上钻和下钻，

上钻是在某一维上将低层次的细节数据概括到高层次的汇总数据的过程，减少了分析的维数；

下钻则是相反，它是将高层次的汇总数据进行细化，深入到低层次细节数据的过程，增加了分析的维数。

切片和切块：在多维分析中，如果在某一维度上限定了一个值，则称为对原有分析的一个切片，如果对多个维度进行限定，每个维度限定为一组取值范围，则称为对原有分析的一个切块。
在多维分析中，维度都是按某一顺序进行显示，如果变换维度的顺序和方向，或交换两个维度的位置，则称为旋转。


上钻：从当前数据往上回归到上一层数据。例如：（某数据的分类下面分为品名）从品名列表收拢到分类列表。
下钻：从当前数据往下展开下一层数据。    例如：（某数据的分类下面分为品名）从分类列表展开到品名列表。
上钻、下钻统称钻取。
切片：展现同一层面的数据。如上述的产品。
转轴：这些应该属于查询、展现范畴。

 
​
 
 
解释与结论
 
对分析结果进行合理的理论解释，判断数据分析结果是否与预期相符，如判断产品的细节优化是否提升了触发用户数。如果相悖，则应该针对不足的部分进行再分析与实证。
 
 
 
案例
 
https://www.cnblogs.com/sssonia/p/9057414.html
 
 
用户留存分析
 
漏斗分析
 
用户行为路径分析
 
用户分群
 
点击分析

最近有些忙，但是看到了很好的分析模型也要跟大家分享的，这篇博客有些粗糙，主要是po上一些链接供大家学习，有时间的话，我也会写出自己关于用户行为分析的理解的。
 
下面是关于用户行为分析常见的分析维度，有助于为新手入门找到方向。
 
1.行为事件分析模型
 
行为事件分析法来研究某行为事件的发生对企业组织价值的影响以及影响程度。企业借此来追踪或记录的用户行为或业务过程，如用户注册、浏览产品详情页、成功投资、提现等，通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。
 
在日常工作中，运营、市场、产品、数据分析师根据实际工作情况而关注不同的事件指标。如最近三个月来自哪个渠道的用户注册量最高？变化趋势如何？各时段的人均充值金额是分别多少？上周来自北京发生过购买行为的独立用户数，按照年龄段的分布情况？每天的独立 Session 数是多少？诸如此类的指标查看的过程中，行为事件分析起到重要作用。
 
对这部分感兴趣的可以查看原文：http://www.woshipm.com/data-analysis/686576.html
 
 
 
2.用户留存分析模型
 
留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。
 
留存分析可以帮助回答以下问题：
 
一个新客户在未来的一段时间内是否完成了您期许用户完成的行为？如支付订单等；
某个社交产品改进了新注册用户的引导流程，期待改善用户注册后的参与程度，如何验证？
想判断某项产品改动是否奏效，如新增了一个邀请好友的功能，观察是否有人因新增功能而多使用产品几个月？
对这部分感兴趣的可以查看原文：http://www.woshipm.com/data-analysis/691457.html
 
 
 
3.漏斗分析模型
 
漏斗分析是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。
 
漏斗分析模型已经广泛应用于流量监控、产品目标转化等日常数据运营与数据分析的工作中。例如在一款产品服务平台中，直播用户从激活APP开始到花费，一般的用户购物路径为激活APP、注册账号、进入直播间、互动行为、礼物花费五大阶段，漏斗能够展现出各个阶段的转化率，通过漏斗各环节相关数据的比较,能够直观地发现和说明问题所在，从而找到优化方向。
 
对这部分感兴趣的可以查看原文：http://www.woshipm.com/data-analysis/697156.html
 
 
 
4.用户行为路径分析模型
 
用户路径分析，顾名思义，用户在APP或网站中的访问行为路径。为了衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，时常要对访问路径的转换数据进行分析。
 
以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或者期望中的路径。
 
对这部分感兴趣的可以查看原文：http://www.woshipm.com/data-analysis/704261.html
 
 
 
5.用户分群模型
 
用户分群数据分析方法是进行用户画像的关键数据分析模型，这是企业进行数据分析、精细化运营的第一步。用户分群即用户信息标签化，通过用户的历史行为路径、行为特征、偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析。
 
由于群体特征不同，行为会有很大差别，因此运营人员或者产品人员希望可以根据历史数据将用户进行划分，将具有一定规律特性的用户群体进行归类，进而再次观察该群体的具体行为。这就是用户分群的原理。
 
对这部分感兴趣的可以查看原文：http://www.woshipm.com/operate/726412.html
 
 
 
6.点击分析模型
 
点击分析具有分析过程高效、灵活、易用，效果直观的特点。点击分析采用可视化的设计思想与架构，简洁直观的操作方式，直观呈现访客热衷的区域，帮助运营人员或管理者评估网页的设计的科学性。
 
对这部分感兴趣的可以查看原文：http://www.woshipm.com/data-analysis/745306.html
 
 
 
 

 
 


 
▌ 一、什么是行为事件分析？
 
行为事件分析法主要用于研究某行为事件的发生对企业组织价值的影响以及影响程度。企业借此来追踪或记录用户行为及业务过程，如用户注册、浏览产品详情页、成功投资、提现等，通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。
 
在日常工作中，运营、市场、产品、数据分析师根据实际工作情况而关注不同的事件指标。如最近三个月来自哪个渠道的用户注册量最高？变化趋势如何？各时段的人均充值金额是分别多少？上周来自北京发生过购买行为的独立用户数，按照年龄段的分布情况？每天的独立 Session 数是多少？诸如此类的指标查看的过程中，行为事件分析起到重要作用。
 


 
▌ 二、行为事件分析的特点与价值
 
行为事件分析法具有强大的筛选、分组和聚合能力，逻辑清晰且使用简单，已被广泛应用。行为事件分析法一般包含事件定义与选择、下钻分析、解释与结论等环节。
 
事件定义与选择。事件描述的是，一个用户在某个时间点、某个地方、以某种方式完成了某个具体的事情。Who、When、Where、What、How 是定义一个事件的关键因素。其中：
 
 Who 是参与事件的主体，对于未登陆用户，可以是 Cookie、设备 ID 等匿名 ID ；对于登录用户，可以使用后台配置的实际用户 ID；
 
When 是事件发生的实际时间，应该记录精确到毫秒的事件发生时间；
 
Where 即事件发生的地点，可以通过 IP 来解析用户所在省市；也可以根据 GPS 定位方式获取地理位置信息。
 
How 即用户从事这个事件的方式。用户使用的设备、浏览器、 APP 版本、渠道来源等等；
 
What 描述用户所做的这个事件的所有具体内容。比如对于“购买”类型的事件，则可能需要记录的字段有：商品名称、商品类型、购买数量、购买金额、付款方式等。
 
多维度下钻分析。最为高效的行为事件分析要支持任意下钻分析和精细化条件筛选。当行为事件分析合理配置追踪事件和属性，可以激发出事件分析的强大潜能，为企业回答关于变化趋势、维度对比等等各种细分问题。同时，还可以通过添加筛选条件，可以精细化查看符合某些具体条件的事件数据。
 
解释与结论。此环节要对分析结果进行合理的理论解释，判断数据分析结果是否与预期相符，如判断产品的细节优化是否提升了触发用户数。如果相悖，则应该针对不足的部分进行再分析与实证。
 


 
▌ 三、行为事件分析应用场景
 
互金行业常见的行为事件分析
 
某互联网金融客户运营人员发现，4 月 10 日号来自新浪渠道的 PV 数异常高，因此需要快速排查原因：是异常流量还是虚假流量？
 
企业可以先定义事件，通过“筛选条件”限定广告系列来源为“新浪”。再从其它多个维度进行细分下钻，比如“地理位置”、“时间”、“广告系列媒介”、“操作系统”、“浏览器”等。当进行细分筛查时，虚假流量无处遁形。下图为来源为“新浪”的各城市浏览页面的总次数。
 

 
图 1 新浪来源的各城市浏览页面的总次数
 
在剔除虚假流量后，运营人员可进行其他用户行为分析。通过“投资成功”事件，查看各个时段的投资金额。若想知道每个产品类型的投资金额，此时再按照“产品类型”进行分组查看即可。如图 2。
 

 
图 2 不同产品投资成功的支付金额的总和

 
当用户投资到期后，后续行为可能是提现或继续投资，运营人员可以实时关注“提现率”的变化趋势。
 

 
图 3 用户投资到期后提现率的变化情况