近兩年來互聯網金融產品層出不窮，市場同質化嚴重，如何通過有效的數據分析實現精細化管理并提升用戶全生命周期價值，成為了互聯網金融行業創新的新風向。

全文分為三大部分：

1. “行為數據”是基礎：行為數據是寶藏卻少有充分開采出價值；
2. “理財業務”是核心：讓業務相關的各部門直接運用數據，加快在各部門間流轉以創造價值；
3. “驅動增長”是目標：以用戶為中心進行分析，經典分析場景重點關注。

一、“行為數據”是基礎

１、主動行為+被動行為

用戶行為，由自身素質和場景共同決定。回到用戶行為數據上，不僅是流量的或者交易的結果，不僅包括用戶的主動行為，還有被動行為，比如，在理財平臺系統反饋回來告訴用戶還沒有充值，這就是一個被動行為，同樣需要被采集，去分析。

２、影響行為的環境業務信息

我們強調，把更多心思放在影響環境的業務信息上，比如，在理財平臺上，我們應該知道用戶進入“我的帳戶”頁處于什么狀態，用戶當時有多少金額，當時在帳戶存多少錢，有多少收益，他是認證還是沒有認證，這些是我們后期去分析影響他轉化的關鍵點，是我們后期去看到底他為什么沒有做我想做的那個事情，要去看他背后環境的信息，業務的信息，或者某一個理財產品最近被看得非常多，可能僅僅是因為你在上面打了一個腳標，可能腳標就是一個促銷等，其實這只是用戶的從眾心理，覺得不錯就買了。

３、跨平臺的行為打通

互聯網是一個完整的生態，涉及到各個渠道，H5、APP、Web端等等，我們需要以一個唯一標識把用戶打通，他在這一個端的行為可能受到另一個端的影響，我們需要把各個平臺上的行為整合到一起才能有一個對用戶更加完整的認知。所以這些行為數據是一個做數據驅動的基礎。

為什么，在充值環節用戶流失嚴重？

——【理財產品】案例分析

這個問題是2016年某金融產品客戶提出的。

概括來說，理財類產品的用戶行為大致是，注冊→實名認證→綁卡→充值→投資，需要關注的，無非是注冊轉化充值，讓更多的錢進來。

之前，客戶也針對這一流失問題，花費很大的技術成本，進行過多次迭代，但提升卻不是很理想。之后通過諸葛io的數據展現，我們分析出用戶流失的真正原因。

行為數據顯示，當用戶點擊“充值”后，會因“未實名認證、未綁卡”等原因，而導致多次失敗，最終喪失耐心而白白流失掉。

二、“理財業務”是核心

１、定義關鍵有效的指標體系是數據驅動的第一步

理財產品的業務體系比較干凈，通過各個渠道及推廣方式獲客，不同的路徑有不同的轉化率，然后到達理財項目。

（１）以業務為核心，做數據增長首先回歸到業務上

圍繞數據驅動或者做增長的第一步，需要對現有的狀態有一個清晰的認知，有一套指標體系監控整個產品業務狀態。

以理財產品為例，用戶從訪問到提現離開，不管新、老用戶，當我們能夠圍繞業務將其行為梳理清楚后，就可以橫向在每一個階段對用戶進行監控衡量的指標，在訪問階段我們會更加看重整個基本流量的數據，獲客質量，你一定會發現，用戶邀請來的新客質量整體上還是比推廣活動帶來的新客質量高。

（２）將公司內部各部門的目標在體系里進行梳理

如果各個部門能夠從數據上來衡量自己的價值，能夠更加清晰公司的核心價值所在；這樣就做到了通過數據把整個公司的力量團結在一起，不斷提升共同的目標。

２、用戶活躍狀態對業務數據的影響

（１）流量：精準衡量拉新/促活/召回

流量是大家比較熟悉的，通常會關注活躍用戶數量和新增用戶數量，那我建議大家更多的關注你的相對高質量的新增用戶數量，關注你新增活躍占比的情況，關注你新增用戶里面一次性用戶的數量，這是能夠更好的去衡量你流量的價值。

（２）轉化：定位真正影響轉化的人群

我們會去看這些綁卡轉化率、投資轉化率，這里面是有坑的；比如投資轉化率，這個指標非常容易被大家忽略的就是用戶的第一次轉化率，因為在第一次轉化的時候，對整個流程是陌生的，對平臺的認知是剛剛建立的，再第一次轉化時候的數據才能真實的反應產品設計的情況；如果用戶是多次投資，轉化率基本上反應的就是用戶對業務員對項目的喜好程度。所以從路徑轉化的角度來講我們務必需要關注首次的問題，尤其是理財產品或者金融領域。除了業務還有一個用戶層級的轉化，從小白用戶轉化為忠實用戶，這是需要衡量的。

對于一些關鍵行為參與度的衡量，諸葛有一個模塊是粘性分析，可以衡量某個功能某個行為，用戶在一周里面觸發的頻次和天數，從而衡量他對我這個產品的依賴程度。

（３）留存：活躍各階段的留存都衡量

留存說實話新增留存率現在看有的時候有點太粗了，用來做衡量是沒有問題的，但是你想找問題就得做下鉆，首先那些沒有質量的用戶的留存我建議大家最好不要看，畢竟流量里面虛的假的太多了，如果每次都讓他去拉低你整個的留存的情況，那我覺得是毫無價值的，你都會錯過那些真正有價值的用戶。你其實有的時候要去看高質量新增用戶的留存率，把他們的東西提升上去才是真的重要，有些刷量的用戶怎么搞也提升不了。

活躍這個條件是可以被定義的，什么叫留存？咱們通常大家聊的用戶留存就是他活躍了，當他啟動過產品，我覺得這個用戶來了算留存，現在這個不好說，還是那句話，技術上可以玩得花樣比較多，那我更建議大家去定義一下留存的條件，比如他上來以后必須看過自己的帳戶頁或者看過一些理財產品，以這些條件定義他的留存會對我們有指導性。

留存分析的更進一步，就是用戶對整個產品的依賴性，對你的使用頻度越來越高這就是喜歡你。

所以，我們首先要有一個基本明確的目標，再做一個衡量，第二就是轉化，當轉化出了問題，很多時候都不一定是產品的問題，很多時候是用戶流量的問題，我們只要分清是新增用戶或者新增某一個渠道用戶，就可能找到影響轉化的人群，留存也是一樣的，不同類型的活躍狀態的用戶我們的留存要拆開衡量的，這才能更方便的讓我們發現潛在問題，甚至是一些價值點，這是各行各業都通用且極端重要的。

三、“驅動增長”是目標

１、以用戶為中心 分析問題洞察價值

每個企業都希望能更深層次的了解用戶，用戶行為數據分析正是通過用戶的每一次打開，每一次查閱，每一次跳轉，每一次微小事件，幫助企業客戶洞察用戶。諸葛io具有更好理解用戶的功能，比如用戶行為路徑分析，能夠建立一個整體且真實的用戶認知。

如何深入理解用戶？

比如，企業客戶改版上線了一個新功能，叫功能A，同時又優化了頁面視覺設計，另外針對此次改版又進行了一次推廣，最后留存沒有變化，那么問題來了：功能A對這個留存有沒有影響？

平常我們只能看到一個按時間線留存的情況，當多種條件混合在一起的時候，根本不能認定，到底是做了一次優化帶來了用戶體驗更好？還是新功能A，用戶體驗更好？無從確定。

所以，需要把用戶拆分出來，一類用戶是使用過功能A的，并且用戶不是從推廣渠道來的，而且是一個老用戶，并且在某一個時間段他活躍過，把這些條件組合在一起，和另一個沒有觸發過這些功能的用戶拆分開來，然后看不同用戶群的行為特點，留存的區別，漏斗的區別，交叉起來才能得出真正的結論。

２、三大分析模型幫你理解用戶

（１）用戶行為路徑分析

指的是用戶在進入產品以后的行為軌跡，用戶用了哪些功能模塊？用戶使用的順序是什么？通過分析用戶行為路徑，驗證用戶的使用是否和當初設計產品的邏輯是一致的。如果和產品設計邏輯偏差很大，就需要思考為什么？是設計的邏輯有問題？還是其他方面出現了問題？

如上圖，在用戶的一次啟動中，94.6%的用戶會搜索，搜索完77%的用戶搜到了，開始看產品詳情，其中又有62%的用戶加到了心愿單，可能說明用戶比較喜歡這種產品。

對群體行為的洞察，讓我們擁有了一個全局視野，除了知道用戶在怎么使用我們的產品，更重要的其實是對用戶行為背后的動機解讀。

（２）精細化用戶分群

根據用戶行為的特征將其按需拆分成不同屬性的用戶群，例如：做過A事件的人拆分成一個用戶群，做過B事件的拆分成另一個群，看群體用戶畫像有什么區別，看他的留存和回訪有什么區別。

精細化用戶分群可以用能想到的任何維度找到目標用戶，比如新增當日進行實名認證，查看且購買超短期理財產品的，來源為分眾傳媒（渠道）的用戶群。

（３）單體用戶行為跟蹤

人是分析的最基本元素，需要清楚的知道每一個用戶所處生命周期、活躍情況、環境信息等。有了用戶群的畫像以后，通過單體用戶行為跟蹤，我們就可以進一步追蹤到個人身上，通過對個體用戶行為的跟蹤，可以查看用戶具體是如何使用產品的。

用戶充值遇到了哪些問題？

——【理財產品】案例分析

通過用戶分群，可找到一些關鍵點，之后再細化就可以看用戶到底如何使用的。用戶能夠幫助我們驗證分析的猜想，第二，順著用戶的行為路徑我們可以感受用戶到底有怎樣的需求，他身處怎樣的場景，最后達到我們對用戶理解的方式，并不是所有的用戶都要看，只隨即抽三五個即可，這是理解用戶的最佳方式。以用戶為中心做分析，還原使用場景，找到產品的問題點或核心價值。

３、經典分析場景重點關注

新、老用戶對產品的不同期望：

新增用戶對產品的期望和老用戶對產品的期望完全不同，新增用戶需要安全感，老用戶需要新的活動收益點。

此前針對此問題進行了優化，不希望老用戶直接跳出離開，有可能超過30%的老用戶進來以后直接就跳到個人帳戶頁，這個過程企業更希望用戶能夠更多的留在首頁查看熱度商品，現在已有很多企業把今日收益等信息直接放在首頁，用戶可直接查看收益，注冊后將有業務活動項目等促使用戶轉化。所以，將用戶分層后逐步進行精細運營，讓用戶在其所在的層級之間做轉化，以提升整個用戶價值。

對于新手成長，從新手到最后復投，通常有兩個階段，一個是首投相關行為，整個綁卡充值的流程，決策時間，哪些品類對用戶首投有影響，要進行不間斷的監控，包括從試探性投資到放心充值。

用戶對于當日到賬、實時到賬的感覺是不一樣的，包括復投的分析，整個過程收益率的設計，是一個大場景，這個階段特別重要，對于新用戶的迭代和分析不容忽視，否則將導致用戶新增數、留存度出現問題。

結語

最后，強調三點：

1. 用戶行為，需要打通所有的數據孤島，把數據串聯起來；
2. 以用戶為中心，包括分層和活躍狀態，還有業務狀態，包括用戶生命周期是整個分析的核心；
3. 智能化，一些模型算法能夠直接給企業客戶提供改版分析、周期性的報告，以及優化關鍵點，使企業客戶的各部門均有自己的看法去看數據，更好的優化自己的業務。

作者：邱千秋

本文由 @邱千秋 原創發布于人人都是產品經理。未經許可，禁止轉載。