中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

在產(chǎn)品的運(yùn)營過程中，無論是產(chǎn)品、運(yùn)營還是市場團(tuán)隊(duì)，都希望能清晰地了解用戶的行為路徑，通過用戶行為分析，優(yōu)化用戶體驗(yàn)，實(shí)現(xiàn)更精準(zhǔn)的運(yùn)營和營銷。本文作者分享了銀行用戶行為分析要使用的6種分析模型，一起來看一下吧。

用戶行為分析就是通過對這些數(shù)據(jù)進(jìn)行統(tǒng)計(jì)、分析，從中發(fā)現(xiàn)用戶使用產(chǎn)品的規(guī)律，并將這些規(guī)律與網(wǎng)站的營銷策略、產(chǎn)品功能、運(yùn)營策略相結(jié)合，發(fā)現(xiàn)營銷、產(chǎn)品和運(yùn)營中可能存在的問題，解決這些問題就能優(yōu)化用戶體驗(yàn)、實(shí)現(xiàn)更精細(xì)和精準(zhǔn)的運(yùn)營與營銷，讓產(chǎn)品獲得更好的增長。

用戶行為將用戶做的每一件事都定義為一個(gè)事件，事件的串聯(lián)便構(gòu)成了用戶的行為鏈。比如用戶貸款、存款，這都是一個(gè)事件，在什么時(shí)間、什么平臺上、哪一個(gè)用戶ID、點(diǎn)擊了什么產(chǎn)品、為什么點(diǎn)擊購買按鈕。這是一個(gè)完整的事件，也是對用戶行為的一個(gè)定義，我們可以在網(wǎng)站或者是 APP 中定義千千萬萬個(gè)這樣的事件。

在產(chǎn)品的運(yùn)營過程中，無論是產(chǎn)品、運(yùn)營還是市場團(tuán)隊(duì)都希望能夠清晰地了解其用戶行為路徑，從紛繁的用戶行為中，尋找以下問題的答案：

1. 用戶從進(jìn)入產(chǎn)品到離開都發(fā)生了什么？主要遵循什么樣的行為模式？
2. 用戶是否按照產(chǎn)品設(shè)計(jì)引導(dǎo)的路徑在行進(jìn)？哪些步驟上發(fā)生了流失？
3. 用戶離開預(yù)想的路徑后，實(shí)際走向是什么？
4. 不同渠道的帶來的用戶，不同特征的用戶行為差異在哪里？哪類用戶更有價(jià)值？

有了這樣的事件以后，就可以把用戶行為連起來觀察。用戶首次使用手機(jī)銀行后就是一個(gè)新用戶，他可能要注冊，那么注冊行為就是一個(gè)事件。注冊要填寫個(gè)人信息，之后他可能開始搜索買東西，所有這些都是用戶行為的事件。

用戶行為可以用5W2H來總結(jié)：

一、用戶行為數(shù)據(jù)的獲取

用戶的行為數(shù)據(jù)并不是收集越多越好，而是有針對性地從用戶的需求角度出發(fā)，哪些行為數(shù)據(jù)對于我們分析用戶有幫助，便于我們更快的解決用戶需求問題，我們就收集哪種用戶行為數(shù)據(jù)。這些數(shù)據(jù)可以幫助我們更好的了解用戶，從而提升產(chǎn)品的設(shè)計(jì)與體驗(yàn)，優(yōu)化自己的產(chǎn)品，提升產(chǎn)品與用戶的交互效率。

用戶所有的渠道做了些什么，在什么時(shí)間操作的，做了哪些操作，用戶的基礎(chǔ)信息等，不管還是運(yùn)營或是產(chǎn)品，我們需要掌握以下用戶數(shù)據(jù)：

• 用戶的基本信息：用戶性別、用戶年齡、用戶職業(yè)、聯(lián)系方式、愛好等。
• 用戶常訪問的頁面、產(chǎn)品，用戶的訪問軌跡。
• 用戶經(jīng)常使用功能或者工具。
• 用戶搜索的關(guān)鍵詞匯。
• 用戶長期集中在哪些時(shí)間使用。
• 用戶從什么渠道來訪問銀行的產(chǎn)品。
• 用戶購買了什么產(chǎn)品。
• 用戶的消費(fèi)情況。
• 用戶長期瀏覽的內(nèi)容哪種較多。
• 用戶的使用時(shí)長。

用戶行為數(shù)據(jù)的采集方式，一般采用埋點(diǎn)方式，分為無埋點(diǎn)和代碼埋點(diǎn)。

無埋點(diǎn)是前端的一種埋點(diǎn)方式， 在產(chǎn)品中嵌入SDK，最統(tǒng)一的埋點(diǎn)，通過界面配置的方式對關(guān)鍵的行為進(jìn)行定義，完成埋點(diǎn)采集，這種是前端埋點(diǎn)方式之一。

代碼埋點(diǎn)，這個(gè)也是目前使用的最多埋點(diǎn)方式，代碼埋點(diǎn)分為前端代碼埋點(diǎn)和后

端代碼埋點(diǎn)，前端埋點(diǎn)類似于全埋點(diǎn)，也需要嵌入SDK，不同的是對于每個(gè)事件行為都需要調(diào)用SDK代碼，傳入必要的事件名，屬性參數(shù)等等，然后發(fā)到后臺數(shù)據(jù)服務(wù)器。

代碼埋點(diǎn)是非常傳統(tǒng)、非常普遍的方式，通過寫代碼去定義這個(gè)事件。在手機(jī)銀行里監(jiān)測用戶行為數(shù)據(jù)的地方加載一段代碼，比如說注冊、滑動(dòng)、填寫信息等。

二、用戶行為分析應(yīng)用場景

有了用戶行為數(shù)據(jù)之后，可以應(yīng)用在哪些場景呢？

• 拉新：渠道分析、SEM分析、用戶質(zhì)量分析。
• 轉(zhuǎn)化：新增用戶注冊轉(zhuǎn)化、Push推送、產(chǎn)品使用過程轉(zhuǎn)化（如產(chǎn)品推薦、貸款、理財(cái)）。
• 促活：用戶停留時(shí)長、用戶行為分布，比如活躍度分析可根據(jù)月活躍天數(shù)分為低中高活。
• 留存：用戶留存分析。

三、用戶行為分析模型

用戶行為分析包括：行為事件分析、用戶留存分析、漏斗模型分析、用戶路徑分析、分布分析、歸因分析。

1. 行為事件分析

行為事件分析方法主要用于深度研究某行為事件，以及對產(chǎn)品的影響以及影響程度。

行為事件分析法具有強(qiáng)大的篩選、分組和聚合能力，邏輯清晰且使用簡單，已被廣泛應(yīng)用。行為事件分析法一般經(jīng)過事件定義與選擇、下鉆分析、解釋與結(jié)論等環(huán)節(jié)。

事件定義與選擇。事件描述的是，一個(gè)用戶在某個(gè)時(shí)間點(diǎn)、某個(gè)地方、以某種方式完成了某個(gè)具體的事情。Who、When、Where、What、How是定義一個(gè)事件的關(guān)鍵因素。

針對某一具體行為，全面的描述、對比，針對其異常表象深度下鉆分析各維度、確認(rèn)導(dǎo)致該行為數(shù)據(jù)表現(xiàn)的原因。如貸款產(chǎn)品申請：同期對比分析，確認(rèn)上個(gè)月是否有發(fā)生過，對比 去年/上個(gè)季度/上月/上周/昨日的 數(shù)據(jù)的相對表現(xiàn)。

多事件對比分析。對比登陸、點(diǎn)擊產(chǎn)品、申請事件的數(shù)據(jù)是否存在徒增。通過對比多個(gè)事件，確認(rèn)徒增現(xiàn)象發(fā)生的范圍。

所以在三個(gè)方面分析：

1. 監(jiān)控程序是否異常？
2. 在哪個(gè)產(chǎn)品的點(diǎn)擊增加呢？-> 對應(yīng)頁面做了哪些調(diào)整？
3. 是否增加了渠道引流；哪一部分用戶群的播放量增加了？

交叉分析，用戶自然屬性（平臺、性別、年齡、地域、教育學(xué)歷、機(jī)型、消費(fèi)能力）、行為屬性（新增、回流、?；钴S用戶；）。

行為事件分析法來研究用戶的具體操作行為對銀行業(yè)務(wù)的影響，銀行的運(yùn)營團(tuán)隊(duì)可以追蹤或記錄用戶的行為或業(yè)務(wù)過程，如用戶注冊、瀏覽理財(cái)產(chǎn)品頁、轉(zhuǎn)帳、存款等行為，通過研究與事件發(fā)生關(guān)聯(lián)的所有因素來挖掘用戶行為事件背后的原因、交互影響等因素。在用戶行為數(shù)據(jù)分析中，事件是指用戶操作產(chǎn)品的某個(gè)行為，即用戶在產(chǎn)品內(nèi)做了什么事情，轉(zhuǎn)為描述性語言就是“操作+對象”。事件類型包括：注冊、登陸、綁卡、實(shí)名認(rèn)證、交易等。

通過事件分析我們可以準(zhǔn)確了解產(chǎn)品內(nèi)發(fā)生的事件量，根據(jù)產(chǎn)品特性合理配置追蹤，輕松回答關(guān)于變化趨勢、分緯度對比等問題，

例如：

• 某個(gè)時(shí)間段用戶信用卡開戶的數(shù)據(jù)、用戶數(shù)？對比昨日提升了多少？
• 某個(gè)渠道的開戶數(shù)是多少？第一季度排名前十的開戶渠道是哪些？
• 信用卡綁卡的安卓和ios的占比分別是多少？

2. 留存分析

留存是衡量用戶是否再次使用產(chǎn)品的指標(biāo)，也是每一個(gè)app賴以生存的指標(biāo)，能夠反映任何一款產(chǎn)品健康度，是產(chǎn)品、運(yùn)營、推薦效果的整體表現(xiàn)。如果一個(gè)app從來沒有留存用戶，那DAU將永遠(yuǎn)是新增用戶，那么產(chǎn)品將無法運(yùn)行下去，更別說新用戶成本付諸東流。

留存用戶：如果用戶登陸后產(chǎn)生的交易行為，過了一個(gè)月又產(chǎn)生的相應(yīng)的行為，即認(rèn)定該用戶為留存用戶。

留存行為：某個(gè)目標(biāo)用戶完成了起始行為之后，在后續(xù)日期完成了特定的留存行為，則留存人數(shù)+1。留存行為一般與我們的目標(biāo)有強(qiáng)相關(guān)性，我們在進(jìn)行留存分析時(shí)，一定要根據(jù)自身業(yè)務(wù)的實(shí)際需要，確定高價(jià)值的留存行為，才能對產(chǎn)品的優(yōu)化提供指導(dǎo)性建議。

留存率：是指“留存行為用戶”占“起始行為用戶”的比例，常見指標(biāo)有次日留存率、7日留存率、次月留存率等。

貼合業(yè)務(wù)屬性、精細(xì)化留存過程 將對留存數(shù)據(jù)更有價(jià)值和指導(dǎo)意義。通過留存分析，能夠剖析用戶留在產(chǎn)品的原因，從而優(yōu)化產(chǎn)品核心功能提升留存。

3. 漏斗分析

漏斗分析實(shí)質(zhì)是轉(zhuǎn)化分析，是通過衡量每一個(gè)轉(zhuǎn)化步驟的轉(zhuǎn)化率，通過轉(zhuǎn)化率的異常數(shù)據(jù)找出有問題的環(huán)節(jié)并解決，進(jìn)而實(shí)現(xiàn)優(yōu)化整個(gè)流程的完成率。

漏斗分析是一套流程式的數(shù)據(jù)分析模型，通過將用戶行為為起始的各個(gè)行為節(jié)點(diǎn)作為分析模型節(jié)點(diǎn)，來衡量每個(gè)節(jié)點(diǎn)的轉(zhuǎn)化效果，一般通過橫線柱狀圖呈現(xiàn)。漏斗分析能幫助我們清晰的地了解在一個(gè)多步驟的過程中，展示各個(gè)階段的轉(zhuǎn)化率，通過漏斗各環(huán)節(jié)相關(guān)數(shù)據(jù)的比較，能夠直觀的發(fā)現(xiàn)和說明問題所在，找出流失原因，提升轉(zhuǎn)化表現(xiàn)。對于業(yè)務(wù)流程相對規(guī)范、周期較長、環(huán)節(jié)較多的流程分析，能夠直觀的發(fā)現(xiàn)問題。漏斗分析中我們需要清晰以下3個(gè)基本概念：

1. 步驟：這里是指用戶行為，由事件加篩選條件。
2. 時(shí)間范圍：指漏斗每一步發(fā)生的時(shí)間范圍。
3. 轉(zhuǎn)化周期：指用戶完成漏斗的時(shí)間限制，漏斗分析只統(tǒng)計(jì)在這個(gè)時(shí)間范圍的具體轉(zhuǎn)化。

漏斗分析可以度量用戶每個(gè)環(huán)節(jié)的轉(zhuǎn)化率和整體操作轉(zhuǎn)化率的對比情況，除了看到每個(gè)步驟及總的轉(zhuǎn)化情況，還可以按照時(shí)間維度，來監(jiān)控每一環(huán)節(jié)和總轉(zhuǎn)化率的趨勢。通過漏斗分析趨勢圖分析按天、周、月轉(zhuǎn)化的趨勢。

4. 路徑分析

路徑分析可以將紛雜的app日志按照用戶的使用過程，呈現(xiàn)出“明確的”用戶現(xiàn)存路徑。發(fā)現(xiàn)路徑問題，進(jìn)而優(yōu)化，使用戶盡可能短路徑體驗(yàn)到產(chǎn)品核心價(jià)值。

用戶訪問路徑分析的價(jià)值就是基于大量用戶訪問行為的統(tǒng)計(jì)，挖掘用戶訪問規(guī)律，找出大家最常走的一些路，優(yōu)化這些路的路徑，讓路徑更短，提升用戶體驗(yàn)，對于用戶很少走的路，可以砍掉，為產(chǎn)品做減法。用戶到底看上了哪一點(diǎn)才來的，又是因?yàn)槭裁丛蜃吡?，我們的忠?shí)用戶喜歡我們產(chǎn)品的什么？諸如此類的問題思考得更深入，更全局一點(diǎn)，那就是日常產(chǎn)品、運(yùn)營或者市場部門等所關(guān)注的幾大核心問題。

用戶從進(jìn)來到離開都做了什么，哪些是必經(jīng)之路？

目前的用戶行為表現(xiàn)是否契合產(chǎn)品的設(shè)計(jì)和引導(dǎo)，他們在哪些關(guān)鍵節(jié)點(diǎn)流失掉了？

用戶偏離為其設(shè)計(jì)的路徑后，選擇了什么樣的路徑，這些路徑有什么特點(diǎn)或者好的地方？

根據(jù)不同維度進(jìn)行分類的用戶群有什么行為上的相似和不同，說明了什么？

此外，路徑分析不僅僅可以用于行為路徑分析，也可以用于用戶群體轉(zhuǎn)化分析。例如：新用戶中分別轉(zhuǎn)化為 忠實(shí)用戶、?；钴S用戶、潛在流失用戶、流失用戶的分析。

5. 分布分析

分布分析是用戶在特定指標(biāo)下的頻次、總額度等的歸類展現(xiàn)，分析用戶在不同地區(qū)、不同時(shí)段所購買不同類型的產(chǎn)品次數(shù)、交易頻次，幫助運(yùn)營人員了解當(dāng)前的用戶狀態(tài)。

作為運(yùn)營和產(chǎn)品團(tuán)隊(duì)想要集中優(yōu)化最重要的頁面，需要知道關(guān)鍵頁面瀏覽量的頻次分布，找到對用戶影響最大的頁面；作為運(yùn)營人員需要知道貢獻(xiàn)值靠前的用戶分群，集中資源用于中重點(diǎn)用戶。分布分析圖不僅能洞察用戶行為分布規(guī)律，還能作為事件分析、用戶分群等功能的重要補(bǔ)充。

例如，貸款業(yè)務(wù)模型一般為：收入=訪問用戶數(shù) x 轉(zhuǎn)化率 x 貸款金額 x 利率。

6. 歸因分析

歸因分析是要解決就是獲客和運(yùn)營的效果，其主要把資源投放到哪些渠道，隨著營銷獲客成本越來越高，用戶轉(zhuǎn)化路徑越來越復(fù)雜，我們需要通過歸因分析找到最具價(jià)值的和最具潛力的接觸點(diǎn)，在節(jié)省營銷投放費(fèi)用的同時(shí)，更好地提升用戶轉(zhuǎn)化。常見的歸因分析方法：線性歸因、首次歸因、末次歸因、基于位置歸因等。

• 首次歸因模型：在回溯期內(nèi)給首次觸點(diǎn)的轉(zhuǎn)化功勞分配100%，給其余觸點(diǎn)分配0%。
• 最終歸因模型：在回溯期內(nèi)，一次轉(zhuǎn)化被各觸點(diǎn)平均分配。例如，用戶的一次轉(zhuǎn)化接觸了5個(gè)觸點(diǎn)，那么5個(gè)觸點(diǎn)中的每個(gè)觸點(diǎn)都被分配20%的功勞。
• 線性歸因模型：在回溯期內(nèi)，一次轉(zhuǎn)化被各觸點(diǎn)平均分配。例如用戶的一次轉(zhuǎn)化接觸了5個(gè)觸點(diǎn)，那么5個(gè)觸點(diǎn)中每個(gè)觸點(diǎn)都被分配20%的功勞。
• 位置歸因模型：在回溯期內(nèi)，給用戶的首次觸點(diǎn)的分配40%，給末次分配40%，給其余中間位平均分配20%。
• 時(shí)間衰減歸因模型 ：按用戶觸點(diǎn)發(fā)生的時(shí)間順序分配轉(zhuǎn)化貢獻(xiàn)，距離「目標(biāo)事件」發(fā)生的時(shí)間越近，用戶觸點(diǎn)分配的轉(zhuǎn)化貢獻(xiàn)越多。

在上述站內(nèi)歸因的例子中，如果按照時(shí)間衰減歸因模型，轉(zhuǎn)化貢獻(xiàn)將會(huì)是首頁Banner位貢獻(xiàn)10%、運(yùn)營位貢獻(xiàn)20%、搜索框貢獻(xiàn)30%、推薦位貢獻(xiàn)40%。

具體選擇何種歸因分析模型來衡量和評估用戶觸點(diǎn)對總體轉(zhuǎn)化目標(biāo)達(dá)成所作出的貢獻(xiàn)，需要銀行結(jié)合自身的業(yè)務(wù)場景和分析需求，選擇相應(yīng)的歸因分析模型。

隨著產(chǎn)品內(nèi)用戶行為路徑的日益復(fù)雜，只有通過歸因分析讓用戶走的每關(guān)鍵一步都“算數(shù)”，才能合理地優(yōu)化各用戶觸點(diǎn)的排列組合，高效分配各用戶觸點(diǎn)的資源投入。

沒有完美的歸因模型，任何模型都存在局限性和不足的，現(xiàn)在的互聯(lián)網(wǎng)環(huán)境越來越復(fù)雜，觸發(fā)用戶的終端設(shè)備越來越多，用戶從第一次觸發(fā)到最終做轉(zhuǎn)化決策這個(gè)過程并不是模型能夠完全，準(zhǔn)確概括的。歸因一般跟用戶識別、打通有密切的關(guān)系，需要有規(guī)范的數(shù)據(jù)采集流程去保證埋點(diǎn)的準(zhǔn)確性，從而保證數(shù)據(jù)的有效性。

數(shù)據(jù)運(yùn)營的核心在于運(yùn)營而非簡單的數(shù)據(jù) ，數(shù)據(jù)運(yùn)營的本質(zhì)是運(yùn)營。數(shù)據(jù)分析一定是為運(yùn)營服務(wù)的，脫離運(yùn)營本身去談數(shù)據(jù)分析是沒有價(jià)值的。想要通過數(shù)據(jù)分析解決運(yùn)營的什么樣的問題，人群分析，從而更好地制定后續(xù)的運(yùn)營策略？或者想要從數(shù)據(jù)現(xiàn)象得到一定的數(shù)據(jù)洞察，從而更好地制定后續(xù)的精細(xì)化運(yùn)營策略。

四、小結(jié)

用戶行為分析是一門科學(xué)，善于獲取數(shù)據(jù)、分析數(shù)據(jù)、應(yīng)用數(shù)據(jù)，是每個(gè)人做好工作的基本功，每家企業(yè)都應(yīng)該加強(qiáng)對用戶行為分析大數(shù)據(jù)的應(yīng)用，從數(shù)據(jù)中找出規(guī)律，用數(shù)據(jù)驅(qū)動(dòng)企業(yè)增長。

數(shù)據(jù)分析有一定專業(yè)性，不僅需要掌握不同的分析方法，還要熟悉業(yè)務(wù)，結(jié)合業(yè)務(wù)才能給出有價(jià)值的分析結(jié)果。

數(shù)字化時(shí)代，如果銀行內(nèi)部不能利用數(shù)據(jù)分析做好精細(xì)化運(yùn)營，將產(chǎn)生巨大的資源浪費(fèi)，勢必會(huì)讓銀行的運(yùn)營成本高漲，缺乏競爭力。

對于銀行來說，傳統(tǒng)的數(shù)據(jù)分析主要針對結(jié)果類的數(shù)據(jù)進(jìn)行分析，而缺乏對產(chǎn)生結(jié)果的用戶行為過程的分析，因此數(shù)據(jù)分析的價(jià)值相對較局限，這也是為什么近幾年很多銀行感覺做了充分的數(shù)據(jù)分析，但卻沒有太大效果的原因。通過對用戶行為的5W2H進(jìn)行分析可以掌握用戶從哪里來，進(jìn)行了哪些操作，為什么流失，從哪里流失等等。從而提升用戶體驗(yàn)，平臺的轉(zhuǎn)化率，用精細(xì)化運(yùn)營使銀行獲得業(yè)務(wù)增長。