在這個(gè)時(shí)代，每個(gè)互聯(lián)網(wǎng)人都在談?wù)摂?shù)據(jù)。每個(gè)產(chǎn)品經(jīng)理都在談?wù)摂?shù)據(jù)分析的時(shí)代。用戶行為分析的重要性正變得越來越突出。那么產(chǎn)品經(jīng)理如何進(jìn)行用戶行為分析呢？讓大家分享。

首先，為什么要進(jìn)行用戶行為分析

觀點(diǎn)1：預(yù)計(jì)某些功能將由整個(gè)平臺(tái)的用戶完成。沒有必要使用人工評(píng)估。去做就對(duì)了。用戶行為分析是一種無法進(jìn)行分析的表單。

觀點(diǎn)2：我這么多年來一直從事這個(gè)行業(yè)。用戶需要什么？我不知道？我是用戶，我可以代表他們，我的需求就是他們的需求。

觀點(diǎn)3：您只需要進(jìn)行充分的研究和分析，例如需求研究，產(chǎn)品使用研究，找到更多目標(biāo)用戶，讓他們提供一些反饋，并根據(jù)反饋?zhàn)龀龈淖儭?

觀點(diǎn)4：不要總是按照用戶的想法來做產(chǎn)品。產(chǎn)品設(shè)計(jì)的核心是產(chǎn)品經(jīng)理的想法，而不是用戶的意見。

以上幾點(diǎn)實(shí)際上是錯(cuò)誤的。如果產(chǎn)品經(jīng)理有這樣的想法，那將對(duì)他非常不利。我們來看兩個(gè)案例：

案例1：成長IO翻新前后的比較

視頻介紹功能是所有用戶想要的，因此成長IO毫不猶豫地將視頻放在主頁上，然后注冊(cè)轉(zhuǎn)換率下降了50％，并且持續(xù)觀察了兩周，注冊(cè)轉(zhuǎn)換率仍然沒有回滾顯著，回滾到上一版本，注冊(cè)轉(zhuǎn)換率逐漸恢復(fù)。結(jié)論：

一些用戶的意見不能代表所有用戶的真實(shí)感受，視頻介紹可能是偽需求。

產(chǎn)品經(jīng)理的主觀感受不能代表用戶的真實(shí)體驗(yàn)，也沒有人能代表用戶。

視頻介紹分散了用戶的注意力，導(dǎo)致主頁注冊(cè)轉(zhuǎn)換率大幅下降。

案例2：Facebook修訂后回滾

Facebook改版后，頁面更加清爽，顯示區(qū)??域更大，圖片和視頻突出顯示，信息更豐富。 Facebook產(chǎn)品經(jīng)理和交互設(shè)計(jì)師對(duì)此版本非常有信心。但是，在發(fā)布10％灰度后，用戶的平均在線時(shí)間減少了50％。一個(gè)月后，數(shù)據(jù)仍未改善。

互聯(lián)網(wǎng)產(chǎn)品是以數(shù)據(jù)為導(dǎo)向的，而不僅僅是基于他們自己的主觀感受。

產(chǎn)品設(shè)計(jì)太先進(jìn)，產(chǎn)品版本的迭代版本之間沒有過渡，用戶無法習(xí)慣。

因此，可以說數(shù)據(jù)分析在日常工作中起著不可或缺的作用。 1.用戶行為分析不正式，不用于分析，即使對(duì)于核心用戶的需求，也必須通過數(shù)據(jù)驗(yàn)證，沒有人能夠代表真實(shí)用戶。 2.產(chǎn)品經(jīng)理必須具有自我創(chuàng)新和自我否定意識(shí)。用戶的需求正在發(fā)生變化，而不是過于依賴過去的經(jīng)驗(yàn)，過去的經(jīng)驗(yàn)不可靠，只有數(shù)據(jù)才是最可靠的。 3，用戶分析和研究一方面只是為產(chǎn)品提供思路，但是否有利于產(chǎn)品的長期發(fā)展或通過數(shù)據(jù)說話。 4.用戶端產(chǎn)品應(yīng)基于用戶體驗(yàn)并以數(shù)據(jù)為導(dǎo)向。

二，數(shù)據(jù)指標(biāo)和名詞含義

1.流量來源：流量來源是指網(wǎng)站的來源，如來自知識(shí)的用戶，來自微博等。它主要用于統(tǒng)計(jì)分析每個(gè)渠道的促銷效果。

2，PV：PV（頁面視圖）是頁面查看量或點(diǎn)擊量，是指每次刷新頁面時(shí)刷新的頁數(shù)，即使它是PV流量。

3，UV：UV（獨(dú)立訪客）是獨(dú)立訪客的??數(shù)量，在同一天，UV只記錄第一次進(jìn)入具有單獨(dú)IP訪問者的網(wǎng)站，在同一天再訪問該網(wǎng)站不計(jì)算在內(nèi)。 PV與UV的比率在一定程度上反映了產(chǎn)品的粘度。比率越高，粘度越高。

4. IP號(hào)：IP的數(shù)量是獨(dú)立IP的接入用戶數(shù)，是指一天內(nèi)使用不同IP地址訪問網(wǎng)站的用戶數(shù)。 IP編號(hào)可能與UV不同（可以盡可能大或?。?/p>

5，每日/每月直播：每日活躍用戶（DAU）/每月活躍用戶（MAU），反映網(wǎng)站或APP的用戶活動(dòng)，用戶粘性。

6，第二天保留/下個(gè)月保留：第二天保留，下個(gè)月保留網(wǎng)站反映或APP保留率。

7.用戶保留率：指單位時(shí)間內(nèi)滿足有效用戶條件的用戶數(shù)與生成的實(shí)際用戶數(shù)之比，也稱為用戶保留率。

8.轉(zhuǎn)換率/流失率：轉(zhuǎn)換率通常用于計(jì)算兩個(gè)流程之間的轉(zhuǎn)換率。流失率也是一個(gè)重要的數(shù)據(jù)指標(biāo)。用戶流失率=總流失用戶/總用戶數(shù)。

9.跳出率：指用戶到達(dá)網(wǎng)站時(shí)只能查看一頁的訪問次數(shù)（PV）和所有訪問次數(shù)的百分比。跳出率越高，越不受歡迎。

10.退出率：從該頁面離開網(wǎng)站的訪問百分比（PV）占特定頁面對(duì)該頁面的訪問次數(shù)的百分比。跳出率適用于您訪問的目標(biāo)網(wǎng)頁（用戶訪問的第一頁），退出率適用于退出的任何網(wǎng)頁。

11，使用時(shí)長：用戶每天使用的時(shí)間。對(duì)于游戲或社交產(chǎn)品，使用時(shí)間越長，用戶就越喜歡它。通常，使用時(shí)間越短，產(chǎn)品的粘度越差，并且用戶喜歡它越少。

12，ARPU：每用戶平均收入，每用戶平均收入在一定時(shí)間內(nèi)，ARPU=總收入/用戶數(shù)。

三，如何進(jìn)行用戶行為分析——三個(gè)概念

1.建立數(shù)據(jù)驅(qū)動(dòng)的值

有必要建立數(shù)據(jù)驅(qū)動(dòng)值并充分認(rèn)識(shí)數(shù)據(jù)的價(jià)值。就業(yè)方向：統(tǒng)計(jì)，協(xié)助，優(yōu)化和創(chuàng)新。業(yè)務(wù)實(shí)現(xiàn)是最根本的目標(biāo)：用戶使用→生成數(shù)據(jù)→商業(yè)現(xiàn)金

2，必須有用戶行為分析方法

在用戶行為分析中，底層生成的值越低，頂層生成的值越高。進(jìn)行用戶行為分析應(yīng)側(cè)重于最有價(jià)值的分析和決策。把更多的時(shí)間放在分析和應(yīng)用上，而不是數(shù)據(jù)收集上。

AARRR模型在進(jìn)行用戶行為分析時(shí)，應(yīng)考慮用戶所在的AARRR模型的哪個(gè)部分，關(guān)鍵數(shù)據(jù)指標(biāo)是什么，以及相應(yīng)的分析方法是什么。

當(dāng)我們對(duì)產(chǎn)品有所了解時(shí)，我們使用MVP來構(gòu)建它。功能在線后，我們會(huì)測(cè)量用戶和市場(chǎng)響應(yīng)，以便我們繼續(xù)學(xué)習(xí)和優(yōu)化。

3.使用強(qiáng)大的用戶行為分析工具

如谷歌分析，上帝政策數(shù)據(jù)，成長IO等等。

四，如何進(jìn)行用戶行為分析— —八種方法

1.內(nèi)部和外部因素分析

此方法有助于快速定位問題。例如，一個(gè)金融產(chǎn)品紫外線下降，快速分析相關(guān)原因。內(nèi)部可控因素：渠道變化，近期在線更新版本，內(nèi)部不可控因素：企業(yè)戰(zhàn)略變化，外部可控因素：弱勢(shì)旺季，外部不可控因素：監(jiān)管。

2.事件分析

事件維度：用戶在產(chǎn)品和業(yè)務(wù)流程中的行為。指標(biāo)：具體值，訪客，地址，綜合瀏覽量（PV，UV），逗留時(shí)間。趨勢(shì)分析：個(gè)別事件趨勢(shì)分析

通過事件分析，例如分析用戶的在線持續(xù)時(shí)間，點(diǎn)擊事件，下載事件等，然后分析用戶的行為。并通過各種類型的圖標(biāo)來分析用戶的行為趨勢(shì)，從而初步了解用戶的行為。

3.試點(diǎn)分析

說白了，當(dāng)你發(fā)現(xiàn)問題時(shí)，不要擔(dān)心，只需考慮解決方案，然后以灰度發(fā)布。如果灰度發(fā)布的人口數(shù)據(jù)更好，則將其推送到整個(gè)用戶組。

這是一種從單個(gè)問題到整體影響以及從單一解決方案中找到縮放解決方案的方法。

4.漏斗模型

漏斗模型是最常用的分析方法，可廣泛用于日常數(shù)據(jù)操作，如流量監(jiān)控和產(chǎn)品目標(biāo)轉(zhuǎn)換。根據(jù)實(shí)際需要確定是否需要進(jìn)行漏斗分析，如用戶注冊(cè)流程，訂單流程，主流程，需要使用漏斗模型進(jìn)行分析，尤其需要分析哪個(gè)部分的漏斗用戶失去了最嚴(yán)重的。

5.保留分析

通過保留分析，分析用戶的第二天保留，子周保留，下個(gè)月保留等。第二天保留率可以指示用戶是否對(duì)連續(xù)使用此產(chǎn)品感興趣。對(duì)于社交和游戲產(chǎn)品，第二天保留非常重要。

6.行為軌跡分析

無法通過PV，UV分析和退出率分析了解大多數(shù)用戶如何使用此產(chǎn)品。只有通過記錄用戶的行為軌跡，您才能注意用戶如何真正使用該產(chǎn)品。用戶體驗(yàn)設(shè)計(jì)是用戶行為的設(shè)計(jì)。通過行為軌跡分析，它可以幫助產(chǎn)品經(jīng)理直接向用戶設(shè)計(jì)產(chǎn)品。

示例：通過對(duì)用戶行為軌跡的分析，發(fā)現(xiàn)大多數(shù)用戶不退出轉(zhuǎn)換率，而是返回上一頁。猜猜：當(dāng)前頁面信息不足，用戶猶豫不決，想要返回上一頁然后了解產(chǎn)品。 。

7，A/B測(cè)試

A/B測(cè)試是一種產(chǎn)品優(yōu)化方法。 AB測(cè)試基本上是一個(gè)單獨(dú)的組間實(shí)驗(yàn)。 A和B的兩個(gè)不同版本同時(shí)發(fā)送到兩個(gè)幾乎相同的用戶組以觀察兩個(gè)用戶組。數(shù)據(jù)反饋。

A/B測(cè)試是一個(gè)“優(yōu)先級(jí)”的實(shí)驗(yàn)系統(tǒng)，它是一個(gè)預(yù)測(cè)性結(jié)論，與“后驗(yàn)”的歸納結(jié)論完全不同。 A/B測(cè)試的目的是通過科學(xué)實(shí)驗(yàn)設(shè)計(jì)，樣本樣本表示，流量分割和小流量測(cè)試獲得代表性的實(shí)驗(yàn)結(jié)論，并且認(rèn)為該結(jié)論有利于所有流量。

8.單擊“分析”

通過單擊分析，您可以直觀地看到用戶的注意力集中在此頁面上，以及用戶最常用的功能是什么。促進(jìn)產(chǎn)品經(jīng)理對(duì)用戶行為的全面了解有助于產(chǎn)品經(jīng)理引導(dǎo)用戶達(dá)到他們想要的方向。

以上是我個(gè)人總結(jié)的產(chǎn)品經(jīng)理用戶行為分析方法，歡迎添加和交流。

作者：秦世明，現(xiàn)金貸款互聯(lián)網(wǎng)產(chǎn)品經(jīng)理，互聯(lián)網(wǎng)安全產(chǎn)品經(jīng)理。

本文最初由@秦時(shí)明月出版。未經(jīng)許可，禁止復(fù)制。

該地圖來自u(píng)nsplash，基于CC0協(xié)議

« 2018年云棲會(huì)議| Youmeng +劉艷明：數(shù)據(jù)打開智能零售升級(jí)引擎 | 需求升級(jí)，甘來科技如何重新尋找新零售？ »