五大經典業務分析模型「客戶分析模型有哪些」

在產品的設計與運營過程中，通過數據對用戶行為進行分析，我們可以總結分析出用戶行為與產品之間的關聯，並針對性地對產品做出改進。

一、常見用戶行為分析模型

在數據分析的大框架下，通過對用戶行為監測獲得的數據進行分析研究的行為歸結於用戶行為分析。用戶行為分析可以讓產品更加詳細、清楚地了解用戶的行為習慣，從而找出網站、app、推廣渠道等產品存在的問題，有助於產品發掘高轉化率頁面，讓產品的營銷更加精準、有效，提高業務轉化率。

用戶分析是用戶中心的設計流程中的第一步。是一種理解用戶，將他們的目標、需求與商業宗旨相匹配的理想方法，可以幫助企業定義產品的目標用戶群。在用戶行為領域，數據的使用及挖掘是非常重要的，通過數據分析方法的科學應用，經過理論推導，能夠相對完整地揭示用戶行為的內在規律，基於此幫助產品實現多維交叉分析。

針對用戶行為分析，通常分為如下幾個方法：

1. 行為事件分析
2. 頁面點擊分析
3. 用戶行為路徑分析
4. 漏斗模型分析
5. 用戶健康度分析
6. 用戶畫像分析

二、常見分析模型的作用與應用場景

1. 行為事件分析

1）作用：行為事件分析方法主要用於研究某行為事件的發生對產品的影響以及影響程度。

2）應用場景：針對某一具體行為，進行深度下鑽分析，分析維度全面細緻，確認導致該行為的原因;或針對某一結果現象，回溯可能造成此現象的行為是什麼。例如查看功能模塊的滲透率，回溯點擊該功能和不點擊該功能的用戶有什麼行為差別。

3）涉及的數據指標：每個產品根據產品特性，會有不同的行為事件和篩選維度，但基本涵蓋了該業務所需要的所有數據指標維度，進行前期數據規劃中，需要對可分析事件進行全量數據埋點。後期平台運營過程中，將依賴於前期的數據採集規劃。

4）圖例：

2. 頁面點擊分析

1）作用：點擊分析被應用於顯示頁面區域中不同元素點擊密度的圖示，可以：

• 精準評估用戶與產品交互背後的深層關係
• 實現產品的跳轉路徑分析，完成產品頁面之間的深層次的關係需求挖掘
• 與其他分析模型配合，全面視角探索數據價值
• 直觀的對比和分析用戶在頁面的聚焦度、頁面瀏覽次數和人數以及頁面內各個可點擊元素的百分比。

2）應用場景：通常用於首頁、活動頁、產品詳情頁等存在複雜交互邏輯的頁面分析。一般分為可視化熱力圖、固定埋點兩種形式。

3）涉及的數據指標：

• 瀏覽次數（PV）：該頁面被瀏覽的次數。
• 瀏覽人數（UV）：該頁面被瀏覽的人數。
• 頁面內點擊次數：該頁面內所有可點擊元素的總次數。
• 頁面內點擊人數：該頁面內所有可點擊元素的總人數。
• 點擊人數佔比：頁面內點擊人數/瀏覽人數。

4）圖例：

頁面點擊熱力圖

鼠標滑動熱力圖

3. 用戶行為路徑分析

1）作用：明確用戶現存路徑有哪些，發現路徑問題，或優化用戶行為沿着最優訪問路徑前進，結合業務場景需求進行前端布局調整

2）應用場景：確定產品用戶從訪問到轉化/流失都經過了哪些流程，轉化用戶與流失用戶是否有行為區別，以及用戶行為路徑是否符合預期

3）涉及的數據指標：全鏈路頁面級PV、UV，以及路徑流轉關係

4）圖例：

4. 漏斗模型分析

1）作用：從一個事件環節的最開始到最終轉化成購買的整個流程中的一個個子環節，相鄰環節的轉化率表現力。就是指用數據指標來量化每一個步驟的表現。（流量漏斗模型在產品中的經典運用是AARRR模型，不過現在已經流行更新的RARRA模型）

2）應用場景：衡量每一個轉化步驟的轉化率，通過異常數據指標找出有問題的環節並解決，最終提升整體購買轉化率

3）涉及的數據指標：轉化周期（每層漏斗的時間的集合）、轉化率（每層漏斗之間的）

4）圖例

5. 用戶健康度分析

1）作用：用戶健康度是基於用戶行為數據綜合考慮的核心指標，體現產品的運營情況，為產品的發展進行預警。包括三大類型指標：產品基礎指標、流量質量指標、產品營收指標。

2）應用場景：更大範圍的業務綜合指標考量，體現完整產品運營情況，預測未來發展。

3）涉及的數據指標：

• 產品基礎指標，主要評價產品本身的運行狀態：DAU、PV、UV、新用戶數
• 流量質量指標，主要評價用戶流量的質量高低：跳出率、人均瀏覽次數、人均停留時間、用戶留存率、用戶回訪率
• 產品營收指標，主要評價產品的盈利能力與可持續性：用戶支付金額（GMV）、客單價、訂單轉化率

4）產品營收指標恆等式：

銷售額=訪客數×成交轉化率×客單價

銷售額=曝光次數×點擊率×成交轉化率×客單價

5）圖例

6. 用戶畫像分析

1）作用：根據用戶的屬性、用戶偏好、生活習慣、用戶行為等信息而抽象出來的標籤化用戶模型。通過高度精鍊用戶特徵來描述用戶，可以讓人更容易理解用戶，並且可以方便計算機處理

2）應用場景：通過定義用戶畫像，可以幫助產品運營理解用戶，產品設計從為所有人做產品，變成為帶有某些標籤的人群做產品，產品能夠更精細化運營，且設計複雜度降低

3）涉及的數據指標（不限於）：

• 人口屬性：性別、年齡等人的基本信息
• 興趣特徵：瀏覽內容、收藏內容、閱讀諮詢、購買物品偏好等
• 位置特徵：用戶所處城市、所處居住區域、用戶移動軌跡等
• 設備屬性：使用的終端特徵等
• 行為數據：訪問時間、瀏覽路徑等用戶在網站的行為日誌數據
• 社交數據：用戶社交相關數據

4）用戶標籤庫圖例

後續有機會將更新每種分析方法的具體方法步驟及案例，歡迎交流討論