本文属于用户行为数据领域入门级别文章，适合对用户行为数据略知一二但是对这个主题非常感兴趣的同学，且由于篇幅限制，很多术语只能简单介绍，无法深入。如果是对用户行为数据已经比较熟悉的同学，请持续关注本作者在之后发布的进阶文章。

“用户行为数据”，顾名思义就是用户在 APP、小程序、WEB 端等平台所做的行为（浏览、点击、滑动、长按等），通过数据埋点的方式上报至数据库，从而能够记录用户在一段时间内在不同平台上所做的动作。

公司内部存储的数据一般被分为业务数据和用户行为数据，其中业务数据是与公司业务本身相关的数据，例如电商行业中的订单支付数据（商品名称/ID、购买件数等）、汽车行业中的销售数据（购买车型、经销商名称、车辆价格等）、以及在线教育行业中的课程付费数据（课程名称、课程类别、课程价格等）；用户行为数据则反映用户在不同平台的行为。

在数据分析和应用过程中，两者是相辅相成的：用户行为数据需要业务数据进行补充，从而能够看出一笔订单到底支付了多少钱、买了什么商品；而业务数据也离不开用户行为数据这个载体，因为用户行为数据串起了用户在各个平台上的行为序列，从而能够看到用户在购买/转化之前都做了什么动作。

另外，用户行为数据能够真实反应用户在平台上的行为，并且能够据此推断出用户心智，从而及时进行相关运营动作。

举个例子，很多 APP 为了优化用户体验，会请用户填写一份调查问卷，但是真正愿意填写问卷的用户寥寥无几，用户如果对 APP 不感兴趣会直接离开并流失。退一步说，即使有很多用户在优惠券等奖励驱使下填写了调查问卷，填写结果也不一定能代表用户的真实想法，可能有的用户为了得到奖励胡乱填写，或者是用户误解了选项的意思导致结果偏差。

通过采集和分析用户行为数据，可以观察那些流失的用户在 APP 里做了什么，导致他们流失的原因是什么，从而帮助产品经理优化产品、降低用户流失风险。

很多企业在搭建自己的用户行为数据平台的时候会忽视这一步，以为把行为数据采集上来就能为我所用，其实不然。好的指标体系有如下优点：

（1）统一的指标体系能避免数据指标定义模糊和逻辑混乱，减少数据解释成本；

（2）好的指标体系能在某一核心指标出现问题的时候迅速向下进行维度拆分，从而定位问题所在，帮助产品/运营不断改良，甚至发现一个新的业务增长点；

（3）领导层通常会关注指标体系，尤其是其中的核心业务指标，通过指标体系能够帮助领导层从大局上制定战略目标。

指标体系的搭建方法有北极星指标法、UJM（用户旅程地图）模型和 OSM 模型等。

其中北极星指标法是指业务人员先找出一个与业务目标强相关的核心指标（也叫“北极星指标”，该指标像北极星一样指引未来的行动方向），然后逐渐向下进行指标的拆解。

举个例子，在电商场景中，我们可以选择 GMV 作为“北极星指标”，然后根据首购/复购用户或用户旅程步骤等维度进行拆解，最后得到类似于 GMV = 客单价 * 购买人数 = 客单价 * （首购用户 + 复购用户） = 客单价 * （APP 启动/激活人数 * 商品详情页渗透率（触达率） * 购买转化率 + 之前下过订单的老用户 * 留存率 * 商品详情页渗透率（触达率） * 购买转化率）。

这个连续等式的第二步中利用首购/复购用户维度进行拆分，第三步则是使用用户旅程步骤（启动 - 浏览商详页 - 购买）维度进行进一步拆解。

数据采集也叫数据埋点、埋码或者是打点，就是将一套数据采集代码埋入 APP/小程序/WEB 页面，用户在触发某一事件（浏览、点击等）时将该行为数据进行上报，从而形成用户行为数据表。

埋点方式分以下几个种类：

（1）全埋点/无埋点：通过调用 SDK (Software Development Kit) 对页面上的行为数据进行采集，此方案优点是无需开发同学写代码，减少人力成本，缺点是灵活性差，只能覆盖一些通用数据（操作系统/版本、浏览器名称、设备型号......），无法对于业务专用的数据进行采集；而且对代码的规范要求比较高（例如页面标题/按钮名称取值要规范）。

在作者的工作经历中经常碰到有公司的代码非常不整齐，导致通过全埋点自动抓取的数据非常杂乱，无法使用的情况。

（2）自定义埋点/手工埋点：此方法需要开发同事进行手工代码埋点，优点是能够灵活覆盖各类个性化业务数据，缺点是需要大量人力成本。

（3）可视化全埋点：这个方法只需要在页面中圈选想要监测的元素（运营位、按钮等），不用植入代码即可埋点。优点是对不懂代码的业务人员非常友好，缺点是只能采集浏览/点击等最基础的事件，并不能采集相对复杂的事件。

此外，一般来说，埋点需要遵循 “相同类型事件合并为同一个埋点，不同类型事件分开埋点” 的原则，方便之后埋点的迭代和查找。错误的示范是把每个按钮都当作是一个埋点上报，那么随着之后产品迭代，按钮会越来越多，埋点数量也会随着按钮数量水涨船高。

举个例子，某电商平台首页有两个运营位，分别叫 “商品上新” 和 “猜你喜欢”，两个运营位里分别有新商品的轮播展示和通过算法推荐给用户的商品轮播展示。

业务人员提出想要看这两个运营位内商品的点击次数和人数，并且要区分出用户点击的是哪个商品。既然 “点击新商品” 和 “点击推荐商品” 这两个事件都属于点击，那么在设计埋点的时候需要将这两个事件结合成一个埋点，并将运营位名称和业务人员关注的 “商品名称/ID” 属性放入该埋点中作为事件属性进行上报，以区分用户点击的运营位信息和商品信息。

示例：

用户行为分析中有一套独有的分析模型：

（1）事件分析：“事件” 就是前面所述的用户行为，这是对用户行为最基础的描述，例如 “打开 APP 的次数”、“点击xxx按钮的人数” 等。在电商场景中常见的有 “新用户注册数”、“支付订单且成功的人数” 以及代表用户粘性的 “用户整站平均停留时长” 等，这三个指标对应的用户行为（事件）分别为 “注册”、“支付订单” 和 “APP浏览页面”。如果想要看这三个指标，就需要把三个对应事件做成埋点进行监测。

（2）漏斗分析：用户的整体用户旅程就像一个漏斗，做第一步的用户最多，随着用户流失，做之后步骤的用户会越来越少。在电商场景中，常见的是用户从 “浏览商品列表页 - 浏览商品详情页 - 加入购物车/立即购买 - 提交订单 - 支付订单” 这一漏斗。通过分析漏斗的整体转化率和步骤间的转化率，可以找出异常的转化率，然后对某一步骤中流失的用户进行洞察，发现其共性，为之后的防流失预警提供依据。

（3）留存分析：指的是用户在做了某个行为后第 n 天还会做某个行为的概率。在电商场景中最典型的就是复购，即用户在首次购买后有多大概率会在第 n 天再次购买。

（4）分布分析：与统计学上的频率分布直方图（histogram）类似，分布分析观察的是某个行为做的次数的人次分布。例如我们可以分别查看过去 30 天中用户购买 1、2、3 次商品的人数，也可以根据需求自定义设置区间查看对应区间的人数。

（5）归因分析：一个目标事件（支付订单、帖子转发。。。）的达成，我们不能只归功于某个事件（运营位点击、推荐商品点击、分享商品、收藏商品。。。），而是应该“按劳分配”，根据一定的计算规则公平分配功劳。归因分析模型可以提供这样的计算方式，比如按照时间衰减规则（越靠近转化的事件功劳越大）或者按照首/末次触点（行为序列中第一个/最后一个事件得到 100% 的功劳）进行归因。

分析数据的最终目的是为了驱动业务发展，否则只是躺在数据分析报告里冷冰冰的结论。在作者的工作经历中，“营销自动化” 和 “用户标签体系” 是两个主要运用用户行为数据的场景。

（1）营销自动化：简称MA（Marketing Automation）。传统的营销模式，要么是“拍脑袋”，依据业务经验进行营销，要么无法做到精准营销和 “千人千面”，一套营销方案通用所有的用户。通过营销自动化，我们可以对不同用户进行精准触达。例如我们可以使用 RFM 模型，从最近一次购买时间、购买次数和购买金额三个维度对用户进行分层，对不同层级的用户在不同时机发送不同的短信/PUSH，从而用最小的成本获得最大的转化和收益。

（2）用户标签体系：我们在购买商品时会看到商品的标签，上面会注明例如价格、材料、生产日期等信息。同样的，我们也可以给用户打上标签，例如性别、年龄、城市、职业、收入、商品偏好、用户生命周期等。用户标签体系可以与营销自动化结合使用，从而对拥有特定标签的用户进行精准营销。

用户行为数据分析这个领域，无论在商业应用广度、深度上还是企业内部的重视程度上都有待提升。可以说，谁先占领了用户行为数据分析和应用的高地，谁就能率先以最小的成本获得最有效的用户洞察。