行为明细数据包含五个要素：WHO、WHEN、WHERE、HOW、WHAT，明细数据记录了用户在什么时间点通过哪个功能模块以何种方式操作了什么内容。行为明细数据大部分来自用户操作日志，经过大数据实时处理后存储到合适的数据存储引擎中，本节所有行为明细数据都存储到ClickHouse表中。
本节将介绍页面分析、事件分析、留存分析、漏斗分析等8个常见的行为明细分析模型，8个分析模型可以划分为4种类型：明细统计、用户分析、流程转化和价值分析。
明细统计
明细统计是对行为明细数据最直观的统计分析，页面分析和事件分析都属于明细统计的范围。
1. 页面分析
页面分析主要对各功能页面及页面元素进行统计分析，功能页面可以是H5网页，也可以是手机应用上的功能页面；页面元素主要指的是各类可操作的触发组件，比如按钮、跳转链接等。
页面分析最常见功能是统计不同页面的PV和UV。统计PV和UV可以知道页面的实际访问量和访问用户数，从而可以计算每个用户的平均访问次数。比如统计京东商场各页面每日的访问量以及用户数，可以随时了解各核心页面的使用情况；统计拼多多首页各商品频道的点击量以及用户量，可以分析用户最喜爱的商品分类。图6-16展示了页面分析功能示意图，图中通过折线图的形式展示了一段时间内首页的PV和UV数据变化。
图6-16 页面分析功能示意图页面分析还可以统计不同页面间的访问路径分布情况。用户在使用产品的过程中，因其访问页面的先后顺序不同，可以计算出不同访问路径的分布数据。比如用户进入京东首页后，有一定比例的用户会进入到搜索页，部分用户会点击搜索结果并进入到商品详情页，最终会有一批用户进入商品购买页。通过分析用户在使用产品时的访问路径数据，可以优化各页面间的转化率从而最终提高用户在京东的成交率；也可以借此了解用户对不同功能的喜好程度，比如用户主要靠搜索功能查找商品还是依赖信息流推荐商品，最终有的放矢地优化用户体验。图6-17展示了不同页面访问路径的分析结果示意图，其转化数据主要通过桑基图的形式展现出来。
图6-17 页面访问路径分析功能示意图2. 事件分析
行为明细记录了最细粒度的用户行为，事件是对行为的一种抽象，其可以针对具体某一个行为也可以是多个行为的组合。比如用户注册这一行为可以被认为是一个事件、用户观看直播并送礼也可以认为是一个事件。
事件分析模型在行为明细分析中属于最常见的分析模型，其应用场景比较丰富。新增用户的来源渠道统计是比较典型的事件分析示例，如果在用户注册行为中包含了其来源渠道，通过事件分析可以统计出不同渠道下的新增用户数，通过分析每个渠道的新增用户成本便可以找出最好的用户投放渠道。每次遇到重大节日都会开展一些线上运营活动，活动结束之后需要统计参与活动的用户属性分布，比如性别分布、年龄段分布等，使用事件分析功能能够找到参与活动的用户并计算其属性分布，该分析结果可以在活动总结或者复盘中使用。事件分析还可用于统计事件相关的指标数值，比如在直播活动中，通过实时统计直播交易金额的变化趋势可以及时调整直播策略。
事件分析支持丰富的行为筛选方式，并最终通过图表展示指标趋势或者属性分布数据。当业务需要时也可以支持多组事件的对比分析，通过对比找出事件间的主要差异。为了满足不同用户对分析精确度和响应时间的要求，事件分析可以支持抽样功能，即选定一部分用户用于实际分析。图6-18展示了事件分析功能示意图，其中选择了用户注册事件并配置了用户筛选条件，分析了一段时间范围内的注册用户数并按照操作系统类型进行分类展示。
图6-18 事件分析功能示意图用户分析
用户分析的主体是行为事件关联的操作人。留存分析用于统计用户关键行为的留存情况，经常用于统计新用户的多日留存数据；指标分布分析用于统计用户的指标数值分段后的数据分布情况，比如按粉丝数分段后的用户数量分布。
1. 留存分析
留存分析主要结合用户的初始行为和留存行为进行统计分析，可以计算指定时间范围内发生了初始行为的用户最终产生留存行为的占比。借助留存分析可以评估用户在使用产品过程中的依赖程度，留存率高说明用户会反复使用产品功能；留存率也可以反映产品对于用户的价值高低，当产品有价值时用户才会持续使用产品功能。
留存分析可以自由选择初始行为和留存行为，所以其支持的“留存”分析范围比较广泛。
最传统的留存分析是针对新用户的活跃留存分析，这也是衡量一个产品用户粘性和功能优劣的主要指标。新用户留存分析的初始行为是注册行为，留存行为可以是任意活跃行为。新用户留存的口径主要有次日留存（1日留存）、3日留存和7日留存等，时间越长且留存率越高则代表功能越吸引用户。
除了注册行为，活跃留存分析的初始行为可以指定任意普通行为，以此来验证该行为对留存的影响。比如为了验证产品中收藏功能是否对用户留存有影响，可以将使用收藏功能指定为初始行为，通过对比使用该功能的用户留存率和未使用该功能的留存率来判断收藏功能的业务价值。
留存分析还可以用于分析用户不同行为间的转化情况。比如分析拼多多上使用了首单满减券的用户后续继续下单的“留存”数据，其初始行为和留存行为分别是使用满减券和下单，计算出来的留存数据可以表明前后两个行为的转化情况。
留存分析的结果可以通过图表数据进行展示，画像平台功能上支持不同留存数据之间的对比。留存分析功能除了选择初始和留存行为之外还支持配置额外的筛选条件，比如为点击视频行为配置具体的视频ID，购买商品行为可以指定具体商品种类。图6-19展示了留存分析的功能示意图，图中初始行为选择了用户注册，留存行为选择了浏览新闻，分析结果为一段时间内新用户7日留存数据。
图6-19 留存分析功能示意图2. 指标分布分析
指标分布分析主要统计某个事件的指标在不同取值范围下的用户量分布情况，比如用户点赞行为的次数可以划分为多个分段，不同点赞数分段下的用户量不同。指标分布分析的重点是找出并定义好需要关注的事件指标，比如点赞行为次数、充值行为金额数、打卡行为天数等，用户无须通过复杂的配置就可以便捷地选择事件指标并进行分析。事件指标的分段方式可以采用默认配置或者用户自定义方式，最终分析结果可以通过图6-20所示的柱状图展示出来，图中显示了充值金额在不同取值分段下的用户数量。
图6-20 指标分布分析功能示意图流程转化
流程转化是基于用户行为序列的分析，找到行为序列中满足特定行为模式的数据并进行转化统计，本节主要介绍漏斗分析和行为跨度分析。
1. 漏斗分析
漏斗分析主要针对多步骤的流程并统计其中各步骤之间的转化和流失数据，此处的流程是根据实际业务场景制定的包含多个步骤且步骤间有明确先后关系的一种行为抽象，步骤在行为明细分析中主要指的是用户事件。比如用户在拼多多购买商品的过程可以抽象为包含浏览商品、点击商品详情、发起拼单、立即支付和支付完成这五个步骤的流程，其中每一个步骤都对应用户在购买过程中的一些行为事件。
漏斗分析首先要明确一个完整的流程执行所需要的时间窗口，即在多大的时间范围内分析一个流程中每个步骤之间的转化情况。比如上述购买商品流程可以把时间窗口定义为3小时，那么当流程中第一个步骤发生后3小时内产生的其他行为才会被统计到漏斗分析结果中。漏斗分析的目的是统计流程中各步骤之间的转化率，通过分析结果可以了解当前现状并找出转化薄弱点，后续可以针对性地提高步骤之间的转化效率。
图6-21展示了添加漏斗的配置示意图，在图中新增了一个流程并配置了五个步骤，该流程配置的时间窗口为1天，每一个步骤都可以配置额外的筛选条件。图6-22展示了漏斗分析的主要功能示意图，分析结果最终通过漏斗图形象地展示了出来，漏斗图中包括了各步骤的用户数以及步骤间的转化率，点击每一个步骤可以查看该步骤下的用户数变化趋势以及用户画像分布情况。
图6-21 添加漏斗功能示意图
图6-22 漏斗分析功能示意图大部分业务中都会有流程的概念，所以漏斗分析可以广泛地应用到各类业务场景中。
在抖音直播间购物的流程包括点击小黄车、点击抢购、点击支付和支付完成4个步骤，通过漏斗分析可以计算各步骤间的转化率。通过不断优化流程中的每个环节并提高步骤之间的转化效率，最终可以提高直播购物的交易成功率和成交金额。
Keep和极客时间上都有购买会员的流程，其步骤包括浏览课程、查看课程介绍、开通会员、确认支付和支付完成。分析各步骤间的漏斗转化数据可以找到用户流失的主要环节，后续通过优化相关环节可以提高购买会员的完成率。通过漏斗分析还可以找到点击了确认支付按钮但最终未完成支付的用户，可以给该批用户定期推送优质课程来促使用户完成购买。
给用户推送消息是一种常见的运营手段，在推送消息流程中存在实际推送、消息送达和消息点击三个步骤，通过漏斗分析可以统计出消息推送的成功率和点击率等核心指标。
以上各业务场景都可以依赖漏斗分析了解当前核心流程各步骤转化情况，结合分析结果可以不断优化现有功能并最终实现转化效率最大化。
2. 行为跨度分析
行为跨度分析统计的是先后发生的两个行为之间的时间间隔。两个行为之间有时间上的先后关系，但并不需要像漏斗分析一样隶属于同一个流程。行为跨度分析需要指定初始行为和目标行为，假设初始行为是注册、目标行为是购买，通过行为跨度分析可以得出结论：新注册用户完成首次购买的平均时间跨度是4天。
行为跨度分析首先需要选择初始行为和目标行为，然后指定分析的时间范围。其结果中会展示每一天发生初始行为的用户在后续发生目标行为的时间跨度，通过柱状图或者折线图的方式可以展示出平均时间跨度的变化趋势。除了计算平均时间，还可以计算出时间跨度的最大值、最小值和中位数等数值。图6-23展示了行为跨度分析的功能示意图，图中分析了一段时间内广点通新增用户首次购买商品的时间跨度分析结果，通过柱状图展示了当天分析结果的平均值、最大值、最小值。
图6-23 行为跨度分析功能示意图行为跨度分析经常用在新用户首次发生指定行为的分析场景中，除了上述首次购买商品，还可以用于分析新用户首次分享文章、首次观看课程、首次发布视频、首次直播间送礼等。此时的初始行为都是注册行为，目标行为有所不同，通过分析结果可以了解新用户第一次发生指定行为的时间跨度。
当初始行为和目标行为选定为某个操作的首尾两个动作时，时间跨度分析还可以用于分析用户的操作效率。比如初始和目标行为选择了点击注册按钮和完成注册两个动作，此时的行为跨度分析结果代表了用户完成注册操作的平均耗时；短视频场景下初始和目标行为选择了点击创建作品和发布作品的行为，其分析结果代表了用户发布一个短视频的操作时长。如果上述分析结果中的行为跨度数值较大，则需要优化用户注册和发表作品的流程，通过降低用户的操作时间来提高操作的完成率。
当初始行为和目标行为选择了相同行为时，其分析含义代表了用户对某个操作的频繁程度，比如在直播场景下，用户的开播行为跨度分析结果如果较小则说明用户的开播频率较高。
价值分析
价值分析顾名思义就是对用户价值的统计分析。商业价值分析可以直接反馈用户的价值高低，不同业务的商业价值衡量指标不同，比如充值金额、交易金额和广告收入等。用户所处生命周期可以体现用户的价值，生命周期分析用于统计处于不同生命周期阶段的用户数量。本节会结合案例详细介绍用户商业价值分析和生命周期分析。
1. 商业价值分析
商业价值分析是直接体现用户价值的一种分析方式，依据业务的商业目标不同，商业价值分析的数据可以是用户充值金额、消费金额、送礼金额、邀请好友数量等。商业价值分析需要选择一批用户并计算其在后续的一段时间内贡献的商业价值数据，通过分析结果可以了解用户使用产品过程中商业价值的变化趋势，依据不同用户的商业价值大小可以找出更具潜力的用户群体。
商业价值分析的要素是用户群体、商业价值目标和分析周期，其中商业价值目标需要依据业务特点来制定。图6-24展示了用户商业价值分析的功能示意图，图中选择了通过广点通注册的新用户并分析消费金额这一商业价值指标，最终使用折线图展示了14天内商业价值随时间的变化趋势。
图6-24 商业价值分析功能示意图商业价值分析目标明确，可以直观地了解用户带来的价值，其可以应用在各类业务场景中。
在游戏推广场景中，通过商业价值分析可以统计出不同渠道下的新增用户在未来一个月内游戏充值金额平均值。根据统计结果可以分辨不同渠道新增用户的商业价值潜力大小，对于潜力较大的渠道可以增加其投放力度。
2. 生命周期分析
用户生命周期一般可以分为引入期、成长期、成熟期、休眠期和流失期，处于不同时期的用户业务价值不同，当一款产品中成长期和成熟期的用户量占比越大时，其可以产生的商业价值也越大。通过分析不同生命周期的用户数量和变化趋势可以了解当前用户分布情况以及潜在的业务风险，当休眠期和流失期用户量明显增加时说明用户在不断减少，需要采取措施拉活用户并避免用户提前进入休眠期和流失期。
生命周期分析也可以指定一批用户并分析其在一段时间内的生命周期变化过程。对于某日新增用户，可以分析其从引入期转变为其他周期的转化过程，了解该批用户在不同周期下的平均停留时间和转化率，后续通过功能迭代可以提高用户在成长期和成熟期的停留时长并最终提高用户带来的商业价值。
图6-25展示了用户生命周期分析的功能示意图，图中选定了指定时间范围内的新增用户并展示了其在后续7天内的生命周期的转化过程。图中还展示了全量用户在不同生命周期下的用户量变化趋势。
图6-25 生命周期分析功能示意图用户生命周期的划分可以根据业务特点进行调整。在自媒体行业，可以按照用户发表文章的活跃程度划分成不同的生命周期阶段，比如新手期、活跃期、稳定期、衰退期和流失期，可以根据用户所在的生命周期阶段不同而采取不一样的运营策略，持续鼓励用户稳定地产出高质量文章。
本文节选自《用户画像：平台构建与业务实践》，转载请注明出处。
