预计阅读时间：5min
阅读建议：本篇为实战经验，对于工作相信会有很大帮助，篇幅不长，建议完整阅读。
解决痛点：网络上针对链路的理论介绍不少，但很少有从实战出发，讲清楚链路分析对于产品有哪些贡献，本篇分享一些个人经验，希望可以帮助到你。
01
链路分析是什么？
本文涉及的「链路分析」主要指「用户行为链路分析」。链路，指的是通过埋点记录用户在端内的行为轨迹，例如一个用户：进入APP→进入主页→点击商品→进入商品详情页→点击购买按钮→……→离开APP，这一系列行为构成一条用户行为链路。
而链路分析，则是通过这一条条的行为轨迹，探索产品是否满足好用户的需求，结合产品优化，提高用户的消费深度及消费满意度。
02
链路分析的价值
链路分析对于业务的价值有很多，这里小火龙分享三种常用的探索角度及对业务的贡献，希望你可以在工作中有所应用。
其一：通过聚合链路，分析影响用户转化的原因
将单用户链路聚合，可以得到以下数据：
假设以上为电商APP用户前几步的链路，电商北极星指标为GMV，而恰巧「首页→列表页→详情页→购买页」又是与北极星指标相契合的链路，并且用户量级较大。因此可以将「链路分析」转化为「漏斗分析」，探索每个步骤的流转率，对于流转率较低的步骤加以优化，结合AB实验进行评估。
其二：通过聚合链路，分析如何提升用户活跃度
将以上链路数据增加留存指标：
筛选留存较高且用户覆盖量级较大的链路，通过产品调研，判断功能流转对用户活跃是否有正向作用，尝试指引用户消费轨迹，从而提升用户活跃及留存。
这里你是否有以下两个疑问：
疑问1：链路较长的用户群体，留存大概率高于较短的用户群体，那是不是就没有意义了？
回答1：大概率存在以上情况，因此在做链路分析时，需要将链路截断，并且分析的链路不宜过长，不然信息会非常发散。例如：选取用户进入APP前五步的行为。
疑问2：链路留存高，可能是由于该链路用户自身留存偏高导致，而非链路导致的用户留存提升。
回答2：是的，这其实是因果问题，虽然没有足够的证据证实是哪种情况，但可作为业务迭代的指引，通过AB实验，验证因果性。
其三：通过明细链路，探索影响用户消费的潜在因素
聚合链路一般需要选择N步截断，无法看到用户行为的全貌，而有些场景，是需要通过用户完整的链路探究问题。因此在这些场景中，需要先下钻到明细数据，待发现可能的问题后，再上卷到聚合数据进行验证。
举个例子
端外吊起消费页时，页面下滑消费的比例异常低，通过筛选未消费用户明细链路，发现「回退按钮」在未消费的用户行为中普遍存在，上卷到聚合数据，证实问题。通过AB实验下掉「退回按钮」，用户消费比例相对提升50%，并且对于用户留存有一定提升。
03
链路分析的实现方式
链路分析对业务是有一定价值的，那么要如何实现呢？
链路实现可以分为两个步骤，步骤一「链路设计」，步骤二「链路展现」。
步骤一：链路设计
链路数据可以通过SQL直接实现，设计主要分为三步：
步骤一：确定链路关键事件，明确点位。筛选出对业务有价值的事件，过滤无用事件。
步骤二：设定事件量级阈值。剔除掉用户量级较小的事件。
步骤三：标注目标事件为起始点/终结点，向前/向后选取指定步长N，如果链路步长不足N则用空值替代，根据分析需要，相邻事件可归总。
在设计过程中，以下四个方向要重点关注
其一：链路形态。支持选择关键事件前向/后向链路，支持选择步数。
其二：链路内容。支持选择起始事件，支持判断相同内容是否去重。如点击和展现代表相同含义，则可以考虑只选择其中一种。例如：点击banner≈进入banner，差异仅在于是否加载成功，则可以考虑合并。
其三：链路周期。支持选择统计周期。
其四：数据指标。涵盖pv、uv、1日留存、3日留存、7日留存、7日内留存等核心指标。
步骤二：链路展现
如果只是私下分析应用，直接通过SQL跑出数据，导出到Excel进行分析即可。但如果需要给到业务部门，则可以在结论后，加上「桑基图」进行展示，具体实现方式可以通过一些BI软件（例如：神策数据）加以实现。如下图：
图片来自百度
以上就是本期的内容分享。码字不易，如果觉得对你有一点点帮助，欢迎「关注」「点赞」「分享」哦，我会持续为大家输出优质的「原创内容」~~
