用户分析怎么做，分析报告怎么写？

一、用户行为是什么？

1. 用户行为

用户行为是用户在产品上产生的行为。我们用小明的案例来可视化用户行为：

小明21336000打开Aauto更快的app；

浏览，找到angelbaby，点击查看，

查看时，发现一个向下的箭头。点击查看更改后图集的其他图片。

很喜欢，小明夸了一下，交了朋友。

小明想看更多angelbaby的照片，向左滑动进入作者个人主页；浏览并单击查看；

发现这个作者有很多明星的照片，有几张是我的最爱，于是关注了作者。

不知不觉22:00到了，闹钟提醒小明要睡觉了，他忍痛退出了Aauto快一点的app。

第二天9:00，小明在拥挤的地铁里打瞌睡：昨天，关注作者发来一个新视频，小明收到通知消息，点击消息打开Aauto Quicker app直接查看最新视频，也是一个anelbaby视频。看完之后，他充满了活力和疲惫。此时，地铁到了，小明立刻锁屏，挤出了地铁。

为什么小明第二天就收到了通知？

因为小明关于作者的信息是有记录的，当作者发布信息时，所有关注他的人都会被告知，小明就是其中之一。

小明关注的是作者的信息记录，是行为数据。小明的行为数据会包括启动app、浏览、查看图集、播放视频、喜欢和关注作者.

2. 用户行为数据

用户行为数据来源于重复行为。行为数据通过埋点监测(埋点介绍)。后续文章会介绍如何设计埋点。通常是数据同学完成埋点设计，由开发完成监控程序 或 调用SDK。针对小明的行为（假设以下均已埋点）：

21: 00开始自动驾驶

2:00-21336002双排瀑布下拉，预先录制了xxx的图片和视频，消费了xxx，xxx被小明点击；

1:06喜欢，点击xxx时间向下箭头，浏览xxx图片；

2:07朋友圈；

2:08进入作者个人详情页面；

2:08-21336050作者个人详情页面浏览过多少作品；

2:32关注了作者。

23，336，000小时更快地退出自动驾驶。

第二天，9:00根据xxx政策给小明发了推送通知；

9336002小明点击推送通知，成功掉落Aauto快一点app在xxx时间；

:03小明播放视频，播放xxx次；

:10 Aauto更快退出后台程序；

:40 a auto faster被系统关闭。

3. 用户行为分析

指的是对用户行为数据的数据分析和研究。

4. 用户行为分析的作用

（1）通过用户行为分析，可以还原用户使用的真实过程。

一个xxx人

在什么样的环境下？

(由于何种行为)在该时间点做了xxx件事。

做了什么？

结果如何

（2）“了解用户，还原用户”是“以用户中心”的第一步.只有详细清晰的了解用户的行为习惯，真实的使用路径，然后找出产品使用和渠道推广过程中存在的问题，才能提高用户/页面/业务流程的转化率。

（3）用户行为分析（case需要补充）可以用于

A.创新：渠道分析，SEM分析，用户质量分析，

B.转化：增加用户注册转化流程，产品使用流程转化(搜索、推荐等。)，站外推推和叫起过程和引体向上过程。

C.活动推广：用户停留时长，用户行为分布，

d .保留：用户保留分析

E.商业化：根据用户历史行为展示广告。

二、如何进行用户行为分析？

1. 行为事件分析

行为分析法主要用于深入研究一个行为事件，它对产品的影响，以及它的影响程度。

对于一个具体的行为，综合描述和对比，根据其异常出现深度，下钻分析各个维度，确认导致行为数据表现的原因。比如Aauto更快的播放量增长了：

同期对比分析，确认是否发生在历史上，对比去年/上季度/上月/上周/昨天的数据相对表现。

多个事件的比较分析。对比浏览量、点赞、评论、分享事件的数据，看有没有增加。通过比较几个事件，确认扩散现象的范围。

Dimension drill-down:由于播放量更快地取决于Aauto中三个部门的用户所消费的视频，因此由监控程序报告。

所以从三个方面来分析：

监控程序是否异常？

Aauto Quicker哪个页面玩的多？发现，关注，还是城市？-对应页面做了哪些调整？是否排水

哪部分用户群体增加了播放量？分析跨用户的自然属性(平台、性别、年龄、地域、学历、车型、消费能力)和行为属性(新增、回流、频繁活跃用户)；直播用户，短视频

户….）、视频属性（视频类型、作者类型….）

2. 留存分析

留存是衡量用户是否再次使用产品的指标，也是每一个app赖以生存的指标，能够反映任何一款产品健康度，是产品、运营、推荐效果的整体表现。如果一个app从来没有留存用户，那DAU将永远是新增用户，那么产品将无法运行下去，更别说新用户成本付诸东流。

贴合业务属性、精细化留存过程 将对留存数据更有价值和指导意义。通过留存分析，能够剖析用户留在产品的原因，从而优化产品核心功能提升留存。

留存的类型：

先前有写过 留存分析的文章，这里就不赘述了。

3. 漏斗分析

漏斗分析实质是转化分析，是通过衡量每一个转化步骤的转化率，通过转化率的异常数据找出有问题的环节并解决，进而实现优化整个流程的完成率。

4. 路径分析

路径分析可以将纷杂的app日志按照用户的使用过程，呈现出“明确的”用户现存路径。发现路径问题，进而优化，使用户尽可能短路径体验到产品核心价值。

针对他们利用碎片化时间播放视屏的场景，尤其是突然退出的场景，是否在下一次打开app时，仍旧打开终端的视频。是否有其他策略可以针对该场景来优化？

此外，路径分析不仅仅可以用于行为路径分析，也可以用于用户群体转化分析。例如：新用户中分别转化为 忠实用户、常活跃用户、潜在流失用户、流失用户的分析。

5. 用户分群分析

通过了解用户画像，可以帮助运营理解用户。根据用户画像（基本属性、用户偏好、生活习惯、用户行为等）的标签信息将用户分群。

通过用户分群行为表现对比，可以进一步了解不同群体对产品的反馈，有针对性的优化产品。

业内的商业化行为分析产品，基本上将用户画像的生成、标签的过程均合并在用户分群的群体定义中，降低了操作流程。

三、用户行为分析的完整链路

以小明为case的用户行为每天数以万/亿计的产生，如何对“这类人群”进行“行为分析”？需要行为分析将明细级别的日志聚合后再以较为可读的形式展示出来。

为了保障埋点可靠、数据上报及时、行为数据分析有效。需要一套完整的用户行为系统，包括从数据埋点设计、埋点开发、数据上报、数据模型开发、行为数据分析。 过程中也需要多方协作完成，如何保障多方协作中高效、便利的完成、产出具有业务价值的数据分析结论。后续将介绍服务于用户行为分析的相关平台介绍。