一、为什么要分析用户行为？

洞察用户需求和行为模式：

通过分析用户的点击、浏览、购买等行为，可以洞察用户的兴趣、偏好和行为模式。这有助于理解用户对产品或服务的需求，以及他们在使用过程中的体验和期望，进而指导产品改进和优化。

实现产品优化和迭代：

用户行为数据可以揭示产品的优势和不足之处。通过分析用户反馈和行为路径，产品设计团队可以了解用户对不同功能的偏好，发现并解决潜在问题，进而优化产品体验并实现持续迭代。

精准营销和用户分析： 用户行为分析可以帮助企业更好地了解用户的特征、偏好和购买意向，从而实现精准营销。通过对用户分层和分群，企业可以有针对性地制定营销策略，提高转化率和用户忠诚度。

验证产品-市场契合点： 通过分析用户行为数据，特别是对产品在市场上的反应，可以评估产品与市场需求的契合度，即产品-市场契合点（PMF）。这有助于企业确定产品的发展方向，避免走向盲目。

评估推广渠道质量： 了解用户来源渠道的质量对于评估营销效果至关重要。通过用户行为分析，可以确定哪些推广渠道带来了高质量的用户流量，进而调整和优化推广策略，提高市场推广的效率和成本效益。

二、用户分析重点关注哪些数据指标？

黏性： 主要关注用户在一段时间内的持续性访问情况。通过考察用户的访问频率和访问间隔时间，可以评估用户对网页或应用的粘性程度。这种持续状态的黏性指标反映了用户的长期使用行为，有助于衡量用户的忠诚度和对产品的依赖程度。

活跃： 该指标考察用户访问时的参与度。通过平均停留时间和平均访问页面数等指标，可以了解用户每次访问的深度和广度，从而评估用户的活跃程度。这有助于识别哪些功能或内容对用户更具吸引力，以及用户对产品的实际使用情况。

产出： 用来衡量用户创造的直接价值输出。例如，对于电商网站来说，订单数和客单价等指标可以反映用户在购买行为上的产出价值。这些指标直接关联到商业目标和收入，能够帮助企业评估用户的购买能力和购买意愿，指导营销策略和产品优化。

三、用户行为分析的5个常见分析模型

行为时间分析：这是一种研究特定行为事件对企业组织价值影响及程度的方法。通过追踪或记录用户行为或业务过程，例如用户注册、浏览产品详情页、成功投资、提现等，来挖掘事件背后的原因和交互影响。

RFM模型：RFM模型是一种常用的客户分析工具，通过评估客户的最近购买行为、购买频率和购买金额来识别不同价值的客户。这三个指标分别代表了客户的最近性、频率和货币价值，帮助企业了解客户的活跃度、忠诚度和消费能力。通过RFM模型，企业可以识别出高价值客户，并针对不同类型的客户制定个性化的营销策略，以提高客户满意度、忠诚度和企业收益。

聚类模型：聚类模型和用户行为分析密切相关，通过聚类模型对用户行为数据进行分析，可以将用户划分为不同的群组，发现他们的行为模式和趋势，进而为产品设计和营销策略提供指导。聚类模型可以帮助企业识别具有相似行为特征的用户群体，从而实现用户分群和个性化服务。此外，基于对用户行为数据的聚类分析，还可以预测用户的未来行为，帮助企业优化营销活动，提高用户满意度和忠诚度。

路径流向图：与用户行为分析息息相关，它通过可视化用户在应用程序或网站上的行为轨迹，帮助企业深入理解用户的行为模式和趋势。通过路径流向图，企业可以发现用户在平台上的主要行为节点和流失点，指导产品优化和营销策略的制定，从而提升用户体验和业务效益。

点击分布热力图：与用户行为分析密切相关，它通过可视化用户在页面上的点击热度分布，帮助企业了解用户的兴趣和行为热点，优化页面设计和布局，提高用户体验和页面转化率。这种数据可视化工具不仅可以帮助发现用户的主要兴趣点和行为习惯，还可以监测页面效果和改进策略的效果，为企业提供有力的决策支持。

四、FineBI实战案例解析

1、分析背景

在互联网电商行业，随着获客成本的不断增加，商家们逐渐意识到用户管理的重要性。电商已经从过去的“流量”时代逐渐过渡到“存量”时代，即关注现有用户的运营和管理变得至关重要。在这个背景下，深入分析用户购物过程中的行为，找出存在的问题并提出优化改善的建议，对于电商企业来说至关重要。

2、分析问题拆解

淘宝的用户流失情况的怎样？（是什么）

造成该种流失的原因是什么？（为什么）

该怎么避免类似流失的发生？（怎么办）

3、 数据加工

本案例数据来源为阿里云天池网，选取100万行数据作为分析依据，且为虚构数据的时效性，此文将数据的日期2014年改成了2021年。

字段翻译

• user_id：用户编号
• item_id：商品编号
• behavior_type：用户行为类型（包含点击、收藏、加购、购买四种行为，原始字段中分别用数字1、2、3、4表示）
• user_geohash：地理位置
• item_category：商品类别编号
• time：用户行为发生时间

数据清洗步骤

• 字段选择：item_category 列地理位置的数据大多是空值 NULL ，且位置信息被加密处理了，难以研究。所以不选择该列分析，即直接删除。
• 删除重复值：数据中未发现重复数据，
• 缺失值处理：数据中的分析字段中未发现缺失值
• 一致化处理：由于 time 字段的时间包含（年-月-日）和小时，为了方便分析，将该字段分成 2 个字段，一个日期列和一个小时列。
• 异常值处理：检查各字段是否出现异常值，是否符合规范。检查后，所有数据正常，数据符合规范，无需删除数据。

整理后的数据预览如下：

派生指标：

• 品类数：COUNTD_AGG(${商品类别})
• 商品数：COUNTD_AGG(${商品编号})

4、数据分析

分析思路图

本次分析采用漏斗模型和假设检验分析两种方法。

在用户维度上，我们使用漏斗模型来分析顾客在点击、加购、收藏和购买等不同阶段之间的转化率。通过这种分析，我们可以发现转化率在一天当中不同时段的分布情况。进一步地，我们可以针对转化率高的时段加大投放力度，以期最大化提高转化率，从而有效利用流量资源并提高店铺销售额。

在商品维度上，我们利用假设检验分析流量商品与畅销产品的分布情况。这将帮助我们优化新品引进、付费推广的投入、产品备货量和备货周期等方面。通过这种分析，我们可以更加精准地调整商品的供给与推广策略，以提高商品的曝光度和销售量，进而促进店铺的业绩增长。

数据分析过程

1. 用户流失情况

用户行为包括点击、加入购物车、收藏以及购买，图1显示，点击占总行为数的94.22%，而放进购物车只占2.8%，最后实际购买占不到1%，用户流失主要在放进购物车这一环节上。

于是我们做出假设：可能出现的原因是用户在淘宝花了大量时间搜寻不到自己想要的产品，以致于放弃在淘宝平台购买产品，转而去其他平台购买。

针对这个假设（猜测），从以下3个维度分析来验证此猜测：

• 用户想要在淘宝找到什么商品？
• 用户习惯什么时候（时间段）购买？
• 平台推送的商品是否满足用户需求？

• 用户流失情况原因分析

用户想要在淘宝找到什么商品？

衡量用户最想要在淘宝平台找到什么产品，最重要的指标是商品点击数。通过该项指标，可最大程度上了解到哪类产品用户的需求量较大，哪类产品的需求较小。

从图中可看出，商品类别编号为1863、13230、5027、5894、6513的在淘宝APP中点击数最高，说明用户最想要在淘宝平台中找到这五类商品。

在这五种类型下，各类中点击数排名前三的商品又为：

从图3中看出，各类商品中，5027类的商品需求较高，前三名商品的点击量均在40以上；6513类的商品需求量相对较小。

用户习惯什么时候购买商品

根据以上结果，分析在一个月内和一天内用户寻找这五类商品的主要时间段。结果如下：

FineBI官网入口

根据图4的数据显示，在双十二活动期间，五类商品的点击数显著增加，而在双十二过后又恢复到正常水平，其他时间段未出现较大波动。

针对一天内用户寻找这五类商品的主要时间段分析，可以发现用户点击数在每日0点到5点快速下降，于4点左右达到一天中的最低值；6点到10点用户点击数迅速上升，10点到18点较为稳定；而在18点到23点用户点击数再次迅速增加，21点左右达到一天中的最高值。

具体到商品需求最高的5027类商品的前三产品的点击数分布，用户主要集中在下午6点到晚上11点在淘宝平台寻找这几类商品。虽然各分类下的具体商品的搜索时间略有不同，但基本都包含晚上6点以后这个时间段。

结合以上分析，可以发现晚间18-23点是用户活跃度明显增加的时间段。因此，做站内付费推广的商家可以在这个时间段加大投放力度，以争取流量并获得最大转化。

综合而言，用户在淘宝平台最感兴趣的商品类别为编号为1863、13230、5027、5894、6513的五类商品，其中5027类商品需求最高。用户主要集中在下午6点到晚上11点寻找这几类商品。要更精确地了解用户需求，需要进一步分析用户使用的搜索高频词，建立用户搜索画像，并结合商品点击数据建立搜索点击率指标，从而更准确地总结用户在淘宝平台最感兴趣的商品类型。

淘宝平台推送的商品是否满足用户需求？

从上一步中分析出用户想要寻找什么产品后，接下来需要知道淘宝平台筛选推送的商品是否满足了用户的需求。

首先从商品数量占比上分析这五类商品是否在淘宝平台上足够多，以供用户选择。

从以上图7结果可以看出，淘宝平台共有7034种品类，种类繁多（673013种），而需求量最多的前五类商品在商品数量上一共占到了约13.25%，说明淘宝平台对这五类商品的提供了足够多的选择。

在选择足够多的情况下，需从商品购买数上分析淘宝对这五类商品的推送机制是否合理，即在用户搜索某类商品后，出现的商品是否满足用户的需求。

从上图可以观察到，除了1863类商品的购买次数较多外，其他四类商品的购买次数相对较低，甚至都未能进入购买次数的前五名。

显然，需求最高的五类商品的购买数都远低于购买数最高的五类商品，这表明淘宝对这五类需求最高的商品的推送机制存在不合理之处。淘宝平台推送给用户的这五类商品并未完全满足用户的需求，导致用户在查看该类商品后并没有产生购买行为，进而降低了转化率。这可能是因为用户在点击查看该类商品后，发现并不符合自己的期望或需求，因此选择放弃加入购物车。

根据以上分析，确实证实了之前的猜测：淘宝APP的用户在放进购物车环节流失严重的原因是，用户在淘宝花了大量时间搜寻不到符合自己需求的产品，导致放弃在淘宝平台购买，转而去其他平台购买。

基于上述结论，以下是针对改进的建议：

• 算法部门建议

应该优化淘宝的推荐算法，尤其针对需求量最高的1863、13230、5027、5894、6513这五类商品。算法部门可以监控这五类商品的购买情况，并优先推送购买量较高的商品给用户。确保用户在搜索该类商品后能够迅速看到购买量较高的商品，缩短用户寻找商品的时间，提高购买转化率。

• 市场部门建议

根据用户偏爱的五类商品，市场部门应在淘宝的主要投放渠道增加这些商品的广告投放。尤其是针对销量较高的商品，加大广告投放力度，吸引更多用户进入淘宝平台。

• 运营部门建议

用户在下午6点至晚上11点更活跃，因此运营部门可以在这个时间段策划更多的营销活动，如“聚划算”、“满减活动”等，刺激用户消费，提高转化率。针对需求量高的五类商品，应根据其主要搜寻时间段精确策划推广活动，以激活用户并提高转化率。例如，针对5027类商品，可根据其主要搜寻时间段推出针对性的促销活动，以提升用户购买意愿。

这些改进建议旨在优化用户体验、提高购买转化率，从而增加淘宝平台的销售额和用户忠诚度。

五、总结

FineBI作为一款数据分析工具，为企业带来了显著的价值。它节省了大量在处理数据上的时间，替代了繁琐的人工数据处理工作，有效提高了工作效率。通过FineBI，数据分析变得更加直观，问题也更容易被发现。多样化的数据可以通过FineBI的BI功能进行展现，帮助用户从不同的角度理解数据，发现其中隐藏的价值。因此，FineBI的使用不仅仅是提高工作效率，也是展现个人价值技能的体现。特别是在当前大数据环境下，掌握FineBI工具已经成为了必备的工作技能之一。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo