上篇聊了用戶行為分析的構建指南，此篇繼續聊聊一些常見的分析方法與實踐，不會太深奧，主要是面向產品設計或初中級用研這些群體，目的是更好服務“用戶體驗”與“商業轉化”，期望能幫助大家更好達成分析訴求推進業務，或是與數據相關崗位的同事更好交流，說不定還能在各位的簡歷或作品集里添點新貨。

期望是：不止會看報表，還能搞定報表跟業務分析

一、非數據分析師的我們能做些什么？

答：

① 「需求是什么」

知道業務需求是什么？需要什么樣的行為數據支撐？即能夠根據業務提出行為分析訴求，來輔助實現業務改進或驗證。

② 「指標怎么算」

清晰字段參數的含義與數據口徑，知道用哪些數據可以獲取目標指標，例如通過哪些數據可以視用戶為活躍用戶？哪些數據可以視為用戶有高價值，既然上一篇有人不關心如何構建用戶行為數據集，那么作為產研設計人員，你要什么數據和什么口徑你總得說清楚吧。

③ 「報表報什么」

期望匯報哪些指標數據，用什么圖表形式表達更合適，或許很多同學沒有上手執行過這些，甚至認為都是 BI 或開發的事情，不然，實際上不同職能角色的報表的訴求是不一樣的，即然你提出了需求，那么需求落地的規格肯定是要參與啊，要是你有能力使用 BI 工具自己執行，那還不是得心應手？

二、用戶行為分析的構建工作有什么？

整個構建流程或概念參考下圖，或前往上一篇的《用戶行為分析-構建篇》了解更多，此處不贅述；

三、用戶行為分析一般分析些什么？

通常我們做用戶行為分析時會分析哪些東西？能解決或反映什么問題？適合哪些產品或業務場景？

事實上概念很簡單，請看下圖；

如果只是聊用戶什么時候在什么場景做了什么事件，實際對業務意義不大，所以這里結合一些典型的用戶行為分析方法的模型，聊聊一般分析些什么，起到些什么作用。

但此前請讓我再補充一個后文經常出現的基礎概念，即“度量指標”是什么？這是一個用戶行為分析中常見的基本概念，度量指標通常就是一個數值，可以用作衡量業務的好壞或高低，它就像是試卷的分數通過每道題的得分統計得到，也可以像是體溫，數值即指標結果。

常見的用戶行為分析工作基本上就圍繞拉新、促活、轉化、留存開展，根據不同的業務訴求會配合各類分析方法來找問題或改問題，以下表中羅列了主流的行為分析工作與說明，以幫助你了解和匹配業務訴求。

四、如何搭建用戶行為分析報表「案例實踐」

以下會用到神策的 Demo 演示如何實操，以幫助大家更快上手和理解，用其他產品來構建分析報表也是大同小異的，Excel 也能勝任，熟悉數據庫操作與寫代碼腳本分析的大佬可以保持硬核的分析手段哈；

首先再幫助大家回顧一下數據報表的生產過程，后續會圍繞這個過程的節點來講怎么搭建分析；

1. 采集數據

主要是通過數據埋點、傳感器采集或是后臺日志等方式獲取用戶操作的行為數據，即每一個功能按鈕發生操作行為時的事件日志，這些日志會包含多個維度的數據，例如頁面場景信息、動作類型信息、用戶角色信息，為分析出更完整有效的結論，業務上也會盡可能的收集到更多業務或用戶信息，然后將不同類型的數據表進行關聯以產生更完整的數據集，這種關聯也被叫做數據表的血緣關系。

例如一張用戶行為數據表+用戶屬性表，其中通過相同且唯一的數據進行綁定，如果你做分析時發現缺少數據就可以詢問有無相關數據表可以綁定，最終你會看見一個更完整的行為事件的數據，這也是為什么用戶數據會被拿來交易的原因之一；

2. 清洗數據

① 數據口徑校驗

數據源準備好以后，就可以接入到數據分析平臺或工具之中，當我們發覺數據源里的數據特征有異常或不符合業務場景，那么就需要將數據清理或糾正，以保證用作分析的數據是有效的，因此在產品開發前，作為產品或是交互，定義好這些信息規格很重要，常見的數據格式可參考下表，先從熟悉業務數據特征開始吧，
如果業務數據特征都不熟悉，還談什么數據敏感。

② 異常數據識別

清洗數據簡單概括就是在應用或構建指標及報表前，對行為數據查缺補漏，去除無效以及糾正錯誤，通常這些工作都是由開發或數據 BI 去進行，但我們需要能夠識別出缺少什么數據、哪些數據有異常、哪些數據不符合規范、哪些數據口徑對不上，這些就需要通過熟悉業務場景或產品需求設定來進行識別了。

如果說數據基本是符合預期的，那么在下一階段的指標度量工作中，剩余的清洗工作主要就是條件過濾，幫助篩選出符合預期或有效的數據進行分析應用，這種頭疼的清洗或過濾需求我時常碰到，我來給你們舉個例子；

3. 構建指標度量

① 常見指標度量怎么來的

當我們清楚數據的含義與特征后，其實就應該發現很多數據是可以直接拿來統計后作基礎指標的，如常見的人數、某事件的操作次數、人均操作次數等，并且有些指標結合時間分布、動作類型、用戶去重統計等就可以產生更多其他的基礎指標，這些經過簡單加工的基礎指標還可能會被其他指標計算時用上。

例如將常見的「用戶 ID」「首頁訪問」「充值金額」結合「時間維度」就可以得到以下各種指標；

當然，不同的行業會有不同的基礎指標，在上一篇的《用戶行為分析構建篇》中已經為大家羅列了一份常見的通用指標構建表，大家可以回顧一下，這里也提供了一個神策的指標拆解工具作為構建基礎指標的參考；指標拆解工具｜數據指標體系查詢平臺 》〉

② 指標構建常用的算法

當我們需要一些特別的或定制化的指標時，就需要對數據表的參數截取、分組、計算等，一般會用到數據庫的函數運算或條件判斷，最常見的就是加減乘除、是否、等于、排除、且、或這些，對于這些運算函數，相信學過 Excel 統計的同學并不會很陌生，以下是一份 SQL 常見的函數整理，因為不同平臺的函數應用格式會有差異，這里就不展開應用案例了，大家先了解下常見算法的函數類型與用途，有些 BI 平臺甚至把這些函數做成了特定選項或模版了，實際需要運算時，查閱資料或找客服即可；

③ 數據到業務指標構建

為了更好的聚焦“用戶行為”，那么以下是一份游戲行業的用戶行為數據源，這份數據表具備了主要的業務字段或參數，通常每一個用戶行為事件的數據都會包攬這些信息，便于我們根據指標對數據進行計算或加工成指標度量。

為了方便大家理解，這里我撈取了部分字段參數做成了表格說明，以便于大家消化理解每個字段數據背后代表了什么信息或指標，后半截則會通過這些原始數據演示如何構建基礎指標的計算列或是度量參數；

如上，我們對一些數據進行組合加工時會用到“計算列”，實際上它的概念很簡單，這里我用 Excel 的數據表格舉個例子；

如圖下，每個大寫字母開頭的數據組為列，編號開頭的則為行，計算列則是在已有數據列的基礎上進行計算或條件判斷加工得出的新數據列。

Excel 表格通常是創建完成目標列以后，在表格上方的輸入框中填寫對應的計算函數或公式，在數據庫或其他 BI 工具中，也都相應的會提供計算列的新增編輯窗口，以滿足數據的加工。

相信看到這里，你已經知道數據是怎么加工成基礎指標的了，如果這些數據加工你不熟悉甚至不會，你依舊可以找數據的同事輔助或是找開發在數據表里預處理好目標計算列或度量。

那么基于這份游戲行為數據表，我們繼續開展行為分析案例。

4. 分析方法應用「案例演示」

前面枯燥的行為數據構成 End 了，基于完成采集和加工的數據集，就可以開始著手用戶行為的數據分析與報表構建了，興奮的搓搓小手～～

① 數據選用

從用戶行為數據構建篇到此篇，前面鋪墊了這么多是為了幫助我們弄清楚三點，即數據的范圍、數據的含義、數據的特征，怎么理解呢？

1. 數據的范圍：哪些業務場景的用戶行為數據是可以采集到的，結合業務指標與分析，是否需要完善數據采集。
2. 數據的含義：數據表中的各個行為事件有什么含義，結合到業務場景中，能代表什么指標或是關鍵事件？
3. 數據的特征：即行為事件中記錄了哪些業務擴參、用戶資料、行為類型等，這些信息在行為事件分析或過濾判斷時都會用到，這些特征信息不僅可以幫助我們鎖定指定的數據，還可以通過配合其他產生一些新的業務指標，詳細可參考前面「構建指標度量〉〉常見指標度量怎么來的」部分。

OK～那么當我們明確了業務分析的目標和這些行為數據后，數據選用無非就是以下幾點；

1. 我要分析什么：分析什么行為事件？分析哪兒出問題了？分析哪個場景熱鬧？分析用戶在逛啥等？（注：第三部分“用戶行為分析一般分析些什么有講到”）
2. 用什么分析模型：對應到分析目標，找到合適的分析方法或模型，如事件分析、漏斗分析、行為路徑分析等。
3. 用到哪些行為數據：結合分析方法或模型的構成特征，準備好相應的數據，如各個核心頁面的訪問、關鍵信息或模塊的曝光、下單等核心的行為事件日志等。
4. 用到哪些參數屬性加工：通過參數進行條件過濾或是統計計算等，例如通過性別參數只看女性行為數據，通過用戶類型過濾掉內部員工數據，總是使得分析結果能夠滿足分析訴求！

廢話 END 那么說完了數據選用，這里我用神策 RPG 游戲的 Demo 數據開始演示如何開始用戶行為分析。Demo 地址：https://www.sensorsdata.cn/demo/game.html

② 事件分析

這都叫啥事兒！分析單個或多個行為指標的數據情況，可以觀察出行為指標的趨勢變化，不通條件下的數據體量、多個行為指標的趨勢關系等。

③ 漏斗分析

哪兒出了問題？常用作消費決策場景、渠道增長、任務流程的轉化分析，以了解轉化流失的情況和原因深入分析。

④ 留存分析

還愛嗎？常用作用戶粘性評估、用戶忠誠度評估、市場認可度相關評估對比。

⑤ 分布分析

哪里熱鬧哦？常用作業務場景的流量分布、不同時段的流量趨勢或是核心行為指標的頻次分布等洞察。

⑥ 行為路徑分析

瞎逛啥呢？常用作用戶在產品頁面之間的跳轉關系示意，以觀察用戶的活動路徑、訪問習慣、活動范圍與偏好。

⑦ 歸因分析

這事兒賴誰？常用作業務核心指標轉化相關的事件貢獻度分析，用作改善或調整運營策略。

⑧ 用戶屬性分析

這幫人咋樣？常用作用戶畫像完善、行為趨勢或偏好洞察、功能或營銷效果對比、用戶生命周期、用戶標簽分類。

五、行為分析篇實戰小結

看到這里，且不說完全掌握相關處理方法與應用，至少各個節點的流程事項能通過數據源串起來了吧。在案例實踐過程中，也都是用的一些相對簡單的方法不是嘛，因為是案例演示，所以精細化與嚴謹程度是不夠的，但真實的業務場景中，更多的也只是確保數據準確與口徑一致，然后搭建報表時確保指標算法無誤，并過濾出有效的數據。

好了，那么當我們形成報表后，怎樣才能知道報表對不對呢？下篇揭曉：

下一章《(用戶行為分析)-異常修復》終篇

感謝耐心閱讀，如果覺得寫的還行，歡迎點贊關注一下，下次更新先通知你～