透過對使用者行為資料進行分析，可以對使用者模型構建出精細、完整的使用者畫像，從而驅動業務實現增長。那要如何分析使用者行為資料呢？本文介紹了使用者行為主要包含的資料和5個分析使用者行為資料驅動業務增長的方法，與大家分享！
所謂的使用者行為資料實質上是從點選、頻次等多維深度的還原使用者動態使用場景和使用者體驗，再透過對使用者行為監測獲取的資料進行分析。
可以更加詳細、清楚地瞭解使用者的行為習慣；還可以找出產品功能、網站、推廣渠道等各個業務線中存在的問題，讓產品業務線更加精準、有效，提高轉化率；還可以進行使用者分層和使用者分群，實現使用者精準營銷和精細化運營，從而驅動業務實現增長。
然而，全域性視野看使用者的行為軌跡資料，會有意想不到的收穫。
可透過行為資料補充，對使用者模型構建出精細、完整的使用者畫像。以行為觸發為起點，向上關聯使用者，向下關聯業務，這樣最大限度的保證資料完整性，進而驅動業務增長。
……
使用者使用產品的有很多場景，所以使用者行為資料有很多，在這裡不一一介紹了，當然歡迎大家留言補充。
總的來說，這些資料反映的都是產品業務線的總體情況，資料的價值除了反映現狀，還有更重要的是應用。
如何應用這些資料，透過分析，來驅動業務增長呢?
如，PV、日均訪問量、使用者總數、訂單數、會員數、總銷售額、使用者來源分佈及佔比、有購買行為的使用者數量、使用者的客單價、復購率分別是多少？等等整體使用者概況資料。
如，Toc的購買路徑一般為開啟APP→點選商品頁面→瀏覽商品詳細頁→ 新增購物車→ 完成支付。
Tob的路徑一般使用者會經歷認知→熟悉→試用→使用→忠誠→購買的過程。可以清晰的看到使用者在路徑中的每一步轉化。
比如，從檢視商品詳情到最終支付成功每一步的轉化率，從而對既定路徑不斷調優。
若使用者點選加購物車的轉化率較低得到話 ，需要提高使用者的購買意願，可透過活動促銷、精準營銷等方式。
如，完成支付與未完成支付的人群有什麼特徵？新增購物車與未新增購物車的人群有什麼特徵？註冊使用者和非註冊使用者，分析兩者之間的瀏覽特徵等等。
發現問題，最佳化運營策略，從而進行使用者精細化運營；實現使用者精準營銷，驅動業務增長。
比如，透過使用者分群瞭解到近期使用者有高頻次搜尋的同一類關鍵詞的特徵。可同步到前端頁面，設定成可點選元素，提高搜尋效率。還可以知道有明確目標客戶，受促銷和廣告影響少。
如，使用者在不同時段的訪問量情況分佈、活躍情況、新增情況、使用間隔分佈等。
看出不同時間段的使用者行為趨勢，透過分析，看出趨勢高低的原因；進而最佳化運營策略，加大或者減少投放費用等，驅動業務增長。
比如，透過分析不同時段使用者的搜尋行為習慣及峰值和低谷，為不同時段的使用者補充不同的商品/課程/服務。加大活動力度、最佳化搜尋結果頁結構、最佳化搜尋推薦等提供資料支援。
還可以根據使用者的活躍時間段精準推送商家的折扣優惠或促銷活動，提高購買率。
RFM模型透過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢3項指標來描述該客戶的價值狀況；基於一個理想的客戶特徵來衡量現實中客戶價值的高低。
透過此類分析，定位最有可能成為品牌忠誠客戶的群體，讓我們把主要精力放在最有價值的使用者身上。進而實現精準的營銷以及使用者維護，驅動業務增長。
比如，透過RFM模型進行使用者分類，可以顯示出該各類客戶的佔比。顯而易見一般挽留客戶與一般發展客戶佔據多數，說明該產品業務線使用者結構不是很合理，需要儘快採取措施進行最佳化。
還可以透過對R 和 F 的資料監測，推測客戶異常狀況，挽回流失客戶。
我們也需要思考一般挽留客戶與一般發展客戶佔據多數，這個是比較正常的情況。
根據正態分佈，中間的數字確實是挺高的，所以這一點可能需要琢磨一下。
根據二八原則，一個公司百分之八十的利潤，是百分之二十的客戶帶來的，所以資源一般是向這百分之二十的客戶去傾斜，而不是剩下的百分之八十。挽回流失的客戶也是需要成本的，可能還是得考慮投入產出比的問題。
總之，透過使用者行為資料深挖使用者表面行為的背後真實、本質的需求。全面視角的分析使用者行為資料，實現使用者精準營銷和精細化運營，從而驅動業務實現增長。
還有一個值得需要考慮的是成本問題，朋友如是說：
“我所瞭解的使用者行為分析，需要較高的門檻，既要有一套完整的資料監控體系，而且要確保資料是真實的，同時拿到一大堆使用者的行為資料來分析，也是很頭疼的一件事。從產入產出比來看，如果使用者行為分析只是用在使用者畫像和智慧推薦的話，成本是一個必須要考慮的問題。”
而對於使用者進行分析不侷限於“RFM模型”，可以根據分析的目的，靈活選擇常用的分析模型，對使用者進行分析和分類區分。
引用朋友的一句話：
“我們意識形態裡面都會覺得大資料裡面一定能挖掘出一些資訊，或者價值。實際情況有這麼一種：在促銷活動裡面，我們通常會認為促銷的方案落地之後，營業的資料一定曲線向上，實際上更多的時候營業資料的波動並不會特別明顯，甚至用了某些模型，會得出“促銷方案的效果幾乎等於0”的結論。所以，資料分析的背後是不是一定能挖掘出某些價值。如果沒有，那麼問題出在哪裡，對“資料分析”這個工具的使用，還有哪些注意方式。”
所以，我們需要找到合適的“資料分析”工具方法及模型。
作者：木兮，資料運營小白；公眾號：木木自由
本文由 @木兮 原創釋出於人人都是產品經理，未經許可，禁止轉載
題圖來自正版相簿 圖蟲創意