⽤户⾏为分析
学习⽬标
知道⽤户⾏为分析的常⽤⽅法
知道AARRR模型的含义
掌握使⽤Python代码进⾏⽤户⾏为分析
1、什么是⽤户⾏为分析
在产品运营中，如何及时准确的获得⽤户对产品的反馈⼗分重要，我们可以根据⽤户的反馈，及时改进产品，从⽽保持竞争优势。 ⽤户⾏为是指⽤户在产品上产⽣的⾏为，⽐如登陆，浏览商品，加购物车，收藏，点赞，分享，视频完播，划⾛视频等等
2、如何进⾏⽤户⾏为分析
⾏为事件分析的作⽤：研究某⾏为事件的发⽣对产品产⽣的影响以及影响程度。如⽤户注册、浏览产品详情页等，通过研究与事件发⽣关联的所有因素来挖掘⽤户⾏为事件背后的原因、交互影响等。
在⽇常⼯作中，运营、市场、产品、数据分析师根据实际⼯作情况⽽关注不同的事件指标、 如最近三个⽉来⾃哪个渠道的⽤户注册量最⾼？变化趋势如何？各时段的⼈均充值⾦额是分别多少？
上周来⾃北京发⽣过购买⾏为的独⽴⽤户数，按照年龄段的分布情况？每天的独⽴ Session 数是多少？
⾏为事件分析的特点与价值
⾏为事件分析法具有强⼤的筛选、分组和聚合能⼒，逻辑清晰且使⽤简单，已被⼴泛应⽤。⾏为事件分析法⼀般经过事件定义与选择、下钻分析、解释与结论等环节。
事件定义与选择。事件描述的是，⼀个⽤户在某个时间点、某个地⽅、以某种⽅式完成了某个具体的事情。Who、When、
Where、What、How是定义⼀个事件的关键因素。其中：
Who 参与事件的主体，对于未登陆⽤户，可以是 Cookie、设备ID 等匿名 ID ；对于登录⽤户，可以使⽤实际⽤户ID；
When 是事件发⽣的实际时间，应该记录精确到毫秒的事件发⽣时间；
Where 即事件发⽣的地点，可以通过IP来解析⽤户所在省市；也可以根据 GPS 定位⽅式获取地理位置信息。
How 即⽤户从事这个事件的⽅式。⽤户使⽤的设备、浏览器、 App 版本、渠道来源等等；
What 描述⽤户所做的这个事件的所有具体内容。⽐如对于“购买”类型的事件，则可能需要记录的字段有：
商品名称、商品类型、购买数量、购买⾦额、付款⽅式等。
多维度下钻分析：最为⾼效的⾏为事件分析要⽀持任意下钻分析和精细化条件筛选。
解释与结论。此环节要对分析结果进⾏合理的理论解释，判断数据分析结果是否与预期相符，如判断产品的细节优化是否提升了触发⽤户数。如果相悖，则应该针对不⾜的部分进⾏再分析与实证。
事件分析应⽤场景举例：运营⼈员发现，7⽉12 ⽇来⾃新浪渠道的 PV 数异常标⾼，因此需要快速排查原因：是异常流量还是虚假流量？
可以筛选⼴告系列来源为“新浪”的PV数据。再从其它多个维度进⾏细分下钻，⽐如“地理位置”、“时间”、“⼴告系列媒介”、“操作系统”、“浏览器”等
2.2 页⾯点击分析焦作矿山机械厂
作⽤：点击分析被应⽤于显⽰页⾯区域中不同元素点击密度的图⽰，可以：
精准评估⽤户与产品交互背后的深层关系
实现产品的跳转路径分析，完成产品页⾯之间的深层次的关系需求挖掘 与其他分析模型配合，全⾯视⾓探索数据价值
直观的对⽐和分析⽤户在页⾯的聚焦度、页⾯浏览次数和⼈数以及页⾯内各个可点击元素的百分⽐。
应⽤场景：通常⽤于⾸页、活动页、产品详情页等存在复杂交互逻辑的页⾯分析。⼀般分为可视化热⼒图、固定埋点两种形式
涉及的数据指标
浏览次数(PV)：该页⾯被浏览的次数。
浏览⼈数(UV)：该页⾯被浏览的⼈数。
页⾯内点击次数：该页⾯内所有可点击元素的总次数。
页⾯内点击⼈数：该页⾯内所有可点击元素的总⼈数。
点击⼈数占⽐：页⾯内点击⼈数/浏览⼈数。
2.3 漏⽃模型分析
漏⽃分析模型是企业实现精细化运营的重要分析模型，其精细化程度影响着营销管理的成败。
什么是漏⽃分析
漏⽃分析是⼀套流程分析，它能够科学反映⽤户⾏为状态以及从起点到终点各阶段⽤户转化率情况的重要分析模型
漏⽃分析模型⼴泛应⽤于流量监控、产品⽬标转化等⽇常数据运营⼯作中
直播⽤户从激活APP开始到刷礼物，⼀般的⽤户购物路径为
激活APP→注册账号→进⼊直播间→互动⾏为→刷礼物等五⼤阶段，漏⽃能够展现出各个阶段的转化率
通过漏⽃各环节相关数据的⽐较，能够直观地发现和说明问题所在，从⽽到优化⽅向。
漏⽃分析模型的特点与价值：
对于业务流程相对规范、周期较长、环节较多的流程分析，能够直观地发现和说明问题所在
值得强调的是，漏⽃分析模型并⾮只是简单的转化率的呈现，科学的漏⽃分析模型能够实现以下价值：
企业可以监控⽤户在各个层级的转化情况，聚焦⽤户选购全流程中最有效转化路径；同时到可优化的短板，提升⽤户体验；
降低流失是运营⼈员的重要⽬标，通过不同层级的转情况，迅速定位流失环节，针对性持续分析到可优化点，如此提升⽤户留存率。
多维度切分与呈现⽤户转化情况，成单瓶颈⽆处遁形。科学的漏⽃分析能够展现转化率趋势的曲线，能帮助企业精细地捕捉⽤户⾏为变化。提升了转化分析的精度和效率，对选购流程的异常定位和策略调整效果验证有科学指导意义。
不同属性的⽤户体漏⽃⽐较，从差异⾓度窥视优化思路。漏⽃对⽐分析是科学漏⽃分析的重要⼀环。运营⼈员可以通过观察不同属性的⽤户体（如新注册⽤户与⽼客户、不同渠道来源的客户）各环节转化率，各流程步骤转化率的差异对⽐，了解转化率最⾼的⽤户体，分析漏⽃合理性，并针对转化率异常环节进⾏调整。
2.4 ⽤户⾏为路径分析
什么是⽤户⾏为路径
⽤户路径分析就是指⽤户在APP或⽹站中的访问⾏为路径，为了衡量⽹站优化的效果或营销推⼴的效果，以及了解⽤户⾏为偏好，时常要对访问路径的转换数据进⾏分析鸟的祖先
以电商为例：买家从登录⽹站／APP到⽀付成功要经过⾸页浏览、搜索商品、加⼊购物车、提交订单、⽀付订单等过程
⽽在⽤户真实的选购过程是⼀个交缠反复的过程，例如提交订单后，⽤户可能会返回⾸页继续搜索商
品，也可能去取消订单，
每⼀个路径背后都有不同的动机。与其他分析模型配合进⾏深⼊分析后，能为到快速⽤户动机，从⽽引领⽤户⾛向最优路径
或者期望中的路径。
⽤户路径分析模型的价值medline
⽤户路径的分析结果通常以桑基图形式展现，以⽬标事件为起点／终点，详细查看后续／前置路径，可以详细查看某个节点事件的流向，科学的⽤户路径分析能够带来以下价值：
可视化⽤户流，全⾯了解⽤户整体⾏为路径
通过⽤户路径分析，可以将⼀个事件的上下游进⾏可视化展⽰。⽤户即可查看当前节点事件的相关信息，包括事件名、分
组属性值、后续事件统计、流失、后续事件列表等。运营⼈员可通过⽤户整体⾏为路径到不同⾏为间的关系，挖掘规律
并到瓶颈。
定位影响转化的主次因素，产品设计的优化与改进有的放⽮
路径分析对产品设计的优化与改进有着很⼤的帮助，了解⽤户从登录到购买整体⾏为的主路径和次路径，根据⽤户路径中各个环节的转化率，发现⽤户的⾏为规律和偏好，也可以⽤于监测和定位⽤户路径⾛向中存在的问题，判断影响转化的主要因素和次要因素，也可以发现某些冷僻的功能点。
⽤户⾏为分析应⽤场景
某O2O服务平台。在⼀次评估客户总体转化率过程中，通过漏⽃分析发现，从登录APP后，提交订单的商超客户仅有 30 %，接下来可以通过⽤户路径客户流失的原因所在。通过⽤户路径分析模型，清晰展⽰了商超客户的动作⾛向，为判断客户流失原因重要⽅式之⼀。
运营⼈员选取若⼲事件对客户购买路径进⾏深度分析。图中显⽰
⽤户登录APP后，约有40 %的客户会点击Banner
30 %的客户会直接进⾏商品搜索
约10%的⽤户会浏览商品列表
约 5 %的客户直接退出APP。
运营⼈员进⼀步看4类⽤户的提交订单的情况：
直接进⾏“搜索商品”的⽤户进⾏提交订单⽐例最⾼，超过 90 % ；
尽管“点击Banner”是更多客户登录APP后的⾸选动作（约占总客户的40 %）但是这部分⽤户体在浏览商品列表后，仅仅30%的⽤户提交订单
说明Banner内容布局有着⽐较糟糕的⽤户体验，则将此作为⾸选优化与改进的⽅向。
⽤户真实的选购过程是⼀个交缠反复的过程，每⼀个路径背后都有不同的动机。通过⽤户⾏为路径能够清晰看到⽤户⾏为特点与背后原因。若与其他分析模型配合，会产⽣更佳效果，通过数据分析能够快速到⽤户动机，从⽽引领⽤户⾛向最优路径或者期望中的路径。
3、⽤户⾏为分析案例背景
某电商平台希望通过⽤户⾏为分析提⾼销售额
3.1 AARRR模型
AARRR模型
Acquisition（获得新⽤户）：PV，UV
Activation（⽤户激活）：⽤户活跃，按时间维度
Retention（⽤户留存）：留存率（次⽇留存，七⽇留存等）
Revenue（⽤户付费）：获取收⼊，⽤户购买率
Referral（⽤户推荐） 分享，（朋友圈，砍⼀⼑，返现，分享满N⼈给优惠券）这⾥缺少相关数据AARR相关指标
获取⽤户：PV、UV、跳失率
提⾼活跃度：时活跃度、⽇活跃度
药用植物学论文
提搞留存率：⼀段时间窗⼝内的留存
促进付费：有多少⽤户购买、购买率？⽤户的回购⾏为如何？
3.2 案例数据介绍
数据字段介绍
cust_id ⽤户ID
prod_id 商品ID
group_id 商品
我们利⽤上述数据做如下分析：
⽤户购物⾏为的整体分析 (基础指标计算)
PV/UV
平均访问量
跳失率
tl⽤户最活跃的⽇期和时间段
商品购买情况分析 (⽤户偏好分析)
商品购买次数
商品点击次数
商品购买次数和点击次数总体分析
商品转化率
⽤户⾏为转化漏⽃
点击加购物车转化率
点击加收藏转化率
点击购买转化率
4、代码实现
4.1 数据加载与处理
加载数据
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import time
from datetime import datetime,timedelta,date
%matplotlib inline
ad_csv('data/customer_behavior.csv')
df.head()
去掉⽆⽤数据
data=df[['cust_id','prod_id','group_id','be_type','day_id','buy_time']]
data.info()
数据类型转换
data['day_id']=pd.to_datetime(data['day_id'])
data['buy_time']=pd.to_datetime(data['buy_time'])山东建工学院
data1= data[(data.buy_time>='2019-11-05')&(data.buy_time<='2019-11-13')]查看筛选后数据与筛选前数据⽐较，看数据集是否有变化
len(data)
10224104
len(data1)
10218544
查看数据基本情况
data1.head()
查看be_type字段总类
data1['be_type'].drop_duplicates()
pv 9145058
cart 567531
fav 302497
buy 203458
Name: be_type, dtype: int64
查看数据中是否有空值
data1.isnull().any()
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议