在做用戶行為分析時，我們需要用到哪些應用指標

我們知道用戶行為數據的獲取是由用戶在網頁或者APP的點擊產生的，這些在網頁或者APP的行為數據能夠用來判斷用戶對產品的喜好及期望，所以分析用戶的行為數據對于我們做精準營銷以及迭代出符合用戶喜好的產品非常重要。

但是，用戶行為數據又那么多，我們很難做到一個個不遺漏的去分析，所以我們很有必要對用戶行為數據進行一個簡單而又方便全面的劃分，以便我們處理和分析這些用戶行為數據。

一、用戶行為的分類及價值

我們知道由點擊流數據衍生出了很多行為指標，比如：訪問頻率、平均停留時長、消費行為、信息互動行為、內容發布行為等。但是這些指標有太復雜，不利于我們進行快速的對用戶進行分析，那么該如何對這些指標進行有效而又簡單的而劃分，進而有利于我們進行快速的分析用戶呢？

1、用戶行為的分類

本著簡單又全的原則，我們將用戶行為數據分為三類：

黏性；

活躍；

產出。

為什么這樣劃分呢？

這三個指標可以包含很多其他細分的行為指標，利用這三大指標進行系統而又簡潔的劃分，不遺漏的分析其他衍生出的指標將有助于我們避免累贅及減少工作量。而這些指標可共同衡量用戶在網頁及APP中的行為表現，進而去區分用戶的行為特征，對用戶打分，再去對不同類型的用戶進行分群精細化營銷推廣，提升運營推廣的價值。

用戶行為分類如下圖：

2、用戶行為指標意義

1）黏性：主要關注用戶在一段時間內持續訪問的情況，是一種持續狀態，所以將“訪問頻率”、“訪問間隔時間”歸在黏性的分類；

2）活躍：考察的是用戶訪問的參與度，一般對用戶的每次訪問取平均值，將“平均停留時間”、“平均訪問頁面數”用來衡量活躍指標；

3）產出：用來衡量用戶創造的直接價值輸出，例如電商 網站的“訂單數”、“客單價”，一個衡量頻率，一個衡量平均產出 的價值。

當然，可以基于用戶行為的三大類：黏性、活躍、產出，在每個大類上再去添加不同的行為指標，只要能夠體現其分析價值并且不重疊。比如，“黏性”指標里面包含了“訪問頻率”、“訪問間隔時間”，訪問次數越多，那相應的訪問頁數也就越多，如果在“黏性”里面加上“PV”就存在相關聯性，進而對分析結果就產生影響，所以這里選擇“平均訪問頁面數”，并把它放在“活躍”里面。即基于行為分類和指標的獨立性，才能體現不同的分析價值。

二、基于用戶行為分析的細分

根據用戶行為的分類：黏性、活躍、產出，我們可以判斷用戶對產品的價值貢獻，但是對于這些用戶只根據這些指標能夠判斷他們的喜好嗎？顯然，這是不夠的，我們還得去研究這些用戶的特征及對產品的期望，再去做精準營銷。那么，如何分析用戶的喜好呢？

用戶分類

我們知道不同的用戶對網站內容是有不同的期望的，我們只有將用戶進行細分，才能針對性的做出推薦。這里主要將用戶細分成三大類：

流失用戶/留存用戶；

新用戶/老用戶；

單次購買用戶/二次購買用戶。

基于這3類細分，對每個分類的用戶購買商品情況進行比較，明確哪些商品更加符合預期。以電商網站舉例：

2.1 流失用戶/留存用戶舉例

如下圖：

算出流失用戶比例后，我們只是知道每個商品的流失用戶比例，但并不能評價這個商品是否對留住用戶有促進作用，或者在一定程度上反而使得用戶數量下降。我們只有設定一個電商網站商品的總體平均流失率，然后拿流失用戶比例與總體平均流失率做對比，最后才能得出相應的結論。

那么，表格中的“與總體比較”數值是怎么計算得到的呢？通常，我們會根據網站的情況及經驗設定一個總體平均流失率，這里設為56%，以A商品為例，計算的結果就是：

（58.13%-56%）/565=3.80%。

使用同樣的方法可以把其他商品“與總體比較”的值算出來。由計算我們知道：

1）當結果為正數時，說明用戶流失率大于總體平均流失率，此款商品表現比較差，不適合留住用戶，表格中標為紅色；

2）當計算結果為負數時，說明用戶流失率小于總體平均流失率，此款商品表現較好，適合留住用戶，表格中標為藍色。

很明顯，這樣分析對運營很有指導性，對于能夠留住用戶的商品進行重點推薦，對于不能留住用戶的商品進行優化或者下架。

2.2 新用戶/老用戶舉例

繼續用上面的例子來分析新用戶/老用戶的購買喜好。如下圖：

從表格中知道，購買D商品的用戶比例明顯較低，F商品更符合用戶口味。說明這樣細分對新老客戶的區分定向推廣是有好處的，當然這要注意渠道推廣的差異，比如把新用戶放在新用戶比較集中的Landing Page中顯示，那么自然新用戶購比例會較高。

2.3 單次購買用戶/二次購買用戶舉例

我們知道用戶的首次購物體驗很重要，因為這會直接影響用戶是否會進行二次或多次購買，或者成為網站的忠實粉絲。

舉個例子，如下圖：

由表格知道，B和F促進用戶二次購買的表現不大好，然后我們需要分析原因，有可能是商品的質量或商品的使用問題影響了用戶的滿意度，也有可能是銷售或者營銷的問題，阻礙了用戶再次購買的腳步，這里需要我們進行深入的研究。

三、總結

知道如何簡單而又全面的進行用戶分類后，然后再對用為行為細分，用戶細分分析是用于比較的，比較是為了反映差異進而做出調整優化的，所以，細分的最終目的是指導運營決策，這也是數據分析的價值。