用戶模型（一）

“用戶”是以人為中心的數(shù)據(jù)分析平臺(tái)的最小單元，對(duì)單個(gè)用戶畫(huà)像構(gòu)建越完整，數(shù)據(jù)多維交叉的分析能力才能凸顯。

圖1：諸葛io新零售demo之用戶檔案（虛擬數(shù)據(jù)）

行為即標(biāo)簽，過(guò)去我們常常通過(guò)給用戶打標(biāo)簽的方式進(jìn)行用戶洞察。事實(shí)上，行為數(shù)據(jù)本身已變得越來(lái)越有價(jià)值，基于用戶行為數(shù)據(jù)的用戶模型，記錄了每個(gè)用戶的每一次行為，客觀真實(shí)的還原了用戶與產(chǎn)品的交互過(guò)程，與單純的標(biāo)記“用戶標(biāo)簽”相比，記錄下來(lái)的用戶行為數(shù)據(jù)更具有多維交叉分析的價(jià)值，構(gòu)建出來(lái)的單個(gè)用戶畫(huà)像更完整科學(xué)。

事件模型（二）

用戶在產(chǎn)品上的行為（所有和代碼的交互）都是會(huì)被記錄的，怎么標(biāo)記是事件模型的核心，它是漏斗模型、自定義留存模型、全行為路徑分析模型的數(shù)據(jù)源。

圖2：諸葛io教育培訓(xùn)demo（虛擬數(shù)據(jù)）

為了最大化還原用戶使用場(chǎng)景，我們引入一個(gè)結(jié)構(gòu)：事件-屬性-值，如果靈活運(yùn)用這一結(jié)構(gòu)，將極大地節(jié)省事件量，提高工作效率，使后續(xù)的數(shù)據(jù)洞察和交叉分析更精準(zhǔn)，讓我們?cè)谌粘５臉I(yè)務(wù)分析中，可以更直接快速的掌握數(shù)據(jù)波動(dòng)趨勢(shì)。

漏斗分析模型（三）

在行為數(shù)據(jù)的漏斗分析中，通常我們以每一步觸發(fā)的人數(shù)為統(tǒng)計(jì)口徑。漏斗中另一個(gè)重要的限定因素是：轉(zhuǎn)化時(shí)間的限定。

圖3：諸葛io教育培訓(xùn)demo之漏斗（虛擬數(shù)據(jù)）

統(tǒng)計(jì)不是目的，指導(dǎo)業(yè)務(wù)增長(zhǎng)才是最重要的，通過(guò)產(chǎn)品每一個(gè)設(shè)計(jì)步驟的數(shù)據(jù)反饋得出產(chǎn)品的運(yùn)行情況，然后通過(guò)各階段的具體分析改善產(chǎn)品的設(shè)計(jì)，提升產(chǎn)品的用戶體驗(yàn)，這就是漏斗模型的核心價(jià)值。

熱圖分析模型（四）

熱圖的目標(biāo)是能更直觀的分析用戶在頁(yè)面上的焦點(diǎn)，不需要定義事件，不需要去對(duì)比事件，直接在頁(yè)面上通過(guò)顏色深淺還原用戶的聚焦位置并形成對(duì)比。

圖4：麥子學(xué)院官網(wǎng)首頁(yè)

（圖示數(shù)據(jù)為脫敏數(shù)據(jù)）

作為信息時(shí)代兼具客觀性和易用性的數(shù)據(jù)分析模型——熱圖分析，可視化的數(shù)據(jù)呈現(xiàn)，幫助你快速發(fā)現(xiàn)數(shù)據(jù)背后的問(wèn)題，為網(wǎng)站的優(yōu)化提供有力的數(shù)據(jù)支撐，關(guān)注點(diǎn)擊行為的同時(shí)更關(guān)注不同特點(diǎn)用戶的瀏覽習(xí)慣，為用戶呈現(xiàn)個(gè)性化的產(chǎn)品價(jià)值。

自定義留存分析模型（五）

留存被認(rèn)為是比較高級(jí)的一個(gè)指標(biāo)，是判斷產(chǎn)品價(jià)值最重要的標(biāo)準(zhǔn)無(wú)論用戶在應(yīng)用內(nèi)做了什么，只要打開(kāi)了應(yīng)用就是一個(gè)留存用戶，但不同產(chǎn)品對(duì)留存有不同的定義。

圖5：回訪行為是查看課程詳情的7日留存數(shù)據(jù)

除了N-day留存、Unbounded留存、Bracket留存，這些對(duì)時(shí)間限定的留存指標(biāo)外 ，越來(lái)越多的產(chǎn)品開(kāi)始關(guān)注自定義留存，因?yàn)樗麄兏胫阑谧约簶I(yè)務(wù)場(chǎng)景下用戶的留存情況。比如閱讀類產(chǎn)品會(huì)把看過(guò)至少一篇文章的用戶定義為真正的留存用戶，因此，自定義留存模型，是通過(guò)更靈活的行為和時(shí)間條件的設(shè)置，讓留存指標(biāo)更精細(xì)化，讓運(yùn)營(yíng)策略更聚焦，更有效。

粘性分析（六）

如果要整體評(píng)估產(chǎn)品健康度，除了“留存”外，你可能還需要知道：“一個(gè)人使用了幾天”，也即很多產(chǎn)品一直無(wú)法衡量的維度：粘性。

圖6：諸葛iodemo數(shù)據(jù)之任意行為的粘性分析

通過(guò)粘性分析，讓你了解產(chǎn)品或某個(gè)功能粘住用戶的能力如何，除了常用的留存指標(biāo)外，粘性從更多維度讓你了解到用戶是如何使用產(chǎn)品的，哪個(gè)功能是被用戶所喜歡的，不同用戶對(duì)同一功能在使用上有哪些差異，幫你更科學(xué)的評(píng)估產(chǎn)品和功能，更有效的制定留存策略。

全行為路徑分析（七）

用戶在產(chǎn)品中的行為其實(shí)是個(gè)黑盒子，全行為路徑是用全局視野看用戶的行為軌跡，很多時(shí)候你會(huì)有意想不到的收獲，在可視化的過(guò)程中有兩個(gè)模型，一個(gè)是樹(shù)形圖、一個(gè)是太陽(yáng)圖。

圖7：諸葛iodemo數(shù)據(jù)之太陽(yáng)圖

圖8：諸葛iodemo數(shù)據(jù)之樹(shù)形圖

全行為路徑分析讓你更直觀的看到用戶使用產(chǎn)品的狀況，了解用戶的來(lái)龍去脈，找到用戶最有可能完成核心轉(zhuǎn)化的行為，通過(guò)產(chǎn)品上以及運(yùn)營(yíng)策略上的引導(dǎo)，持續(xù)挖掘更多用戶的價(jià)值。

用戶分群模型（八）

挖掘用戶需求、了解用戶行為習(xí)慣成為產(chǎn)品設(shè)計(jì)和用戶運(yùn)營(yíng)必不可少的一環(huán)。但是，單從宏觀的數(shù)據(jù)和指標(biāo)分析中，有時(shí)很難做到深入理解用戶的需求偏好和行為特性，因此，我們需要通過(guò)對(duì)用戶的分群，讓我們更好的尋找最關(guān)鍵的核心用戶、精細(xì)化設(shè)計(jì)產(chǎn)品、針對(duì)化運(yùn)營(yíng)。

圖9：諸葛io在線教育DEMO數(shù)據(jù)之手機(jī)潛在消費(fèi)用戶

用戶分群模型，讓你更深入地理解各細(xì)分用戶群的差異，以便用于差異化的產(chǎn)品設(shè)計(jì)或運(yùn)營(yíng)活動(dòng)的投放，更好地滿足用戶需求，提高用戶粘性。

互聯(lián)網(wǎng)產(chǎn)品的數(shù)據(jù)分析除了要進(jìn)行日常統(tǒng)計(jì)分析，更要以人為中心“人群細(xì)分”這幾乎可以認(rèn)為是數(shù)字化營(yíng)銷的核心思維，你需要基于不同階段提供的不同產(chǎn)品或服務(wù)（比如營(yíng)銷創(chuàng)意、提供的商品和服務(wù)以及特定的活動(dòng)）的特性面向更加細(xì)分的人群，以此來(lái)“討好”你的用戶，并以他的需求和感受為中心。你會(huì)用好看的圖表和工具呈現(xiàn)出各種結(jié)果，但對(duì)數(shù)據(jù)的解讀需要回歸到數(shù)字背后的人，人的需求、以及當(dāng)下的情感，以此來(lái)指導(dǎo)產(chǎn)品迭代和運(yùn)營(yíng)策略。

作者：諸葛io / zhugeio1