72 (7233,游戏盒)

本文目录导航：

• 72-R言语淘宝用户行为剖析案例
• 产品经理如何做用户行为剖析？
• 电商用户行为剖析（一）

72-R言语淘宝用户行为剖析案例

参考：数据：检查数据集缺失值状况： 变量time和user_geohash都蕴含缺失值，其中time蕴含1个缺失值，user_geohash蕴含个缺失值。

由于user_geohash天文消息在数据搜集环节中做过加密转换，所以选用不对缺失值启动处置。

将time列决裂为date和hour列，并转换数据类型： PV(访问量)：即Page View，指网站页面的阅读量或点击量，页面被刷新一次性就计算一次性。

UV(独立访客)：即Unique Visitor，访问网站的一台电脑客户端为一个访客。

1）日访问量剖析 2）日访客剖析 结果如图所示，pv和uv访问量在双十二时期到达峰值。

经常使用最高uv除以总人数，可得出双十二时期淘宝用户的日生动率最高为67.5%。

3）小时访问量剖析 1、2、3、4区分代表点击、收藏、加购物车和支付。

从上图中可以看到点击的次数远高于其余三种行为，以致于其余三种行为的趋向看不进去，所以下图中去掉了行为1的曲线。

从全体上看，四种行为的动摇状况基本分歧，并且在早晨7点-10点间pv访问量最高。

同时，从下图中也可以看到，行为3（加购物车）的pv总量高于行为2（收藏），行为2又高于行为4（支付）。

1）生动用户每天购置次数状况剖析 淘宝用户生产次数普通在10次以下，因此须要重点关注生产次数在10次以上的用户。

2）生动用户每天人均生产次数 每天生产总次数 / 每天生产总人数 可以看到每天的平均生产次数普通都在1.2次左右，双十二时期到达最高值，约为1.4。

3）付费率 每日生产总人数 / 每日总生动人数（每日有操作行为的人数） 用户付费率在6%左右，平均低于6%，双十二时期超越16%。

4）同一时期段用户生产次数散布 大少数用户生产次数为1次，平均生产次数为2.359，75%用户生产次数在3次以下。

复购率 = 有复购行为的用户数 / 有购置行为的用户总数 复购：两天以上有购置行为，但一天内购置两次或以上只算一次性购置行为 将数据按日期排序，可以看到数据集的时期跨度为从2014-11-18到2014-12-18之间，正好一个月的时期： 先按date和user_id去重，而后按user_id计数，大于1时即为复购行为： 一个月之内的复购率为46.7%，少数用户在一个月内的购置次数为1-5次。

反映用户行为形态从终点（点击）到终点（支付）各阶段的转化率状况。

将数据按商品（item_category）和用户行为分组，而后计算各行为的次数。

用户点击后，大约有4.013%的概率会添加购物车，而添加购物车后大约有35.135%的概率会支付。

产品经理如何做用户行为剖析？

在这个每个互联网人都在议论数据，每个产品经理都在议论数据剖析的时代，用户行为剖析的关键性也越来越凸显进去，那么产品经理如何做用户行为剖析呢？接上去将为大家启动分享。

一、为什么要做用户行为剖析

观念一：有些配置整个平台用户都宿愿做，是没有必要消耗人力评价的，只需做了就可以了。

用户行为剖析是方式，不能为了剖析而剖析。

观念二：我都在这个行业做了这么多年了，用户须要什么难道我不知道吗？我自身就是用户，我可以代表他们，我的需求就是他们的需求目的。

观念三：只须要做充沛的调研剖析就可以了，比如需求调研，产品经常使用调研，多找找目的用户，多让他们提一些反应意见，依据反应来做修正即可。

观念四：不要总是顺着用户的意思去做产品。

产品设计的外围是产品经理的想法，而不是用户的看法。

以上观念其实都是失误的，假设产品经理有这样的想法，会对自己极为不利。上方咱们来看两个案例：

案例一：Growing IO 改版前后对比

视频引见配置是一切用户都想要的，于是Growing IO毫不犹疑地把视频放在了首页，而后注册转化率降低了50%，继续观察两个周，注册转化率依然没有清楚增长，回滚到上个版本，注册转化率逐渐复原。论断：

局部用户的观念无法代表全体用户的实在感触，视频引见或许是伪需求。

产品经理的客观感触无法代表用户的实在体验，任何人都无法代表用户。

视频引见扩散了用户的留意力，造成首页注册转化率大幅度上涨。

案例二：Facebook改版之后再回滚

Facebook经过改版之后，页面更清爽了，展现面积更大了，突出了图片以及视频，展现消息更丰盛，Facebook的产品经理、交互设计师都对这一版本十分有信念。

但是10%灰度颁布之后，用户平均在线时长降低50%，一个月后，数据依然没有好转。

互联网产品要以数据为导向，而不只仅仰仗自己的客观觉得。

产品设计过于超前了，产品版本迭代版本之间没有必定的过渡，用户无法习气。

因此可以说，数据剖析在日常上班中起到的是必无法少的作用。

1、用户行为剖析不是方式化，不是为了剖析而剖析，哪怕是外围用户提出的需求，也要经过数据来验证，任何人都无法代表真正的用户。

2、产品经理要有自我改造，自我否认的看法。

用户的需求是变的，不能太过于依赖过往的阅历，过往的阅历无法靠，只要数据最牢靠。

3、用户剖析调研是一方面，只是为产品提供思绪，但是能否无利于产品常年开展还是要经过数据来谈话。

4、用户端产品要以用户体验为外围，以数据为导向。

二、数据目的与名词含意

2、PV：PV（page view）即页面阅读量或点击量，指页面刷新的次数，每一次性页面刷新，就算做一次性PV流量。

3、UV：UV（unique visitor）即独立访客数，在同一天内，UV只记载第一次性进入网站的具备独立IP的访问者，在同一天内再次访问该网站则不计数。

PV与UV的比值必定水平上反映产品的粘性，比值越高往往粘性越高。

4、IP数：IP数即独立IP的访问用户数，指1天内经常使用不同IP地址的用户访问网站的数量。IP数字与UV或许不同（可大可小可相等）

5、日活/月活：每日生动用户数（DAU）/每月生动用户数（MAU），反映的是网站或许APP的用户生动水平，用户粘性。

6、次日留存/次月留存：次日留存、次月留存反映的是网站或许APP的留存率。

7、用户保有率：指在单位时期内合乎无成效户条件的用户数在实践发生用户量的比率，也叫用户留存。

8、转化率/散失率：转化率普通用来统计两个流程之间的转化比例。

其中散失率也是关键的数据目的。

用户散失率=总散失用户数/总用户数。

9、跳出率：指用户抵达网站上且仅阅读了一个页面就分开的访问次数（PV）与一切访问次数的百分比。

跳出率越高说明越不受欢迎。

10、分开率：对某一个特定的页面而言，从这个页面分开网站的访问数（PV）占这个页面的访问数的百分比。

跳出率实用于访问的着陆页（即用户访问的第一个页面），而分开率则实用于任何访问分开的页面。

11、经常使用时长：每天用户经常使用的时期。

关于游戏或许是社交产品来说，经常使用时期越长，说明用户越青睐。

普通来说，经常使用时长越短说明产品粘性越差，用户越不青睐。

12、ARPU：Average Revenue Per User，每用户平均支出在必定时期内，ARPU=总支出/用户数。

三、如何做用户行为剖析――三大理念

1、要建立以数据为驱动的价值观

要建立以数据为驱动的价值观，充沛认可数据的价值。

上班定位：统计、助力、优化、翻新。

商业变现是最基本目的：用户经常使用发生数据商业变现

2、要有用户行为剖析方法论

在用户行为剖析中，越底层发生的价值越低，越顶层发生的价值越高。

做用户行为剖析应该把重心放在最有价值的剖析和决策两个层面。

将更多的时期放在剖析以及运行上，而不是数据采集上。

AARRR模型，咱们在做用户行为剖析的时刻，应该思考用户正处在AARRR模型的哪个局部、关键数据目的是什么、对应的剖析方法又是什么。

当咱们对产品有一个idea的时刻，驳回MVP的方式将其构建，配置上线后，权衡用户和市场反响，从而始终学习优化

3、要用配置弱小的用户行为剖析工具

比如Google analysis、神策数据、Growing IO等等

四、如何做用户行为剖析――八慷慨法

1、内外要素剖析

该方法有助于极速定位疑问。

例如一款金融类产品UV降低，极速剖析关系要素。

外部可控要素：渠道变动、近期上线降级版本、外部无法控要素：公司战略变卦、外部可控要素：淡旺季、外部无法控要素：监管。

2、事情剖析

事情维度：用户在产品中的行为以及业务环节。

目的：详细的数值，访客、地址、阅读量（PV、UV）、逗留时长。

趋向剖析：剖析各个事情的趋向

经过事情剖析，比如剖析用户的在线时长、点击事情、下载事情等等，而后剖析用户的行为。

并且经过各类图标来剖析用户的行为趋向，从而对用户的行为有初步的了解。

3、试点剖析

说白了就是，当发现一个疑问之后，不要那么着急去处置，而是只想一个处置方法，而后灰度颁布，假设灰度颁布的人群数据比拟好，那么就推往整个用户群。

这是一种从一个详细疑问拆分到全体影响，从繁多处置打算找到一个规模化处置打算的方式。

4、漏斗模型

漏斗模型是最罕用的剖析方法，可以宽泛运行于流量监控、产品目的转化等日常数据经营上班中。

要依据实践须要来确定能否有做漏斗剖析的必要，比如用户注册环节、下单环节这些关键流程，就须要用漏斗模型来启动剖析，尤其是须要剖析用户在哪个环节散失最重大。

5、留存剖析

经过留存剖析，剖析用户的次日留存、次周留存、次月留存等等，次日留存率能够说明用户对这款产品能否有继续经常使用的兴味，关于社交、游戏类产品来说，次日留存率十分关键。

6、行为轨迹剖析

只经过PV、UV 剖析以及分开率剖析是无法找到大局部用户是怎样去经常使用这款产品的。

只要经过记载用户的行为轨迹，能力够关注用户真正如何去经常使用这款产品的。

用户体验设计是对用户行为的设计，经过行为轨迹剖析，能够协助产品经理设计进去的产品中转用户心坎。

例：经过用户行为轨迹剖析发现，大局部用户支付转化率不高并不是分开了，而是前往了上一个页面，猜想：以后页面消息无余，用户在犹疑，想前往上一个页面再了解一下产品。

A/B test是一种产品优化方法，AB测试实质上是个分别式组间试验，将A与B两个不同的版本同时发往两个简直分歧的用户群，来观测这两个用户群的数据反应。

A/B test是一种“先验”的试验体系，属于预测型论断，与“后验”的演绎性论断差异渺小。

A/B测试的目的在于经过迷信的试验设计、采样样本代表性、流量宰割与小流量测试等方式来取得具备代表性的试验论断，并确信该论断在推行到所有流量可信。

8、点击剖析

经过点击剖析，能够直观地看进去在这个页面中，用户的留意力都集中在哪些中央，用户最罕用的配置是什么。

繁难产品经理对用户行为构成全体的了解，有助于产品经理疏导用户往自己想要的方向去操作。

以上就是我团体总结的产品经理用户行为剖析的方法，欢迎大家来补充、交流。

作者：秦时明月，互联网现金贷产品经理、互联网保险产品经理。

题图来自 unsplash，基于 CC0协定

电商用户行为剖析（一）

2014年是阿里巴巴团体移动电商业务极速开展的一年，例如2014双11大促中移动端成交占比到达42.6%，超越240亿元。

相比PC时代，移动端网络的访问是随时随地的，具备更丰盛的场景数据，比如用户的位置消息、用户访问的时期法令等。

经过数据剖析，能够开掘数据面前丰盛的外延，为移动用户在适合的时期、适合的地点精准介绍适合的内容。

本案例的目的是从该数据启动随机抽样，并用mysql启动剖析，提高自己对电商目的体系的看法。

1、字段说明

1、提出疑问： 1）剖析用户购物环节中的经常出现监控目的，了解经营现状，检查各环节的漏斗转化状况，并找到须要改良的节点； 2）钻研用户在不同维度下的行为法令，了解用户行为特色，优化经营战略； 3）应用RFM模型对用户启动分类，指点经营针对不同价值用户启动精细化经营； 4）了解用户生命周期，针对不同周期的用户采取不同的经营战略。

2、目的和字段解读 经过用户和用户行为门路可以剖析PV、UV、PV/UV、跳失率、总订单量等经营目的； 经过用户行为和时期可以剖析用户的购物行为特色； 经过用户和商品、商品类别可以剖析用户的购置商品偏好；用户和时期可以剖析用户的购置时期偏好，便于对不同商品和时期偏好的用户采取共性化时期介绍（push、短信等推送）； 经过商品类别和用户行为可以剖析不同商品类别受欢迎水平，指点经营启动商品的上新或下架； 经过商品类别和时期可以剖析不同商品类别的热销时期段，便于做优惠的推行； 联合AARRR模型，可以剖析用户的生命周期，划分不同用户所处的周期阶段，驳回差异化经营； 经过期期和用户的生命周期字段，联合RFM模型可以给用户做价值分类，对客户启动差异化治理。

（检查数据荡涤流程：)

将csv导入mysql的方法： 切换命令行菜单：导入数据：

1）选用子集 导入之前已选用好

2）列名重命名 无需更改列名

3）数据类型转换 可以在设计表菜单栏更好数据类型

4）数据去重

存在重复值，但由于同一用户同一个行为在一小时内是或许存在屡次的，因此这里不做去重处置。

5）缺失值处置

经查问，无缺失值

6）关联数据

由于只要一个表格，无需做表关联（假设须要关联，可以到剖析环节中有须要时启动关联，这样会提高MySQL的性能。

7）意外值处置

无需处置意外值

8）数据规范化整顿

行为数据整顿：

将用户行为数据启动交流： 1：pv 2：fav 3：cart 4：buy

以上就实现了数据的整顿上班。

1）流量目的： 计算页面访客数(pv)、独立访客数(uv)、人均点击数(uv/pv)

页面访客次、独立访客数：8474位、人均点击次数116.58次。 95/30≈3.89次，日人均点击次数大略为3.89次/人/天

2）每日流量目的变动趋向

经过Navicat导出数据启动可视化处置：

pv、uv目的呈正关系性； 三个目的在大局部时期走势颠簸，由于双十二的影响，从2014-12-11开局回升，到2014-12-12到达峰值，2014-12-13完结回到反常水平。

1）依照页面访客计算漏斗转化率

由于在购物环节中，收藏和添加购物车行为没有严厉的先后之分，可将两个个步骤作为同一步，最终获取用户购物行为各环节转化率，如下：

从全体转化率来看： 阅读- 收藏/加购转化率仅为5%，总体购置转化率为1%，说明有大局部的用户在阅读后未启动下一步操作，往常“逛街看看”成为一种习气； 从节点转化率来看： 阅读-加购/收藏环节转化率很低，收藏/加购-购置的转化率也只要20%，说明有相当一局部用户是青睐“囤货”，或许是为了等节假日购置？由于全体的节点并不是最细的无法宰割节点，全体的数据比拟毛糙，假设须要进一步的深化剖析，须要有更细的转化率数据（由于操作门路每个环节都会损失一局部，因此假设能近量的较少客户购置时所须要的操作步骤，对优化全体转化率应该会有很好的提高）。

2）独立访客计算漏斗转化率

用户每个环节的转化率差不多，须要更少数据能力发现用户散失要素。

3)、跳失率

阅读页跳失率： = 只访问一次性就分开的人数/总用户数

只加收藏、购物车人数

1）总成交量和人均购置次数：

2）每日总成交和人均成交状况:

1)总体复购率

复购率=复购人数/购置人数=2295/4330=53%

2)商品品类销量排名(商品复购率)

假设有更少数据，可依据商品品类属性启动钻研和下钻，优化商品结果，但这里由于数据脱敏无法启动下钻剖析

3)用户复购排名

以上用户对平台的忠实度比拟高，对平台的开售奉献度也高（利润奉献状况还须要详细剖析），对不同的客户可以搜集相应的用户画像，并对用户启动分层治理和营销，从而到达精细化经营

用户生动度与总体点击数是正关系的，走势颠簸，不过在双十二电商大促这天各名目的暴增，且今日点击数占比有所降低(用户的点击更有针对性，前期曾经选好商品，就等双十二今日间接购置的客户数量比拟多？), 成交数占比大幅回升。

2）、周维度

3）、小时维度

晚间用户较为生动，但用户行为偏差于阅读；白昼尤其是半夜左右的时段，购置行为的比率相对一天中最高，此时购置的目的性最强（阅读数占比与购置数占比启动关联剖析得出论断）。

依照商品品类区分（ 矩阵剖析 ），依据点击次数和购置次数两个维度将一切商品划分到四个象限：

点击数高，购置数高。

说明此类产品刚需比拟强，品牌多且种类丰盛，用户在较高的需求下有很多的选用； 点击数低购置数高。

用户的购置决策十分果决，且关于该类产品的需求量也是很大的，说明该类产品选用性比拟小，或许构成几个品牌垄断的状况，或许产品的差同性较小，用户不愿破费过多的精神去筛选。

点击数低购置数低，绝大少数产品都集中在这个象限，这种产品存在很多的代替品，用户很难集中在某个子类启动少量购置，而是腾跃式选购。

点击数高购置数低，这类产品的需求弹性较大，用户购置存在随机性。

用户购置商品分为以下几类环节：

间接购置 阅读后购置 加购物车购置 阅读加购物车购置 收藏购置 阅读收藏购置

结果显示，间接够买的用户远远多于阅读后加购或许收藏再购置的用户，说明大局部购置者都是青睐间接购置商品的，这个跟周围好友的习气也是合乎的，基本上都是在阅读的阶段都不会马上购置，而是等到过段时期想买的时刻就间接下单，几个步骤之间相当于是分开的。

用户的购置次数大局部集中在5次以内，购置频率都还挺高的