我们所处的行业下，各类产品变得成熟精细，大家开始拼细节卷服务，市场竞争激烈。对于产品的各种优化改版也就开始变得谨慎，往往需要经过用户研究或是数据分析等工作来验证或决策，不再是由设计师或产品经理凭借过往经验办事或对标竞品照抄了，恰好用户行为分析就是用户洞察中具有代表性的一项；
回归到用户体验相关设计，本身就是一项细致活儿，处处需要用户研究或数据洞察来辅助设计工作，了解其相关甚至熟悉搭建分析，从职能发展趋势来看，可能是迟早的事；
所以即使你目前用不上用户行为分析相关，也不要急着关掉文章，先简单了解一下吧，说不定你会有兴趣呢，说不定不久后刚好用上呢？
用户行为分析是数据分析的一个重要领域，特别是在数字化服务行业中，主要目的是通过深入研究用户群体的流量动向以及操作行为特征等，来了解用户与产品间的关系、效果、趋势，以帮助我们优化产品设计、提升用户体验并驱动业务决策。
监测用户在产品上做出了哪些行为、是否符合预期、有什么特征、问题在哪里，然后看看产品上需要做些什么调整或迎合用户的特征偏好来决策啥的。
被动采集的行为数据有时候比用户口述反馈的信息要更真实有效，一方面更加直接，另一方面也少了些用户心理设防（霍桑效应）；
由于是群体性的大数据，所以更有代表性，并且是即时的数据记录，不容易记混记错，准确性也更好；
通过数字化技术实现，可以伴随产品发展持续的采集数据，可以较为方便的调取过往数据进行比对追溯分析；
用户行为的背后依旧是人文心理等方面的内容分析或业务场景化决策，往往离不开人工的加持介入；
以下是对用户行为分析的工作流图解，由于不同企业的诉求有差异，以下工作流仅代表大部分用作交流；
此次主要聊聊基础的上手运用与注意事项，不涉及过深或难以理解的部分，如果说用户行为分析可以到达高等数学的程度，那么此次就讲讲加减乘除好了，师父领进门，修行靠个人，各位看客请上座！
首先你的产品得有流量，然后得有一个关乎到用户行为的目标，例如想看看用户流量分布、了解功能使用频率、任务执行的漏斗关系、用户行为偏好、用户数据画像构建等，这个时候就可以考虑开始了，不然就可能南辕北辙费力不讨好。
首先构建一套完善的用户行为分析系统并持续的维护与应用并不是一个轻松的事情，所以最好是针对性构建+多迭代，不要上来就想着做全盘搭建，表面的工作或问题往往可能只是浮冰，逐步的深入后问题会越来越多，个人深有体会！
通过业务目标向下拆解，一般上层目标无非是商业转化、用户活跃留存、任务通过率这些，向下拆解则是通过业务目标去锁定核心的业务场景或任务线路，这些核心的页面、场景或是任务线路，就是你前期可以界定的一个范围，后续的重点工作则是将核心功能的入口或路径穷举出来，避免数据对不上或找不到异常源头的情况。
在我的认知里，用户行为分析建设不是一锤子买卖，步伐走小一点，基础搭好一些，以后的迭代建设或维护也会轻松许多；
概括一下就是，不要追求全面，靠拢业务价值，关联上指标或者核心业务场景即可；
之前网上看到有大佬给了一个建设思路，这里搬来大家参考一下；
数据埋点技术已经很成熟了，甚至有很多第三方的埋点+分析的服务，以及采集用户行为数据的不仅仅只有埋点技术方案，哪怕你做一个录屏技术都可以，只不过从数字化产品视角出发，埋点技术更有性价比，以及符合用户隐私权益，所以这里专门讲一下“埋点”这个老技术，熟悉的大佬们可以跳过埋点这部分。
数字化应用大多有个特征，就是需要用户进行界面交互，有交互就有行为动作发生，而
数据埋点
就是将用户在
界面交互
时产生的
各种类型
的
监控日志
上报到产品后台去，这样业务团队就可以知道到用户在不同页面或业务场景下操作了什么，去往过哪些页面，当结合业务后台的订单等数据时，就可以还原出更加清晰的用户行为全貌。
通常这些埋点会分为
“页面访问(PV、UV)、区块曝光(区域、时长)、按钮操作(动作、状态)”
三大类型，并
携带交互元素和操作者的各类特征信息参数
，便于我们知晓更多的场景细节与用户情况，例如知晓这个【免费试用】按钮是对应了那个产品？点击的用户是否已开通这个产品？这个用户是否为付费用户？是否个人还是商家类型？用户从那个渠道进来的等，而且这些植入在产品代码中的埋点可以不间断持续的采集和配套产品迭代进行维护，可以帮助业务团队获取大量有效数据用作业务分析决策。
这些数据埋点主要是为业务目标的洞察分析服务，也就是说业务目标中需要采集用户行为数据时，埋点就要派上用场了，相比传统的业务日志，埋点可以收集到更加全面的界面交互的行为数据，能够简易的还原出一套线上用户的使用情景，而不仅限于一些业务后台就能统计出的转化率或基础数据等；
并且埋点数据可以与业务数据分开存储运维，这意味着埋点数据可以更迅速的根据设定的指标公式统计出期望的数据或视图，并且不会干扰业务访问的性能质量，因此产品迭代后的新老数据对比、营销活动的效果评估、用户行为的特征偏好识别等，数据埋点都以可以派上用场的。
首先埋点需求没有固定的文档格式，其次不同埋点服务平台的要求也有差异，就移动端来讲，很多服务商已经支持可视化埋点、全埋点、无埋点服务，可以实现自动识别交互元素并进行埋点操作，大大减少了开发工作量，那么再聊回埋点需求怎么提。
核心结论就是由上而下，通过业务目标或核心指标进行拆解，然后关联到核心的任务流程上，对于一个页面或一套流程没有必要进行全篇埋点，技巧我概括为以下几点；
埋点需求的主要内容基本包含以下，根据业务或埋点平台的差异，可以自行调整；
扩参即扩展参数，指在当前用户界面中可以请求到的业务数据，并将这些业务数据绑定到埋点日志中一并上报给埋点数据后台，通常为一些用户属性参数、业务属性参数、设备属性参数、网络环境参数，这样我们就可以通过这些额外的参数进行数据分析或是过滤，举个典型案例；
简单说就是提升数据质量与准确性，在庞大的一套数据中，我们需要弄清楚数据之间的映射关系，即不同的数据参数代表了什么元素什么动作什么含义，数据是否有缺漏或冗余、报错漏报乱报、是否有无效的脏数据（例如内部的测试数据或脚本爬虫等带来的数据），如果我们不去将这些数据进行治理，则统计出的数据指标特征或趋势都将不可靠，无法被商业应用。
简单讲就是元数据没治理准确，得到的数据指标也就失去了实用价值。
本质是查缺补漏将无效的数据过滤掉或纠错
，再把数据涵义映射成具体的指标或描述，用作进一步的指标计算与分析，如果数据又多又杂，你会发觉这一步要你老命，例如埋点就需要逐个查询原始埋点的位置、触发条件、埋点用途、埋点含义甚至与关联业务数据的关系校对等。
不过还好，
一般来讲这些工作都是数据建模（BI）相关人员去负责的
，
作为应用层的我们，更多的是能够根据业务目标提出埋点需求、提出指标与数据报表需求，以及通过数据核算或查看数据趋势等手段找出异常让 BI 修复
，所以这里就不展开埋点数据治理的方法了。
就埋点监控用户行为的方式来讲，除了平时的治理与报表问题修复，每次迭代改版还要做好相关埋点信息的管理与维护更新，保证不出错，不影响关联指标，甚至是线上用户偏好的推荐算法等应用，特别是数据规模越来越大后，又密切关联着业务决策时，数据更不容出错，且要求准确。
在用户行为分析内容构建的过程中，除非是有特定场景特定诉求，通常个人认为都是先出指标、再完善行为链路、再逐步丰满用户画像的一个过程，原因如下；
-
通常先接到的都是一些核心指标，例如转化率、留存率、活跃度等，同时这些指标也是上层最先关注到的；
-
接着就是完善不同场景或任务路径相关，帮助洞察微观视角下的体验障碍或用户偏好等，产出流量统计、流程漏斗等，起到业务体验的洞察改善决策作用；
-
用户画像的数据本身就没那么好收集，并且是一个逐步完善和被业务决策应用的过程，所以一开始不会直接奔着用户画像构建开始；
所谓指标可以理解成是产品某项业务的成绩，例如我是卖包子的，那么我的指标大概率就是每天卖出去多少包子、利润有多少、哪款包子销量高，根据这些信息我就可以知道我平时应该准备多少包子、哪些品类的包子需要多做一些、我靠卖包子能赚多少钱。
实际上指标的构建逻辑可以很简单，例如A占B的百分比、ABC的总和、连续多天A占B的变化等，很多加减乘除的算法就能搞定，主要是能拿到真实数据，不然我怀疑你在做烂账......
用户行为路径是一种数字化的旅行地图，相比较传统服务的旅行地图，场景会更纯粹、意图更准确、数据采集更便捷，主要作用有以下几点；
-
分析用户在产品中的活动范围或页面路径的关系，可以帮助了解用户活跃分布，流量走向等情况；
-
识别在任务或流程漏斗中的卡点或跳失情况，帮助优化流程体验或提升转化率等指标；
-
通过用户的互动方式或路径特征来进行用户分类或偏好分析预测等，用于内容推荐算法或精准营销；
这些行为我们可以大致分为浏览、消费、互动三大类，根据不同的业务类型，可以选择性采集和分析相关数据，例如电商产品就比较关注用户的浏览与消费行为，常见的有商品浏览、添加购物车到下单；
而社交应用就更关注用户的互动行为，如不同类型的内容访问、评论点赞、关注收藏分享等；
这些数据最终可能由可视化的数据报表呈现出来，以便于业务团队快捷的找到数据问题或特征，如常见的漏斗图、桑基图、雷达图、树状图、散点图、决策树等；
最近在UXRen的一场分享会中，听罗浩讲了体验营销的话题，虽然是关于用户研究在职能岗位上挖掘新的商业能力的内容，但是其中有一段是关于如何在旅行地图中挖掘新的营销触点，有一些体会，这里结合用户行为链路分析简单聊一下；
产品功能与业务增多，引流渠道多样化，不同渠道流量的撬动关键是什么，核心场景具备哪些能力，哪些渠道的流量能吃掉，这些流量所处的触点或场景能支持什么，用户意图是什么，产品能力能满足什么，产品发展可以支持哪些？如何分流或匹配各类流量的意图，并提供路径分发，这些用户流量数据有何趋势或特征，是否能与场景或触点进行根因分析，是否沉淀行为或偏好模型？
在于观察不同触点下的客户意图，展开业务所能触及的部分或新的机会，并匹配合适的关键路径，以提升转化或用户粘性等，然后做数据回归分析，抓取有效的用户特征信息，并应用到产品的内容推荐或外部引流投放信息优化上。
触点展开与机会洞察，触点场景——意图识别——结果匹配（关键路径）——（根因回归）画像更新——算法推荐——广告优化
这一套下来，是不是感觉有点儿似成相识？后来一想这不就是一套用户增长的设计思路嘛。
主要是帮助了解和理解用户，使得我们可以划分用户群体和识别偏好特征，最终以提供精准营销或是洞察用户诉求来迭代改善产品。
其中偏好特征我们还可以根据业务属性细分为兴趣偏好、行为偏好、消费偏好等，并为不同偏好特征的群体提供个性化的内容服务，例如常见的内容标签标记，通过识别用户常看内容的标签，来推荐类似的标签的内容或是有潜在兴趣的标签内容来抓住用户的兴趣。
这些指标会通过用户行为、设备信息、个人资料的完善来逐步获取，主要可以了解到用户的地域分布、年龄与性别分布、设备与活跃度情况，相应的数据在业务后台基本上都能够获取到，只需要将某个时间分区的数据拉出来，经过Excel之类的软件把数据加工一下，就能够获取到相关数据视图。
如果将多个数据指标结合起来分析，便可以获取一些复合型数据指标，例如哪些年龄段的用户群体消费能力更强、活跃度更高、不同教育背景的兴趣爱好是否有一定的关联性等等；
进阶的数据画像会完善更多的用户特征信息，便于业务团队找到用户群体的特征，做进一步的精细化运营或内容推荐，常见的画像指标如下；
此外就是在收集用户数据的过程中，保证用户隐私安全、合法性和安全性。
当我们采集到一定的用户数据后，就可以在数据画像的构建阶段进一步完成用户分层工作，这一步是为了将用户分类，因为不同用户群的目的是有差异的，例如闲逛、精准采购、参与活动的等等，以提供差异化的服务做精准营销、识别用户群体特征做业务策略决策、或是优化产品体验相关，不过当你的用户规模尚小，运营模式简单，你也不用迫切去进行用户分层相关，因为收益不大。
那么通常都有哪些用户分层模型呢？其实你并不陌生，一些给你列举了一些；
相信你也发现了，用户行为分析的构建与产出并不只是行为链路的数据，同时会包揽很多其他的有价值的指标与数据，所以不要被用户行为四个字迷惑，或许你此刻正需要构建相关数据。
当你准备构建或整理用户行为分析前，记得目标或问题先行，针对性采集数据或建设指标，在你有了相对准确或清晰易懂的数据后，那些数据报表或图表根本难不倒你，说白了无非是将纯纯的一堆数据换了形式展示，如果你数据可视化的形式与应用不够了解，你可以看看AntV官网的介绍说明了解一下，其实你也不用每个都研究个遍，实用的就那么几个，酷炫是要代价的，报表搭建平台支不支持、Excel支不支持、时间精力够不够研发给你整，都是问题～
你可能疑问没有完整的教程手把手教你啊，其实不然，构建的前提、流程、要点、建设方向均在此篇中交代过，当你按照这套流程框架去做，基本上不会有啥大问题，一般来讲这些内容也够用，至于选用哪些数据埋点平台、数据分析平台、报表搭建平台、视自家公司情况而定吧。
也不要担心在数据报表搭建或分析的过程中，你搞不定，是不是你执行先不说，多问问百度或平台客服总能解决，如果就是觉得很难上手，那么大概率是工具你不熟，或者工具不好用。
