用户行为鉴定分析总结 第1篇

最典型的就是，把性别、年龄、职业、身高体重，这种用户基础信息往上摆。注意，用户行为，要分析的是行为，不是基础信息。无关指标太多，只会干扰视线，乱上加乱。

最常见的这种分析：

基本上就是数据低了就搞高，高了就保持。其结论之无脑，业务部门都看哭了……

以上种种乱象，主要来自：对不同部门关注的用户行为重点缺乏了解。不知道重点，就可劲拼凑数据，忽视了如何从数据提炼结论，结果反而画蛇添足。想破局，就得从认真思考：到底业务看用户行为能看出啥？

用户行为鉴定分析总结 第2篇

理财端用户投资成长体系

此前，蚂蚁财富（原“蚂蚁聚宝”）曾经对理财用户做了一个很形象的分层，从最初级的银行存款（幼儿园），到最高级的资产配置（六年级）分为7个进阶。

按照这个标准来看，会发现大多数基金公司的现状是给一年级的小朋友，上三年级、四年级的课；国内一众做智能投顾的公司，在给幼儿园的小朋友，上六年级的课——这些情况，其实都是忽略了互金用户的分层以及用户成长的过程，体现到用户数和管理费收入上，回报的效果自然不会太好。

对互金平台来说，需要根据自身产品资源、用户分层，结合相应的运营策略，帮助和引导用户实现成长和进步。

这一点上，我一直觉得京东金融的“小白基金”做得不错（没看到交易数据，欢迎京东的童鞋补充^_^）：

京东金融-小白基金

对小白用户来说，货基和债基在能够承担的风险范围之内，又能够够获得额外的收益补贴，自然会有动力参与到投资和成长的过程中来。

其实对于多数理财类的APP来说，如果做好如下2点，这篇文章也就算没白看了：

用户行为鉴定分析总结 第3篇

（1）基于AARRR漏斗模型分析用户行为

本文通过常用的电商数据分析指标，采用AARRR漏斗模型拆解用户进入APP后的每一步行为。AARRR模型是根据用户使用产品全流程的不同阶段进行划分的，针对每一环节的用户流失情况分析出不同环节的优化优先级，主要通过以下个各阶段来进行分析：

（2）基于RFM模型找出有价值的用户

由于不同用户对公司带来的收益差别很大，而且根据二八定律(20%的有价值用户能带来80%的收益)，因此需要对用户进行价值评价，找到最有价值的用户群，并针对这部分用户进行差异化营销。这里参考RFM 模型对用户进行评价：

R-Recency（最近一次购买时间）

R指用户上一次消费的时间，上一次购物时间距今最近的顾客通常在近期响应营销活动的可能性也最大，对于APP而言，很久没有购物行为可能意味着用户放弃了APP的使用，重新唤起用户也需要更多的成本。

F-Frequency（消费频率）

F指用户在某段时间内的购物次数，消费频率越高意味着这部分用户对产品的满意度最高，用户粘性最好，忠诚度也最高。

M-Money（消费金额）

M指用户在某段时间内的购物金额，这也是为公司带来价值的最直接体现，而消费金额较高的用户在用户总体中人数较少，却能创造出更多价值，是需要重点争取的对象。

这三个维度互相关联，反映了每个用户的现在价值和潜在价值，将每个维度分成R-5,F-5个区间进行评分，通过计算分数对用户进行分类，可以有针对性地对不同类型用户采用不同的营销策略。

用户行为鉴定分析总结 第4篇

业务方关注用户行为，有四种情况。

常见的，比如：

总之，对基础情况不甚了解。

这种情况下，宜粗不宜细，宜全不宜精。先给一个整体概貌，让领导/业务同事找找感觉，之后有具体议题了，再深入分析（如下图）。不然一上来鸡毛蒜皮一堆东西，很有可能把人看晕，感慨“这一大堆到底说了啥？”

这种情况，一般出在某个具体业务流程、产品功能点、内容发布以后。业务方目标很明确：看看这东西做得咋样了。

常见的，比如：

此时就不能铺开了说，而是聚焦业务关注的功能点，从大到小展示数据（如下图）。

注意！用户行为分析第一个大坑点，就是：用户行为多不等于业绩好。比如电商业务，运营兴致勃勃地上个一浇水种树领优惠的活动，企图拉一拉活跃人数，结果发现用户都玩游戏去了，都在等优惠，反而下单的人在减少！

此时，可以用矩阵法、前后对比法、行为关系分析等方法，具体看这个行为对业绩的影响（如下图）。

这种情况，一般是评价具体业务流程，且该流程是核心流程。比如新用户注册，大型活动参与，交易流程，关键问题投诉等等。

这时候分析目标非常具体：

这种目标清晰的用户行为分析，可以说是最简单轻松了。核心思路就是以下四个模块。

这里要注意的是，很多同学会直接插入转化流程分析。这样做呈现的数据太细，容易模糊整体判断。好/坏的判断始终是第一位的。如果连“好”“坏”都判断错了，那后边的原因分析全是错的。所以先对整体形势做判断，看看是否能接受是第一位的。

还有一点，就是补救措施分析，会被很多同学忽视。用户行为分析的第二大坑点，就是用户行为分析是“知其然、不知其所以然”的分析。用户行为是各种因素影响结果，在企业实际中，不可能像实验室一样每个项目都做控制变量研究，即使提前做过ABtest，真正上线时也会因为天时地利有各种差异。

所以真遇到问题的时候，很有可能短时间内分析不出来原因，或者即使大概知道原因，也没办法把活动停掉/渠道换掉。此时的思路，不是纠结：这个到底是用户不喜欢文案还是不喜欢产品，而是：我们还能做什么挽回。

因此补救措施分析一定不能省。这样比孤零零喊“这个流程不行啦！”要有价值得多。这也是为啥很多数据明明给了用户转化路径的问题，可业务方还是喊“没有建设性”的原因。没人喜欢报丧鸟天天喊：“要完啦！要完啦！”人们想听：“试试这个！试试这个！”

这种情况，一般是某个业务做得不行，业务方又没有明确假设的时候。就想着：“能不能深入挖掘下用户行为？找找原因？”至于挖啥、挖出来啥原因，可能他们自己都不知道……

这是最难搞的情况。因为分析目标完全不清楚。这里有两个基本思路：

总之，从极端情况里，更容易找到解决问题的灵感。

比如积分兑换，业务方只是觉得这个业务不行，哪里不行又说不上来。此时可以如下图，分两个思路看数据（如下图）。

如果发现高价值用户明显偏好某些礼品兑换，则可以对应设计吸引高价值用户礼品方案。如果发现重度用户明显存在薅羊毛嫌疑，则可以对应修改奖励规则。总之，只要用户群体行为差异足够大，就能产生策略。

用户行为鉴定分析总结 第5篇

明确自己的关键目标，然后通过MECE（Mutually Exclusive Collectively Exhaustive，相互独立，完全穷尽）的方式，不断进行目标的分解；最后，拆到最小的颗粒度上，据此设计运营方案。

比如上文提到的“用户分支路径转化漏斗（以传播/邀请为例）”，道是无强调“在老用户界面显化利己因素，在被邀请用户界面显化利他因素，最终将传播/邀请的转化率最大化”。

在下方的拿铁智投活动页中就体现得很完整：对老用户，凸显的是“每位好友送您50元”；对新用户，凸显的是“最高加送鼓励金5%”。

拿铁智投-老拉新案例

用户行为鉴定分析总结 第6篇

一个用户ID，在企业内部系统产生的，可记录的动作，都可以称为：用户行为。

一个完整的用户行为，包括6要素：

这些要素，在不同平台上表现方式不同（如下图）。

在不同系统平台，收集用户行为的方式也不同。常见的有三类：

总之，这也是为啥用户行为相关指标数据显得很多、很杂、很乱的原因：本来用户行为就有很多种，不结合具体业务需求，就是讲不清楚。

用户行为鉴定分析总结 第7篇

AARRR模型分析

利用AARRR模型，分析用户行为和留存、流失情况，此处数据主要涉及用户刺激和购买转化的环节，即用户从浏览到最终购买整个过程。

1.日新增用户统计首先根据id分组，按照date组内排名，确定每个用户第一次登录的时间，筛选出的排名为1的数据即作为用户第一次登录的数据。再根据date分组，统计每日第一次登录的用户数即为新增用户数。

将每个用户的登录时间排名

统计每日新增用户数DNU

分析：新增用户在11月25日为13927人，处于最高水平，后逐日递减。推测11月25日前后可能存在促销活动或拉新活动。

2．用户留存率分析

第N日留存率=新增日之后的第N日再次登录的用户数/第一天新增总用户数。

依次算出每日留存人数

分析：由上表可知，11-25之后的8日内留存率均在75%以上，且12月2日-3日的留存率超过98%，说明客户较为稳定，浏览意愿极为强烈。说明客户较为稳定，浏览意愿极为强烈。可能是前期的拉新活动效果较好，每日打卡领金币调动了用户的积极性，为冲刺双十二做准备。

3.不同时间尺度下用户行为模式分析

创建用户行为视图(按天)

分析：这9天中，11月25日至12月1日用户浏览量变化幅度小，范围在18万到20万之间，12月2日-3日有较大幅度增加，对比同样是周末的11月25日-26日，pv无明显上涨，因此认为12月2-3日的上涨可能与周末的双十二预热营销活动效果有关。

创建用户每小时的行为视图(按小时)

分析：

(1)1-6点使用淘宝的人数处于低峰，可能是因为此时大部分用户都处于睡眠状态有关；6 -10点使用人数逐渐增多，10-18点使用量趋于稳定状态；18-21点用户行为逐渐活跃，可能与用户下班后有时间使用淘宝购物有关，晚间21-23点达到高峰值，这个时间段是大部分人群的睡前时间，和人们喜欢在睡前购物的心理有关。夜间23-1点（次日）可能是部分人群进入睡眠，导致使用人数下降。

(2)晚间22-23点为加购峰值，商家可以此时在购物车页面加大活动力度或发红包补贴，刺激用户消费欲望，促进购买转转化。

4．用户流失分析

计算用户总数