產品中的異常行為分析
目錄
首先，不妨將產品中出現的“非期望行為”定義為“異常行為”。
“異常行為”並不一定是壞事，比如某款面向幼兒教育的app，但是有一群未婚年輕女性在使用，倒不是因為這些使用者在學習養育知識，而是因為app中的虛擬產品形象看起來“很治癒”，所以原來定義的以“教育”為核心的產品在這些使用者中則是“陪伴”。
把使用者的行為分為兩個部分——行為+目標，那麼使用者可以分為如下幾類：
- ①
行為正常&目標正常，此乃普通使用者； - ②
行為異常&目標正常，這類算是文章開頭中提到的情況，有可能非目標人群在使用你的產品，但他們並無惡意，也可能是產品設計的使用者操作路徑並不那麼“順滑”； - ③
行為正常&目標異常，在產品中的行為和普通使用者沒有明顯差異，但是行為目標是異常的，e.g.金融借貸業務，這裡的行為是產品內表現的行為，一個使用者進來上傳四要素、身份認證、打款，整個流程基本都是正常的，但是借款之後就不見蹤影了(這就是目標異常)； - ④
行為異常&目標異常，在產品中會搞“騷操作”，比如爬蟲、刷單、黃牛黨、羊毛黨之類。
因為本文主要關注是產品內的異常行為分析，故第①、③類使用者在此處不做討論。
本文主要討論第②、④兩種情況。
目錄
行為異常&目標正常
這種情形下發生的異常或變化通常是產品設計有問題，或者使用者需求匹配問題。
單一行為
衡量單一行為問題通常關注行為的質量。
- 單次訪問sesession的時長，app開啟不到3秒退出，是不是相容性有問題導致閃退？
- 頁面訪問深度、頁面停留時長，是商品不給力還是內容太垃圾？
- 首頁推薦是否有點選行為？推薦給使用者的商品、內容是使用者不感興趣的
行為序列
此處主要探討使用者在進行“漏斗式”的行為操作中的異常情況。
假設產品設計的完整的使用者使用路徑如下：
\[A \rightarrow B \rightarrow C \rightarrow D \]
說明：使用者每次訪問的session都是要從\(A\)開始的，\(D\)是最後一步。
從既定的行為序列來看，可能出現的異常情況如下：
- 中斷，\(A \rightarrow B \rightarrow C\)
- 回退，\(A \rightarrow B \rightarrow C \rightarrow B\)
- 重複，\(A \rightarrow B \rightarrow B \rightarrow C \rightarrow D\)
- 插隊，\(B \rightarrow C \rightarrow D\)
- 跳躍，\(A \rightarrow C \rightarrow D\)
最後兩種情況一般較少出現，除非產品設計有嚴重的bug或者這樣的路徑本身在產品定義中是“合法”的(如果是這種情況，那麼在進行漏斗分析的時候要注意)。
行為變化
即不同時間段觀測到的行為不一致。
- 對於單一行為而言，可能出現使用者行為質量或行為頻率的下降(甚至消失)，e.g. 以前每天都逛app，現在半個月訪問一次，以前某公眾號使用者一週發文3篇以上，後來基本不更新了；
- 行為指向物發生變化，e.g. 以前賬號主要買男裝，後來主要是女裝，或者Vlog博主先前主要發美妝類視訊，後來變成了美食類；
- 行為間的遷移，指多個並列行為(達到同一目的的不同行為方式)間的轉移，e.g. 先前使用者偏向於使用微信支付訂單，後來是支付寶；
- 行為場景的變化，e.g.先前使用者主要在PC端下單，現在主要是在小程式下單；
- 不同行為的分佈比例變化；
行為異常&目標異常
行為異常&目標正常上一節中提到的異常行為，也可能出現在行為異常&目標異常的場景下，，這種場景下都是有問題的“使用者”跑到app裡面(或者網頁)來“搞事情”。
使用者屬性
業務的時空匹配
- 登陸地是否和業務覆蓋範圍有關，e.g. 主要使用者分佈在北上廣深，但是某天突然從某三線城市增加了大量訪問；
- 每天的訪問量主要集中在早7點~晚10點，某天突然凌晨的流量激增，或者說平時節假日流量很少，但是某天流量異常增多；
使用者屬性穩定性
- 收貨地址有沒有變化，環境裝置變化？
- 常用登陸地、登陸裝置、常用網路是否變化？
- 常購買的品類或者商品單價範圍
人和物的關聯對映
- 1對多關係，一張銀行卡綁定了多個賬戶，一裝置多賬戶登陸；
- 多對多關係，多賬戶交叉繫結多張銀行卡，多賬戶多IP等；
生活基本常識
- 是不是主流網路型別，4G\wifi\有線網路
- 手機機型、作業系統、瀏覽器版本、裝置、app版本等是不是太久遠
個性化配置
有沒有進行個性化設定，比如：
- 繫結手機、郵箱
- 修改暱稱、密碼、頭像、簽名等；
行為模式
表現突出
通常表現為“行為效率太高”或者“用力過猛”。
e.g.問卷施測的時候，有的被試用時短的不可思議；
e.g.某賬戶1秒鐘訪問一個頁面，連續訪問了100個頁面，大概率是爬蟲；
規律性強
規律性的背後是“低成本”，儘快搞定，怎麼省時間省力氣怎麼來。
e.g. 刷單留言的規律性，刷的好評大部分文字或者完全重複——這就是很多人會先看差評的原因，而且很多時候好評不說話，差評就是一大堆。
e.g. 有的被試參加調研，選項很多是AAAAA,CCCCC,DDDDD這種；
隨機性強
一般行為中隨機性太強的時候，就會出現前後不一致的現象。
還是拿問卷調研的情形來舉例，有的人就是想亂答題，這樣除了問卷答題時間短、可能出現規律性選項外，還會在“偵測題目”中前後回答不一致
另一方面，正常使用者都會有行為偏好的，比如會對某個欄目或主題的內容感興趣，或者對某個行業或職位感興趣，如果這個“使用者”看起來沒有明顯的偏好還“涉獵廣泛”，很可疑呢。
功利性強
使用者要麼是為錢而來，要麼是為了找有價值的資訊。
e.g. 使用者的優惠訂單數比例、優惠金額比例等很高；
e.g. 購買的品類是性價高(價格可能低於其他平臺)且容易轉手的非個性化商品(沒有尺碼、顏色、風格等因素)；
e.g. 訪問最多的頁面是優惠活動頁；
不管是爬蟲、刷單，還是黃牛什麼的，因為背後都是人在操作，不管最終登陸賬戶的是真人還是程式，都會表現出很強的目的性。
所以通常這類操作都是“不繞彎，不做多餘的事，做完就走”，e.g.薅羊毛的時候可能連基本的搜尋或瀏覽等常規的前置操作都沒有；
一方面可以從訪問的頁面特徵上檢查：
- 從哪個頁面著陸(session的第一個頁面)，從哪個頁面退出；
- 訪問頁面的熱度是否和站內熱度能匹配上，也就是說哪些受歡迎的頁面在不同人群中都是很受歡迎的，訪問的時候頁面佔比會更高或者停留時間更長
- 是否到達關鍵頁面，有沒有發生關鍵行為，比如付費、互動等
- 頁面訪問順序
在頁面相關的一些指標上也能體現出來：
- 頁面跳出率
- 平均訪問深度
- 平均訪問時長
- 活躍度、訪問間隔異常，平時幾個月不來，來的時候就抽風
- 單頁面訪問次數，通常來說一個使用者不大會重複訪問同一頁面，首頁、詳情頁之類
OK，本文到此結束，文章僅做拋磚引玉之用，歡迎留言交流。