1、使用者模型

“不僅要知道使用者當下在想什麼，更要知道使用者背後在想什麼，以及使用者正在經歷著什麼。”

傳統使用者模型構建方式

使用者模型：基於對使用者的訪談和觀察等研究結果建立，嚴謹可靠但費時；

臨時使用者模型：基於行業專家或市場調查資料對使用者的理解建立，快速但容易有偏頗。（缺乏時間，資源的情況下）

為了節省時間，降低風險，產品團隊往往儘快將產品推向使用者，快速試錯，在這種場景下如何構造使用者模型？

1，首先，整理和收集已經獲得的任何可認知使用者的經驗和資料，將這些資訊對映成為使用者的描述資訊（屬性）或使用者的行為資訊，並存儲起來形成使用者檔案,

2，實時關注自身資料的波動，及時採取行動

3，記錄使用者的行為資料而不是單純地為使用者打標籤

4，360°覆蓋使用者全生命週期的使用者檔案

使用者的每一步成長都通過行為記錄下來，基於使用者所在生命週期的不同階段，針對新使用者、流失使用者、活躍使用者、沉默使用者分別採取有針對性的拉新、轉化、留存等運營策略。

2、事件模型

1.事件是什麼

就是使用者在產品上的行為，它是使用者行為的一個專業描述，使用者在產品上的所有獲得的程式反饋都可以抽象為事件，由開發人員通過埋點進行採集，通俗講就是：將一段程式碼放入對應的頁面/按鈕，使用者進入頁面/點選按鈕的本質是在載入背後的程式碼，同時再載入事件採集程式碼，這樣就被SDK所記錄下來了。

（利用百度統計加入程式碼採集使用者下載成功和失敗事件）

2.事件的採集

事件：使用者在產品上的行為

屬性：描述事件的維度

值：屬性的內容

採集時機:使用者點選（click）、網頁載入完成、伺服器判斷返回等。在設計埋點需求文件時，採集時機的說明尤為重要，也是保證資料準確性的核心。

舉個例子，在採集過程中如果沒有明確時機，當用戶點選了註冊按鈕，由於使用者輸入了錯誤的註冊資訊實際沒有註冊成功，可能仍然會進行記錄，這樣在統計註冊成功事件的時候就不是準確的。而正確的採集時機描述應該是“伺服器返回註冊成功的判斷”。（日本官網採集的就是返回啟用成功或者失敗頁面）

3.事件的分析

• 人數：某一事件（行為）有多少人觸發了
• 次數：某一事件（行為）觸發了多少次
• 人均次數：某一事件（行為）平均觸發多少次
• 活躍比：在一個時間區間內，觸發某一事件的人數佔當前時間段內所有活躍人數的比

4.事件的管理

當事件很多時，可以對事件進行分門別類地管理。同時，可以從產品業務角度將重要的使用者行為標註出來，以便可以在分析時方便、快捷地查詢常用、重要的事件。

3、漏斗模型

漏斗模型幫助你分析一個多步驟過程中每一步的轉化與流失情況。

舉例來說，使用者下載產品的完整流程可能包含以下步驟：

我們可以將如上流程設定為一個漏斗，分析整體的轉化情況，以及每一步具體的轉化率和轉化中位時間

我們需要將按照流程操作的使用者進行各個轉化層級上的監控，尋找每個層級的可優化點；

對沒有按照流程操作的使用者繪製他們的轉化路徑，找到可提升使用者體驗，縮短路徑的空間。

更好的利用漏斗模型：

1.細化每一個環節，展示到點選之間？點選到下載之間？下載到安裝之間？安裝到體驗之間？

2.擁有埋點意識和全域性觀念，才能夠有效採集，為每個環節的漏斗優化做出決策依據，推動各個部門優化

4、熱圖分析模型

什麼是熱圖分析模型？

反映使用者在網頁上的關注點在哪裡，尤其對於官網首頁來說，資訊密度極高，使用者究竟是如何點選，如何瀏覽的效果圖

按計算維度劃分，熱圖可以分為點選熱圖和瀏覽熱圖。

點選熱圖：追蹤的是滑鼠的點選情況，進行人數、次數統計並基於百分比進行熱力分佈，點選熱圖又分為兩種，一種是滑鼠的所有點選，一種是頁面可點選元素的點選。前者可以追蹤頁面上所有可點選和不可點選位置的被點選情況，後者只追蹤頁面上可點選元素的點選情況。

瀏覽熱圖（也稱注意力熱圖）記錄的是使用者在不同頁面或同一頁面不同位置停留時間的百分比計算，基於停留時長。

熱圖分析模型中的新特性

1、面向特定人群的分析與人群對比

比如理財產品，投資使用者和未投資使用者關注點肯定不同

2、聚焦分析

點選率= 點選次數/當前頁面的瀏覽次數

聚焦率=點選次數/當前頁面的點選總次數

應用場景

1、落地頁效果分析

2、首頁流量追蹤

3、關鍵頁體驗衡量（產品體驗和下載頁面）

5、自定義留存分析模型

留存定義和公式

定義：滿足某個條件的使用者，在某個時間點有沒有進行回訪行為

公式：若滿足某個條件的使用者數為n，在某個時間點進行回訪行為的使用者數為m，那麼該時間點的留存率就是m/n

• N-day留存，即第幾日留存，只計算第N天完成回訪行為的使用者
• Unbounded留存（N天內留存），留存會累計計算N天內所有完成過回訪行為的使用者。
• -Bracket留存 （自定義觀察期留存）N-day留存和Unbounded留存都是按照獨立的天/周/月為觀察單位計算，但有時候我們不希望受限於這種固定時間度量，我們希望劃分為幾個觀察期

第一個觀察期：次日

第二個觀察期：第3日-第7日

第三個觀察期：第8日-第14日

第四個觀察期：第15日到第30日

自定義留存

上述三種留存方式，都是對時間的限定，對留存的定義都是使用者打開了APP或進入了網站

自定義留存是基於業務場景下的留存情況，比如閱讀類產品會把看過至少一篇文章的使用者定義為真正的留存使用者，電商類產品會把至少檢視過一次商品詳情定義為有效留存

• 初始行為：初始與回訪是相對的概念。
• 回訪行為：與初始行為的設定是並且關係。使用者的初始行為可以理解為上一次行為，回訪行為即理解為下一次行為。

對初始行為和回訪行為的設定本質上是在進一步篩選使用者群。在滴滴的一次增長分享會曾提到過“搶了紅包的使用者後來打了車的日留存”，即初始行為是搶了紅包，回訪行為是打了車。“搶了紅包的使用者打了車的3日留存”即初始行為是搶了紅包，回訪行為是打車，看這部分人的第三天留存。

6、粘性分析

定義：對活躍使用者使用產品的習慣的分析，例如一個月使用了幾天，使用大於一天，大於七天的使用者有多少，例如某些產品上線了新功能，使用者使用需要簽到，可以由此分析出使用者的使用習慣，評估新功能的吸引力和健康度。

作用：使用留存分析，瞭解產品和功能黏住使用者的能力如何，使用者喜歡哪個功能，不同使用者在同一功能在適用上的差異，有助於科學評估產品，制定留存策略

舉例：股票APP，已投資使用者和未投資的使用者觸發功能【檢視股票市場】的次數

7、全行為路徑分析

行為路徑分析分為漏斗分析和全行為路徑分析。與漏斗分析模型不同，漏斗分析模型是分析既定的行為轉化，例如電商產品，分析從檢視產品詳情到最終支付每一步的轉化率。而全行為路徑分析是對使用者在APP或網站的每個模組的流轉情況，挖掘使用者的訪問模式，從而優化產品或網站

一般可用樹形圖表現，如下圖，一個線上培訓網站，使用者大都會開啟搜尋課程，所以需要優化搜尋課程。而在第一次搜尋課程後，使用者並沒有搜尋到想要的課程，又進行了第二次搜尋，因此可以將使用者搜尋頻率高的關鍵詞設定成可點選元素，連結到使用者使用頻率高的相關課程。引導使用者點選得到想要的結果

8、使用者分群模型

分群是對某一特徵使用者的劃分和歸組，而分層，更多的是對全量使用者的一個管理手段，細分使用者的方法其實我們一直在用，比如我們熟悉的RFM模型：

RFM模型是從使用者的業務資料中提取了三個特徵維度：最近一次消費時間（Recency）、消費頻率 (Frequency)、消費金額 (Monetary)。通過這三個維度將使用者有效地細分為8個具有不同使用者價值及應對策略的群體，如下圖所示。

另外四個使用者分群的維度：

1、使用者屬性：使用者客觀的屬性，描述使用者真實人口屬性的標籤，比如：年齡、性別、城市、瀏覽器版本、系統版本、操作版本、渠道來源等就是使用者屬性

2.活躍時間

3.做過，沒做過

4.新增於：何時新增使用者較多

給大家推薦一個大資料學習群“ 593-188--212”教大家如何掌握大資料這們技能了，裡面有大資料學習資料等