在产品运营过程中，无论是产品、运营还是营销团队，都希望能够清晰地了解用户的行为路径，通过用户行为分析来优化用户体验，实现更精准的运营和营销。 本文作者分享了银行用户行为分析中用到的6个分析模型。 让我们一起来看看吧。

用户行为分析是通过对这些数据进行统计和分析，发现用户产品使用的规律，并将这些规律与网站的营销策略、产品功能、运营策略相结合，发现营销、产品、运营中可能存在的问题。 ，解决这些问题可以优化用户体验，实现更加精细化、精准化的运营和营销，让产品获得更好的增长。

用户行为将用户所做的一切行为定义为一个事件，一系列事件构成了用户的行为链。 例如，用户的贷款或存款是一个事件，在什么时间、在什么平台、哪个用户ID、点击了什么产品、为什么点击购买按钮。 这是一个完整的事件，也是对用户行为的定义。 我们可以在网站或APP上定义数千个这样的事件。

在产品的运营过程中，无论是产品、运营还是营销团队都希望能够清楚地了解自己的用户行为路径，并从海量的用户行为中找到以下问题的答案：

当用户进入产品并离开时会发生什么？ 您主要遵循哪些行为模式？ 用户是否遵循产品设计引导的路径？ 流失发生在哪些步骤？ 用户离开预期路径后的实际方向是什么？ 不同渠道、不同特征带来的用户行为有何差异？ 哪类用户更有价值？

通过此类事件，可以连接并观察用户行为。 该用户为首次使用手机银行的新用户。 他可能想要注册，那么注册行为就是一个事件。 注册需要填写个人信息，然后他就可以开始搜索买东西了。 所有这些都是用户行为事件。

用户行为可以用5W2H来概括：

1、用户行为数据获取

不收集的用户行为数据越多越好。 相反，我们根据用户需求收集有针对性的行为数据。 哪些行为数据有助于我们分析用户，帮助我们更快地解决用户需求问题？ 用户行为数据。 这些数据可以帮助我们更好地了解用户，从而改进产品设计和体验，优化我们的产品，提高产品与用户交互的效率。

用户在各个渠道做了什么，在什么时间进行了操作，进行了哪些操作，用户的基本信息等。无论是运营还是产品，我们都需要掌握以下用户数据：

用户行为数据的采集方式一般采用埋点方式，分为无埋点和代码埋点。

无埋点是一种前端埋点方式。 在产品中嵌入SDK是最统一的埋点。 通过接口配置定义关键行为，完成埋点采集。 这是前端埋点方法之一。 。

代码埋点也是最常用的埋点方式。 代码埋点分为前端代码埋点和后端代码埋点。

端代码埋点、前端埋点和全埋点类似，同样需要嵌入SDK。 不同的是，对于每个事件行为，都需要调用SDK代码，传入必要的事件名称、属性参数等，然后发送到后台数据服务器。

代码埋点是一种非常传统且常见的通过编写代码来定义该事件的方式。 在手机银行中加载一段代码，监控用户行为数据，如注册、滑动、填写信息等。

2、用户行为分析应用场景

有了用户行为数据后，可以应用在哪些场景？

3、用户行为分析模型

用户行为分析包括：行为事件分析、用户留存分析、漏斗模型分析、用户路径分析、分布分析、归因分析。

1.行为事件分析

行为事件分析方法主要用于对某一行为事件，以及其对产品的影响及其影响程度进行深入研究。

行为事件分析方法具有强大的过滤、分组和聚合能力，逻辑清晰，使用简单，得到了广泛的应用。 行为事件分析方法一般经过事件定义和选择、深入分析、解释和结论等步骤。

事件定义和选择。 事件描述用户在某个时间点、某个地点、以某种方式完成某件特定的事情。 人物、时间、地点、内容和方式是定义事件的关键因素。

针对某一具体行为，对其进行综合描述和比较，深入分析其异常表现的各个维度，确认行为数据表现的原因。 例如贷款产品申请：同期对比分析，确认是否发生在上个月，比较去年/上季度/上个月/上周/昨天数据的相对表现。

多事件比较分析。 对比登录、产品点击、应用事件的数据，看看是否有增量。 通过对比多个事件，确认了过度上涨现象的范围。

那么从三个方面来分析：

监控程序是否异常？ 哪个产品的点击次数增加了？ -> 对应的页面做了哪些调整？ 渠道流量有增加吗？ 哪部分用户群的播放量有所增加？

交叉分析，用户自然属性（平台、性别、年龄、地域、学历、机型、消费能力）、行为属性（新用户、回访用户、频繁活跃用户；）。

采用行为事件分析方法研究用户特定操作行为对银行业务的影响。 银行运营团队可以跟踪或记录用户的行为或业务流程，例如用户注册、浏览金融产品页面、转账、存款等，通过研究和事件发生相关的所有因素来发现背后的原因用户行为事件、交互影响等因素。 在用户行为数据分析中，事件是指用户操作产品的某种行为，即用户在产品内做了哪些事情。 转换成描述性语言就是“操作+对象”。 事件类型包括：注册、登录、绑定卡、实名认证、交易等。

通过事件分析，我们可以准确了解产品内部发生的事件量，根据产品特性合理配置跟踪，轻松解答变化趋势、纬度对比等问题。

例如：

2. 保留分析

留存率是衡量用户是否再次使用该产品的指标。 它也是每个应用程序赖以生存的指标。 它可以体现任何产品的健康度，是产品的整体表现、运营、推荐效果。 如果一个应用永远留不住用户，那么DAU永远都是新用户，产品就无法运行，更何况新用户的成本会被浪费。

留存用户：如果用户登录后发生交易行为，且1个月后发生相应行为，则视为该用户为留存用户。

留存行为：目标用户完成初始行为并在后续日期完成特定留存行为后，留存用户数+1。 保留行为通常与我们的目标密切相关。 我们在进行留存分析时，必须根据自身业务的实际需求来确定高价值的留存行为，以便为产品优化提供指导性建议。

留存率：指“留存行为用户”与“初始行为用户”的比例。 常见的指标有次日留存率、7天留存率、下个月留存率等。

定制业务属性并细化保留流程将使保留的数据更具价值和指导意义。 通过留存分析，我们可以分析用户留在产品中的原因，从而优化产品的核心功能，提高留存率。

3. 漏斗分析

漏斗分析本质上是转化分析，衡量每个转化步骤的转化率，通过转化率异常数据找出有问题的环节并解决，从而优化整个流程的完成率。

漏斗分析是一套基于流程的数据分析模型，以从用户行为出发的每个行为节点作为分析模型节点来衡量每个节点的转化效果。 一般通过水平条形图来呈现。 漏斗分析可以帮助我们清楚地了解多步骤流程中每个阶段的转化率。 通过比较漏斗各个环节的相关数据，我们可以直观地发现和解释问题，找出损失的原因，提高转化效果。 。 对于业务流程比较规范、周期长、环节多的流程分析，可以直观地发现问题。 在漏斗分析中，我们需要了解以下三个基本概念：

步骤：指用户行为，由事件和过滤条件组成。 时间范围：是指漏斗中每个步骤发生的时间范围。 转化周期：指用户完成渠道的时间限制。 漏斗分析仅统计该时间范围内的特定转化。

漏斗分析可以衡量用户在各个环节的转化率与整体操作转化率的比较。 除了看到每个步骤和总转化情况外，还可以按照时间维度监控每个环节的趋势和总转化率。 通过漏斗分析趋势图，按日、周、月分析转化趋势。

4.路径分析

路径分析可以从复杂的应用日志中根据用户的使用过程呈现出“清晰”的用户现有路径。 发现路径问题并进行优化，让用户能够以最短的路径体验到产品的核心价值。

用户访问路径分析的价值在于基于大量用户访问行为的统计，挖掘用户访问模式，找到人们最常走的一些路径，优化这些路径的路径，使路径变得更短，改善用户体验。 对于很少走的用户来说，可以断路，为产品做减法。 用户喜欢什么来到这里，为什么离开？ 我们的忠实用户喜欢我们产品的哪些方面？ 更深入、更全面地思考这样的问题，就是日常产品、运营或者营销部门关心的几个核心问题。

用户从进来到离开都做了什么，必要的路径是什么？

当前的用户行为与产品的设计和引导是否一致？ 他们在哪些关键点上迷失了？

用户偏离设计路径后选择了什么样的路径？ 这些路径有何特点或优点？

按照不同维度划分的用户群体，其行为上的异同点是什么，意味着什么？

另外，路径分析不仅可以用于行为路径分析，还可以用于用户群体转化分析。 例如：分别分析新用户转化为忠实用户、频繁活跃用户、潜在流失用户、流失用户的情况。

5、分布分析

分布分析是在特定指标下对用户的频次、总量等进行分类展示。 分析用户在不同地区、不同时间段购买不同类型产品的次数和交易频率，帮助运营商了解当前用户状况。

作为运营和产品团队，想要专注优化最重要的页面，需要了解关键页面浏览的频率分布，找到对用户影响最大的页面； 作为运营人员，需要了解贡献值最高的用户群体，并将资源集中在这些用户群体上。 关键用户。 分布分析图不仅可以洞察用户行为的分布规律，还可以作为事件分析、用户分组等功能的重要补充。

例如，贷款业务模型一般为：收入=访问用户数×转化率×贷款金额×利率。

6. 归因分析

归因分析是解决获客和运营的效果，主要通过哪些渠道投入资源。 随着营销获客成本越来越高，用户转化路径也变得越来越复杂。 我们需要通过归因分析找到最佳的解决方案。 最有价值、最具潜力的接触点可以更好地提高用户转化，同时节省营销费用。 常见的归因分析方法：线性归因、首次归因、最后归因、位置归因等。

在上面的站内归因示例中，如果遵循时间衰减归因模型，则转化贡献为首页10%、运营20%、搜索框30%、推荐40% 。

选择哪种归因分析模型来衡量和评估用户接触点对实现整体转化目标的贡献，需要银行根据自身的业务场景和分析需求选择相应的归因分析模型。

随着产品内的用户行为路径日益复杂，只有通过归因分析，让用户迈出的每一个关键步骤都“算数”，才能合理优化用户接触点的排列组合，高效地将资源投入分配到每个用户接触点。

没有完美的归因模型，任何模型都有局限性和缺点。 当今的互联网环境越来越复杂，触发用户的终端设备也越来越多。 从第一次触发到用户最终做出转换决定的过程是复杂的。 该模型无法完整、准确地概括。 归因一般与用户识别和传播密切相关，需要标准化的数据采集流程来保证埋点的准确性，从而保证数据的有效性。

数据运营的核心在于操作而不是简单的数据。 数据操作的本质是操作。 数据分析必须服务于运营。 离开操作本身，谈论数据分析是没有价值的。 您想通过数据分析、人群分析解决什么样的运营问题，以便更好地制定后续运营策略？ 或者你想从数据现象中获得一定的数据洞察，以便更好地制定后续的精细化运营策略。

4. 总结

用户行为分析是一门科学。 善于获取数据、分析数据、应用数据，是每个人做好工作的基本功。 每个企业都应该加强大数据的应用进行用户行为分析，从数据中寻找规律，用数据驱动业务增长。

数据分析具有一定的专业性。 不仅需要掌握不同的分析方法，还需要熟悉业务。 只有结合业务才能给出有价值的分析结果。

数字化时代，银行如果不能利用数据分析进行精细化运营，就会造成巨大的资源浪费，势必会增加银行的运营成本，降低竞争力。

对于银行来说，传统的数据分析主要分析结果型数据，缺乏对产生结果的用户行为过程的分析。 因此，数据分析的价值相对有限，这也是为什么很多银行觉得这几年数据分析做得比较充分，但效果并不大。 通过对用户行为的5W2H分析，我们可以了解用户来自哪里、进行哪些操作、为什么流失、流失到哪里等，从而提高用户体验、平台转化率，让银行实现通过精细化经营实现业务增长。

专栏作家

唐向军，公众号：营销数字化转型（ID：Fi-），人人都是产品经理专栏作家。 聚焦银行数字化转型。