1、用戶模型

“不僅要知道用戶當(dāng)下在想什么，更要知道用戶背后在想什么，以及用戶正在經(jīng)歷著什么。”

傳統(tǒng)用戶模型構(gòu)建方式

用戶模型：基于對用戶的訪談和觀察等研究結(jié)果建立，嚴(yán)謹(jǐn)可靠但費(fèi)時(shí)；

臨時(shí)用戶模型：基于行業(yè)專家或市場調(diào)查數(shù)據(jù)對用戶的理解建立，快速但容易有偏頗。（缺乏時(shí)間，資源的情況下）

為了節(jié)省時(shí)間，降低風(fēng)險(xiǎn)，產(chǎn)品團(tuán)隊(duì)往往盡快將產(chǎn)品推向用戶，快速試錯(cuò)，在這種場景下如何構(gòu)造用戶模型？

1，首先，整理和收集已經(jīng)獲得的任何可認(rèn)知用戶的經(jīng)驗(yàn)和數(shù)據(jù)，將這些信息映射成為用戶的描述信息（屬性）或用戶的行為信息，并存儲(chǔ)起來形成用戶檔案,

2，實(shí)時(shí)關(guān)注自身數(shù)據(jù)的波動(dòng)，及時(shí)采取行動(dòng)

3，記錄用戶的行為數(shù)據(jù)而不是單純地為用戶打標(biāo)簽

4，360°覆蓋用戶全生命周期的用戶檔案

用戶的每一步成長都通過行為記錄下來，基于用戶所在生命周期的不同階段，針對新用戶、流失用戶、活躍用戶、沉默用戶分別采取有針對性的拉新、轉(zhuǎn)化、留存等運(yùn)營策略。

2、事件模型

1.事件是什么

就是用戶在產(chǎn)品上的行為，它是用戶行為的一個(gè)專業(yè)描述，用戶在產(chǎn)品上的所有獲得的程序反饋都可以抽象為事件，由開發(fā)人員通過埋點(diǎn)進(jìn)行采集，通俗講就是：將一段代碼放入對應(yīng)的頁面/按鈕，用戶進(jìn)入頁面/點(diǎn)擊按鈕的本質(zhì)是在加載背后的代碼，同時(shí)再加載事件采集代碼，這樣就被SDK所記錄下來了。

（利用百度統(tǒng)計(jì)加入代碼采集用戶下載成功和失敗事件）

2.事件的采集

事件：用戶在產(chǎn)品上的行為

屬性：描述事件的維度

值：屬性的內(nèi)容

采集時(shí)機(jī):用戶點(diǎn)擊（click）、網(wǎng)頁加載完成、服務(wù)器判斷返回等。在設(shè)計(jì)埋點(diǎn)需求文檔時(shí)，采集時(shí)機(jī)的說明尤為重要，也是保證數(shù)據(jù)準(zhǔn)確性的核心。

舉個(gè)例子，在采集過程中如果沒有明確時(shí)機(jī)，當(dāng)用戶點(diǎn)擊了注冊按鈕，由于用戶輸入了錯(cuò)誤的注冊信息實(shí)際沒有注冊成功，可能仍然會(huì)進(jìn)行記錄，這樣在統(tǒng)計(jì)注冊成功事件的時(shí)候就不是準(zhǔn)確的。而正確的采集時(shí)機(jī)描述應(yīng)該是“服務(wù)器返回注冊成功的判斷”。（日本官網(wǎng)采集的就是返回激活成功或者失敗頁面）

3.事件的分析

• 人數(shù)：某一事件（行為）有多少人觸發(fā)了
• 次數(shù)：某一事件（行為）觸發(fā)了多少次
• 人均次數(shù)：某一事件（行為）平均觸發(fā)多少次
• 活躍比：在一個(gè)時(shí)間區(qū)間內(nèi)，觸發(fā)某一事件的人數(shù)占當(dāng)前時(shí)間段內(nèi)所有活躍人數(shù)的比

4.事件的管理

當(dāng)事件很多時(shí)，可以對事件進(jìn)行分門別類地管理。同時(shí)，可以從產(chǎn)品業(yè)務(wù)角度將重要的用戶行為標(biāo)注出來，以便可以在分析時(shí)方便、快捷地查找常用、重要的事件。

3、漏斗模型

漏斗模型幫助你分析一個(gè)多步驟過程中每一步的轉(zhuǎn)化與流失情況。

舉例來說，用戶下載產(chǎn)品的完整流程可能包含以下步驟：

我們可以將如上流程設(shè)置為一個(gè)漏斗，分析整體的轉(zhuǎn)化情況，以及每一步具體的轉(zhuǎn)化率和轉(zhuǎn)化中位時(shí)間

我們需要將按照流程操作的用戶進(jìn)行各個(gè)轉(zhuǎn)化層級上的監(jiān)控，尋找每個(gè)層級的可優(yōu)化點(diǎn)；

對沒有按照流程操作的用戶繪制他們的轉(zhuǎn)化路徑，找到可提升用戶體驗(yàn)，縮短路徑的空間。

更好的利用漏斗模型：

1.細(xì)化每一個(gè)環(huán)節(jié)，展示到點(diǎn)擊之間？點(diǎn)擊到下載之間？下載到安裝之間？安裝到體驗(yàn)之間？

2.擁有埋點(diǎn)意識和全局觀念，才能夠有效采集，為每個(gè)環(huán)節(jié)的漏斗優(yōu)化做出決策依據(jù)，推動(dòng)各個(gè)部門優(yōu)化

4、熱圖分析模型

什么是熱圖分析模型？

反映用戶在網(wǎng)頁上的關(guān)注點(diǎn)在哪里，尤其對于官網(wǎng)首頁來說，信息密度極高，用戶究竟是如何點(diǎn)擊，如何瀏覽的效果圖

按計(jì)算維度劃分，熱圖可以分為點(diǎn)擊熱圖和瀏覽熱圖。

點(diǎn)擊熱圖：追蹤的是鼠標(biāo)的點(diǎn)擊情況，進(jìn)行人數(shù)、次數(shù)統(tǒng)計(jì)并基于百分比進(jìn)行熱力分布，點(diǎn)擊熱圖又分為兩種，一種是鼠標(biāo)的所有點(diǎn)擊，一種是頁面可點(diǎn)擊元素的點(diǎn)擊。前者可以追蹤頁面上所有可點(diǎn)擊和不可點(diǎn)擊位置的被點(diǎn)擊情況，后者只追蹤頁面上可點(diǎn)擊元素的點(diǎn)擊情況。

瀏覽熱圖（也稱注意力熱圖）記錄的是用戶在不同頁面或同一頁面不同位置停留時(shí)間的百分比計(jì)算，基于停留時(shí)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(cái)產(chǎn)品，投資用戶和未投資用戶關(guān)注點(diǎn)肯定不同

2、聚焦分析

點(diǎn)擊率= 點(diǎn)擊次數(shù)/當(dāng)前頁面的瀏覽次數(shù)

聚焦率=點(diǎn)擊次數(shù)/當(dāng)前頁面的點(diǎn)擊總次數(shù)

應(yīng)用場景

1、落地頁效果分析

2、首頁流量追蹤

3、關(guān)鍵頁體驗(yàn)衡量（產(chǎn)品體驗(yàn)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(gè)條件的用戶，在某個(gè)時(shí)間點(diǎn)有沒有進(jìn)行回訪行為

公式：若滿足某個(gè)條件的用戶數(shù)為n，在某個(gè)時(shí)間點(diǎn)進(jìn)行回訪行為的用戶數(shù)為m，那么該時(shí)間點(diǎn)的留存率就是m/n

• N-day留存，即第幾日留存，只計(jì)算第N天完成回訪行為的用戶
• Unbounded留存（N天內(nèi)留存），留存會(huì)累計(jì)計(jì)算N天內(nèi)所有完成過回訪行為的用戶。
• -Bracket留存 （自定義觀察期留存）N-day留存和Unbounded留存都是按照獨(dú)立的天/周/月為觀察單位計(jì)算，但有時(shí)候我們不希望受限于這種固定時(shí)間度量，我們希望劃分為幾個(gè)觀察期

第一個(gè)觀察期：次日

第二個(gè)觀察期：第3日-第7日

第三個(gè)觀察期：第8日-第14日

第四個(gè)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(shí)間的限定，對留存的定義都是用戶打開了APP或進(jìn)入了網(wǎng)站

自定義留存是基于業(yè)務(wù)場景下的留存情況，比如閱讀類產(chǎn)品會(huì)把看過至少一篇文章的用戶定義為真正的留存用戶，電商類產(chǎn)品會(huì)把至少查看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(shè)定是并且關(guān)系。用戶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(shè)定本質(zhì)上是在進(jìn)一步篩選用戶群。在滴滴的一次增長分享會(huì)曾提到過“搶了紅包的用戶后來打了車的日留存”，即初始行為是搶了紅包，回訪行為是打了車?！皳屃思t包的用戶打了車的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：對活躍用戶使用產(chǎn)品的習(xí)慣的分析，例如一個(gè)月使用了幾天，使用大于一天，大于七天的用戶有多少，例如某些產(chǎn)品上線了新功能，用戶使用需要簽到，可以由此分析出用戶的使用習(xí)慣，評估新功能的吸引力和健康度。

作用：使用留存分析，了解產(chǎn)品和功能黏住用戶的能力如何，用戶喜歡哪個(gè)功能，不同用戶在同一功能在適用上的差異，有助于科學(xué)評估產(chǎn)品，制定留存策略

舉例：股票APP，已投資用戶和未投資的用戶觸發(fā)功能【查看股票市場】的次數(shù)

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(zhuǎn)化，例如電商產(chǎn)品，分析從查看產(chǎn)品詳情到最終支付每一步的轉(zhuǎn)化率。而全行為路徑分析是對用戶在APP或網(wǎng)站的每個(gè)模塊的流轉(zhuǎn)情況，挖掘用戶的訪問模式，從而優(yōu)化產(chǎn)品或網(wǎng)站

一般可用樹形圖表現(xiàn)，如下圖，一個(gè)線上培訓(xùn)網(wǎng)站，用戶大都會(huì)打開搜索課程，所以需要優(yōu)化搜索課程。而在第一次搜索課程后，用戶并沒有搜索到想要的課程，又進(jìn)行了第二次搜索，因此可以將用戶搜索頻率高的關(guān)鍵詞設(shè)置成可點(diǎn)擊元素，鏈接到用戶使用頻率高的相關(guān)課程。引導(dǎo)用戶點(diǎn)擊得到想要的結(jié)果

8、用戶分群模型

分群是對某一特征用戶的劃分和歸組，而分層，更多的是對全量用戶的一個(gè)管理手段，細(xì)分用戶的方法其實(shí)我們一直在用，比如我們熟悉的RFM模型：

RFM模型是從用戶的業(yè)務(wù)數(shù)據(jù)中提取了三個(gè)特征維度：最近一次消費(fèi)時(shí)間（Recency）、消費(fèi)頻率 (Frequency)、消費(fèi)金額 (Monetary)。通過這三個(gè)維度將用戶有效地細(xì)分為8個(gè)具有不同用戶價(jià)值及應(yīng)對策略的群體，如下圖所示。

另外四個(gè)用戶分群的維度：

1、用戶屬性：用戶客觀的屬性，描述用戶真實(shí)人口屬性的標(biāo)簽，比如：年齡、性別、城市、瀏覽器版本、系統(tǒng)版本、操作版本、渠道來源等就是用戶屬性

2.活躍時(shí)間

3.做過，沒做過

4.新增于：何時(shí)新增用戶較多