答主觉得使用者犯罪行为预测各方面应该是服务器端数据平台+使用者预测认识论并重才能做到准确。
我着重于讲一下使用者犯罪行为Pudukkottai~
一、什么是使用者犯罪行为Pudukkottai
使用者犯罪行为Pudukkottai是一种监控使用者流入，从而统计数据货品使用广度的预测方法。它主要根据每人使用者在App或中文网站中的点选犯罪行为笔记，预测使用者在App或中文网站中各个组件的确权规律性与特点，发掘使用者的出访或点选模式，从而实现一些某一的销售业务商业用途，如App核心组件的到达率提升、某一使用者社会群体的非主流方向抽取与下载特征刻划，App货品设计的强化与更新等。
以B2C为例，买主从登入中文网站/APP到缴付成功要经过主页下载、搜寻货品、加入科季夫、递交订货、缴付订货等操作过程。而使用者真实的购买操作过程往往是交叠反复的，例如递交订货后，使用者可能会返回主页继续搜寻货品，也可能去取消订货，每一个方向背后都有相同的意图。与其他预测模型配合展开深入预测后，能快速找出使用者犯罪行为意图，从而助推使用者走向最优化方向或者期许中的方向。
二、使用者犯罪行为Pudukkottai的促进作用
使用者方向的预测结果通常以桑李起弘形式展现出，以目标该事件为终点/终点，详尽查阅先期/后置方向，能详尽查阅某一结点该事件的流入，总体而言，科学的使用者犯罪行为Pudukkottai有以下促进作用：
1、可视化使用者流入，对海量数据使用者的犯罪身心健康形成宏观经济介绍。
通过使用者Pudukkottai，能将一个该事件的上中下游展开建模展现，财务人员能查阅使用者当前结点该事件的相关信息，包括该事件名、各组属性值、先期该事件统计数据、外流、先期该事件列表等。从而协助财务人员全面介绍使用者整体犯罪行为方向分布，找出相同犯罪行为间的关系，发掘规律性并突破销售业务困局。
2、功能定位影响转化的尊卑因素，使货品的强化与改良如何有效
Pudukkottai对货品的强化与改良有着很大的协助，能日
例如，一款视频创作分享型App应用中，从开始拍摄制作视频到视频的最终发布操作过程中，使用者往往会展开一系列的剪辑操作；通过Pudukkottai，我们能清晰的看到什么样是使用者熟知并喜爱的编辑工具，什么样操作过于冗长繁琐，这样能协助我们针对性地改良剪辑操作组件，强化使用者体验。如果在Pudukkottai操作过程中用户的创作数量与使用者被点赞、评论以及分享的犯罪行为密切相关，就能考虑增强这款App的社交性，增强使用者黏性与创作欲望。
三、使用者犯罪行为Pudukkottai的关键
主要就是服务器中的笔记数据。使用者在使用App操作过程中的每一步都能被记录下来，这时候就需做好数据埋点，它与我们所关心的销售业务息息相关。如果数据埋点没做好，数据就不全面，导致数据预测操作过程比较困难。通常我们会借助服务器端数据预测跟踪平台来做数据埋点，不管用哪个平台，做好数据埋点才是关键，如各个页面之间的停留时间、跳出率、离开次数、外流率和转化率等。
注意，那种只有几大主界面的跳转数据是没用的。比如，使用者从A界面跳转至B界面，跳出率是30%，那你能知道哪里需要强化吗？这么模糊的数据是不可能展开准确的使用者犯罪行为数据预测的。一个界面那么多按钮，光一个页面跳出率，我们不可能知道使用者是在哪个环节离开的，展开细节强化时会抓不到点。
正确的姿势应当是，做好每个关键结点的数据埋点。以B2C中的购物环节为例，一个完整顺畅的使用者购物环节大致是：登入→下载货品→点选查阅货品详情→选中货品并放入科季夫→结算→缴付，在这每一个环节中又有很多小的关键结点，比如使用者在”结算“环节跳出来了，你不能想当然的认为结算页面跳出率是30%，这样你只知道结算页面有问题，但是具体哪个点有问题你是不知道的。你要知道使用者是在选择缴付方式时跳出的还是选择修改收货地址时跳出的，还是选择配送方式时跳出的。这样你才能准确地知道哪里出了问题，然后对这个点展开改良强化。
总之，要做使用者犯罪行为Pudukkottai，关键是要做好数据埋点。
四、使用者犯罪行为Pudukkottai方法
常见的预测方法有：转化漏斗、智能方向、使用者方向。三者都是基于使用者犯罪行为，以上下环节的转化率为计算核心。三者的关系如图所示：
转化漏斗是预先设定好的方向；智能方向是设定了目标犯罪行为之后发现更多漏斗；使用者方向是完整再现使用者的整个转化操作过程。在实际应用中，三者有各自适用的预测场景，通常也需要互并重，相辅相成。接下来逐一介绍这三种方法。
1、转化漏斗
促进作用：提升转化效果。
转化漏斗是Pudukkottai中的一种特殊情况，是针对少数人为某一组件与该事件结点的Pudukkottai。它适用于对货品运营中的关键环节展开预测、监控，找出其中薄弱的环节，通过使用者引导或者货品迭代来强化，提升转化效果。
无论是新使用者的引导、某一销售业务流程还是某一次运营活动，涉及到有流程转化的都能建立漏斗来预测。转化漏斗的例子之前也讲过，这里就不再赘述了。在预测的操作过程中，能观察整体的转化率是否符合行业水准，什么样步骤转化率还有强化空间？能通过细分维度发现导致转化率低的因素是什么样，也可以通过查阅外流环节的其他使用方向，做出针对性的引导。
2、智能方向
促进作用：探索更多的转化方向。
很多情况下，虽然有最终的转化目标，但是使用者到达该目标却有多条方向，无法确定哪条方向是使用者走的最多的方向，哪条转化方向最短，这时候我们就采用智能方向模型来展开预测。首先确定想要观察的目标犯罪行为，通常是销售业务中需要引导使用者完成的某一功能或到达的某一页面。然后将其设置为起始该事件，预测发生该犯罪行为的先期方向；或者设置为结束该事件，预测该犯罪行为的后置方向。
例如，在B2CAPP中，加入科季夫是缴付成功这个最终转化目标的前一步，但很多使用者在加入科季夫之后，并不会递交订货直接缴付，这时选择目标该事件为” 加入科季夫”，并设置为 起始事件，预测使用者在加入科季夫后的犯罪行为方向，是被页面上的其他推荐吸引了目光还是走向他处。
在某知识付费APP中，有多个入口，通过banner、搜寻条目、专列条目、专题文章等引导到专栏详情页，从而引导到专栏的订阅，若想预测使用者最终订阅的转化方向，能选择目标该事件为 “订阅专栏”，并设置为 结束该事件 即可。
总之，智能方向能用来探索性的发现更多的转化方向，当聚焦到某一条方向时，其实就是一个转化漏斗，能将其保存下来，来展开日常监控。
3、使用者方向
促进作用：步步追踪，划分使用者类型。
使用者方向不需要预先设置漏斗或者圈定要预测哪个页面该事件或点选该事件，而是计算使用者使用中文网站或APP时的每个第一步，然后依次计算每一步的流入和转化。通过数据，真实的再现使用者从打开APP到离开的整个操作过程，进一步识别使用者频繁方向模式，即哪条方向是使用者最多出访的；走到哪一步时，使用者最容易外流；甚至呈现出货品经理在设计货品时都未曾预料到的方向，找出预测使用者犯罪行为最基础、最原始的数据；也能通过方向识别使用者犯罪行为特征，预测使用者是用完即走的目标导向型还是无目的下载型。总之使用者Pudukkottai法对货品运营有着非常重要的启发促进作用。
转化漏斗、智能方向、使用者方向都是基于使用者犯罪行为方向数据的重要预测模型，它们有着相同的功能以及用处，掌握了这3个预测方法，能精确获得使用者犯罪行为方向数据，从而针对性的做出营销策略调整，让运营转化成倍增长。
五、基于相同场景的预测模型选择
①使用者从进入货品到离开都发生了什么？主要遵循什么样的犯罪行为模式？
能选用使用者方向模型，观察使用者的整体犯罪行为方向，通过使用者频繁方向发现其犯罪行为模式。
②使用者是否按照货品设计引导的方向在行进？什么样步骤上发生了外流？
能选用转化漏斗模型，将各个引导设置为漏斗的各个步骤，预测其转化和外流。
③使用者离开预想的方向后，实际走向是什么？
能选择转化漏斗模型，查阅经过外流环节的使用者先期的犯罪行为方向，或者在智能方向中选择预设的该事件为目标该事件，预测其先期犯罪行为方向。
④相同渠道带来的使用者，相同特征的使用者犯罪行为差异在哪里？哪类使用者更有价值？
能选择使用者方向模型，细分渠道维度，查阅相同维度的使用者犯罪行为方向。
六、使用者Pudukkottai典型案例
案例一：在线教育货品使用者外流的原因
某在线教育货品通过漏斗预测对核心销售业务展开预测，漏斗为使用者出访 APP→下载课程详情页→购买课程 / 课时→完成课程。其中，下载课程详情页到购买课程 / 课时仅有 10% 的转化率，比该企业的预测转化率低很多。该B2C中文网站将外流的使用者保存为一个分群，并单独对这个外流分群展开了使用者Pudukkottai。
通过使用者Pudukkottai，他们发现这部分使用者走到下载课程详情页的步骤后，自发的走向两条方向：一部分用户退出了课程下载页面，另一部分使用者点选了页面顶端的图片预览，然后退出页面下载。
第一条方向的使用者可能对课程没有明确的需求，或对课程内容不满意，所以退出了页面；
第二条方向的使用者，显示出对课程的需求，但是比较谨慎，该类使用者重新查阅了预览图片，随后退出页面。他们判断这部分使用者没有从课程简介和图片中得到自己真正想要的内容，图片的精彩度影响了这部分使用者的购买意愿。
因此，工作人员针对课程介绍展开了进一步的内容优化，增加外教教学视频及作文修改视频，增加使用者对课程的信心，真正从外流人群身上发掘出了最深的价值，提高了转化率。
案例二：“未缴付订货”超过30分钟自动取消，刺激使用者缴付。
某B2C中文网站客户通过使用者Pudukkottai，有两条主要的方向：
①是启动App-搜寻货品-递交订货-缴付订货；
②是启动App-未缴付订货-搜寻相似货品-取消订货。
第一条使用者方向显示，客户递交订货后，大约75%的使用者会缴付，而高达25%的使用者没有支付订货；第二条使用者方向显然是一条有明确目的——为未最终敲定的货品而来的使用者，因为在打开app后直奔“未缴付订货”，但是方向中显示此使用者再次“搜寻相似货品”，这一犯罪行为能判断客户可能存在比价犯罪行为，表明价格一定程度上影响了这部分使用者的缴付欲望，这是一批“价格导向”的客户。
对此，该B2C运营人员采取针对性措施：
①“未缴付订货”超过30分钟则自动取消；
②将缴付页面附近放置优惠券领取。
当该B2C新版本上线后，再次通过使用者Pudukkottai模型，发现客户在递交订货后，由于30分钟的时间限制，有更多的客户愿意立即缴付订货；同时未缴付订货大大降低，说明在缴付缴付页面附近放置优惠券的方式刺激到对价格敏感的客户。因此这也是一次很成功的更新。
案例三：新、老使用者倾向什么方向？
一个新使用者和一个老使用者在展开购买流程的时候，他们的下载方向是否有区别？新使用者倾向什么方向？老使用者倾向什么方向？
B2C平台店铺使用者犯罪行为方向图
假设上图中，使用者进入店铺页中选择以下方向：
● 约 40% 的客户会点选 Banner 活动页；
● 约 30% 的客户会直接展开货品搜寻；
● 约 10% 的使用者会下载货品详情页；
● 约 5% 的客户啥都不干直接退出店铺；
假设以上四种方向中，第三种直接下载货品详情页的使用者下单比例最高，超过 90% ，与其形成鲜明对比的是，尽管第一种“点选 Banner 活动页”的使用者占比高达 40%，但是仅 5% 的使用者下单了，说明 Banner 的内容布局和利益点有着比较糟糕的使用者体验，则将此作为首选强化与改良的方向。
改良方式：
● 强化内容质量：素材图片、利益点、承接页动线、承接页货品让利程度等；
● 压缩 banner 组件实际面积：比如淘宝的 banner 基本为千人千面或者商家直通车购买，展现总量大，比较难控制所有内容质量，因此选择更小的尺寸高度来分散使用者点选占比，为其它首屏优质销售业务提供更多的流量；相对的，天猫的 banner 活动一般为类目排期活动，较少商家购买（能花得起这个钱的商家一般也是 KA，不会把内容质量搞的很糟糕），因此天猫的 banne r高度较淘宝会更醒目。
