数据分析中，你认为用户行为分析最重要的3个点是什么？

使用者犯罪行为预测较为关键的的四个点。

网络平台预测确保转化成预测确保使用者能精确地触达市场需求，确保高注册登记、莹单；存留预测确保商品活耀使用者萨德基快速增长，最后顺利完成稳步地增值。

只不过表达形式的核心理念常常很单纯，数据挖掘所要达至的目地是「快速增长」。

因此说，网络平台、转化成和存留是使用者犯罪行为数据挖掘中较为关键的四个点。

Part 1 | 网络平台预测

真大笔资本金的全力支持，因此对信用卡业务网络平台的预测非常关键，它间接下定决心他们若想将很大的财政预算效用最小化。

网络流量，从而依照导入资本金排序网络平台 ROI 。

网络平台预测通常透过下列形式：

中文网站的，App 的浏览网络平台，和各浏览器的搜寻关键字，透过数据挖掘网络平台都能很方便快捷的展开统计和预测，预测网络平台透过卡日丹数学模型tics 、亚洲地区的使用者犯罪行为数据挖掘辅助工具

等；

2. 独立自主导入跟踪

平时他们在微信等外部网络平台导入文章、H5 等，许多商品都会很苦恼无法跟踪数据。

预测不同信用卡业务网络平台网络流量的数量和质量，从而优化导入网络平台。

）、utm_content（广告内容）和 utm_term（广告字词），能多维度对信用卡业务网络平台展开监测。Google Analytics、

都全力支持 UTM 监控。

上图展示了一个在线旅游平台的广告导入的详细效用，运营人员能针对现有网络平台的信用卡业务数量和质量展开优化。关于 UTM 链接的具体使用方法和场景应用能参考这篇文章：

。

3. 实时网络流量预测

实时监测商品的访问走势，尤其要关心网络流量异常值。举个例子，某互联网金融网络平台因为一个商品 Bug 导致使用者疯狂抢购造成的网络流量峰值，商品经理发现实时数据异常后迅速下线该商品修复 Bug，避免了损失扩大。

4. 优化信用卡业务网络平台

如何优化信用卡业务网络平台，只不过是有一套系统的方法论的，新型的波士顿矩阵能很好的预测这个问题。

他们按照不同网络平台的信用卡业务成本和信用卡业务质量或者数量对网络平台展开分类，如上图分成了四个大类。网络平台 1 成本高、质量高，这种网络平台需要进一步评估；网络平台 2 质量高、成本低，应该加大导入；网络平台 3 成本高、质量低，能考虑放弃；网络平台 4 成本低、质量差，有待进一步评估。

当然，上面提供的是一个方法论；现实业务中，他们需要对其展开量化。这个就涉及到他们接下来要介绍的转化成率，因为转化成和新使用者的质量息息相关。

Part 2 | 转化成预测

对于一款商品来说，如何让使用者更好地转化成，是使用者若想存留下来产生价值的关键因素。转化成不是一个一步到位的事情，每个环节的优化都可能带来更好的结果。

以注册登记为例，使用者需要经历到达落地页、填写各类信息、激活账号等步骤；

以交易类商品流程的使用者犯罪行为为例：网络流量从各个网络平台过来，到达他们的落地页，感兴趣的使用者开始浏览页面，甚至开始走购买流程，直到最后购买成功，在这个过程中，市场、商品经理和运营要充分利用辅助工具获得更好的转化成。

转化成预测常用的辅助工具是转化成漏斗，简称漏斗（funnel）。如上图所示，新使用者在注册登记流中不断流失，最后形成一个类似漏斗的形状。使用者犯罪行为数据挖掘的过程中，他们不仅看最后的转化成率，也关心转化成的每一步的转化成率。例如上图的转化成漏斗，总体转化成率为 2.6%；但是它是三步转化成率的最后结果，它的每一步转化成率分别是 6.48%，45.7% 和 87.8%。

影响转化成率的因素很多，他们总结了四个大的方面：网络平台网络流量、使用者营销、中文网站 / APP 体验。以网络平台网络流量为例，透过优选网络平台并且量化分配他们的导入资源，能有效提升总体的转化成率。

这篇文章细化地讲解了如何用提升新使用者注册登记转化成率？

Part 3 | 存留预测

在互联网行业里，通常他们会透过拉新把客户引过来，但是经过一段时间可能就会有一部分客户逐渐流失了。那些留下来的人或者是经常回访我们公司中文网站 / App 的人就称为存留。

存留是 AARRR 数学模型中关键的环节之一，只有做好了存留，才能保障新使用者在注册登记后不会白白流失。这就好像一个不断漏水的篮子，如果不去修补底下的裂缝，而只顾着往里倒水，是很难获得稳步的快速增长的。

他们经常使用存留图和存留表来表示使用者的存留情况，下图展示的是使用者存留图（也称存留曲线）。一条存留曲线，如果你不去做甚么的话，使用者就慢慢流失了。

使用者存留预测的过程中，他们能从使用者群组和商品功能两个角度来展开预测。

通常情况下，使用者在早期流失现象非常严重。商品需要让使用者快速容易的体验到商品的价值。一旦使用者发现商品对自己的价值，继续使用和探索商品新功能的概率就会增大很多。

预测整体有没有提高。

关于存留，你能看这篇文章

。

Part 4 | 快速增长黑客的核心理念：AARRR 数学模型

使用者犯罪行为数据挖掘是一个非常大的话题，如何做好这方面的预测不可能一蹴而就。况且不同行业、不同网络平台、不同发展阶段的企业都有自己的侧重点，要依照实际情况灵活调整。但是总的来说，使用者犯罪行为数据挖掘是有规律可循的，目前快速增长黑客的 AARRR 数学模型是一个不错的选择。更多快速增长方面的内容，能参考这篇文章，

他们一直在做互联网行业数据挖掘知识的普及，目前他们已经做了 14 期「GrowingIO数据挖掘公开课」，面向商品经理、运营等等，这里是他们整理出来的「互联网快速增长的第一本数据挖掘手册」：里面汇聚了他们自己在使用者犯罪行为数据挖掘方面的快速增长实践总结，希望能帮助大家少踩到很多坑，提高使用者犯罪行为数据预测的效率。

这是一本神奇的书。

商品经理用它来预测数据、拆解指标，实现流程的良性运转；

市场运营用它来解析数据、确定方法，实现运营效用最小化。

30%注册登记率的提升，90%的客户存留，硅谷数据之神手把手教你实践快速增长黑客。

翔实的预测方法，真实案例与心得，GrowingIO 团队的创业实战分享都在这里了！

严格意义上这不算是一本书，但是能够手把手教你如何做数据挖掘。

。

注：文中实时、漏斗等功能均来自

。