用户数据分析详解

第一节 数据与用户运营

一、 单用户画像

二、 用户计数

三、 同类用户群

四、 给目标人群群发消息

第二节 了解用户行为数据

一、了解你的数据

二、常用指标

三、如何使用属性？

第三节 用户数据分析的User-Event

一、 UBA的基本原理

二、 事件

三、 用户

第四节 巧用用户标签，为用户运营提效

一、不同人眼中的标签

二、如何刻画用户标签

三、用户标签的作用和价值

四、用户标签的打法和应用

第五节 用户画像的几种理解

一、Persona人物角色

二、Profile

三、受众定向

四、单用户档案和用户行为

第一节 数据与用户运营

我们对于用户的分析，有这样几个场景：单用户画像；用户计数；同类用户群；给目标人群群发信息。这些场景帮助我们更好进行用户数据分析，也能更好指导我们服务我们的用户。

一、单用户画像

在深耕用户数据的过程中，大多数时候，我们会通过单个用户行为去发现，用户在体验我们产品的过程中遇到了哪些问题导致了他的离开。如果通过多个离开的用户发现了我们产品阻碍用户的地方，那简直就是发现了“宝藏”，这个“宝藏”会帮助我们也许只优化一个小功能，就能带来足够的增长。

二、用户计数

制定一个用户生命周期仪表盘，可以帮你了解任意层级的用户数量，可以很好的衡量用户状态，我们做用户运营总是希望会员可以从初级会员向高级会员演进，这样的层级漏斗有助于我们掌握当前用户状态，也方便对他们区别对待。

三、同类用户群

同类用户群指的是共享同用户属性或进行了相同行为或相同行为频率的的一组用户，在用户分群的功能里找到他们后，可以在任意的分析功能里选择同类用户群，通过这样的方式可以了解到选中的同类用户群的行为数据，起到了数据过滤的作用。

比如：我想知道过去90天，买过苹果的用户，还喜欢买哪种水果，做法就是首先在用户分群里，选择购买商品=苹果的用户，时间选择过去90天，保存分群。之后在事件分析里选中支付订单行为，细分维度选择商品品类，用户分群选择购买过苹果的用户，这样可以简单的进行相关性分析。如果我们发现购买苹果的用户还喜欢买香蕉，也许说明了两种商品之间的关联性，这也许会指导我们的促销活动。

四、给目标人群群发消息

可以针对于保存好的用户群进行消息群发，你可以选择群发的方式，如果你是网站运营可以选择群发邮件、短信，如果你是APP可以考虑APP内推送，和消息通知，你也可以选择群发的频次，比如定时群发以及周期性群发，设定群发转化目标后，可以知道有多少人看到触达内容后完成了希望完成的动作，比如购买。

运营人员希望可以实现千人千面，有了易观方舟分群的功能，不仅可以基于用户的属性进行分群，还可以基于用户的行为进行分群，这决定了我们可以给不同的人发送他喜欢的内容。

我这里简单举个例子：

给用户群发信息之前最重要的是识别用户，如果我们有10个用户，我们发的内容不是所有人的都受用的，比如我们做的是人力资源产品，有招聘管理系统、绩效管理系统、薪酬福利管理系统。我们的用户构成有可能是招聘经理，有可能是绩效管理经理，不同的角色对非相关的信息是不感兴趣的。

1．识别用户

CRM里的数据是经过客服明确的，将CRM里此用户的业务方向字段的数据，回传到易观方舟里，就可以得到用户属性为业务方向的值。 如果没有用户属性能识别出用户的业务方向，可以通过行为来进行人群的定位，比如下载了招聘的白皮书，以及看了招聘类内容超过10次，或者订阅了招聘类内容。

2．自定义群发

可以设置群发的模版，选择集成的群发通道以及设置群发条件，群发后还可以通过数据验证群发后的效果，这样就形成了一个分析-分群-运营-分析的营销闭环。

第二节 了解用户行为数据

易观方舟提供了一系列的分析能力，这些能力可以了解用户是如何使用我们产品功能的以便发现可执行的洞察，在本章，我们会分享一些易观方舟最受客户喜爱的一些分析功能，并且了解这些分析功能有哪些最佳实践。

一、了解你的数据

在开始使用任何一个分析模型之前，我们都需要对我们的数据了如指掌，在易观方舟使用界面的左下方，进入元数据管理板块，可以在这个板块里可以了解并管理你的数据。

管理。

在元数据管理页面可以编辑显示名称给事件或属性设置一个团队都能理解的名称、说明作为解释备注使用、而标签可以用来管理事件和属性的分组、当我们把启用状态关闭的时候，数据依然会进入到易观方舟里，只不过是不会出现在分析的选项中，也不会计入任意事件的计算当中。

二、常用指标

在实际工作中，我们往往从熟悉的指标入手，进行用户数据分析。在这里，我向大家介绍一下易观方舟是如何轻而易举地分析这些指标的，同时也会介绍一些，我们利用这些指标可以产生哪些常见且重要的洞察。

（1）活跃用户数（UV&DAU）

活跃用户数是衡量一段时间内用户增长的一种常见方法，不同的公司会用不同的指标代表，最常见的常见的就是UV（Unique Visitor）独立访客数，对于网站而言，根据Cookie生成的ID为判断标准，如果访客更换了浏览器或者清除了CooKie，会计为新的UV。

在易观方舟里分析UV的优势在于可以基于UV进行细分，比如按照操作系统细分，我们就会知道不同的设备的访客情况，按照地区分就会得到不同地区的UV走势，可以基于浏览页面的任意事件属性及用户属性进行分群。

我们会用UV的走势进行日常的访客状态监控分析，比如无根据的突增或减少，通过细分维度找到访客的特征来定位问题。

在APP里活跃用户数为指定一段时间内启动的设备数量，时间粒度往往是日、月，也就是DAU和MAU。

活跃用户数实际应用举例：

某天我们发现流量比同时段的昨天多了

在易观方舟里UV如下图显示：

（2）转化率

转化率指的是事件之间触发的用户数比率，我们说打开网站到注册成功的转化率为10%，说的是有100个访客打开网站，有10个访客完成了注册成功事件。

通过转化漏斗可以知道我们网站或APP上的关键步骤之间用户转化情况，我们在持续努力让更多的用户完成我们期望他完成的动作，比如加入购物车、支付订单、打开表单页、完成注册；

通常负责网站和APP的产品负责人会做很多AB测试，让用户更愿意向下一步，在测试之前我们要知道当前的转化率状态，同时在试验之后，要通过漏斗分析验证试验是否有效。

通过转化漏斗功能可以轻松的定义任意步骤之间的转化率，与事件分析一样可以通过不同的细分维度来进行转化率的差异检查，举例：

我想知道【点击加入购物车】到【支付成功】的在不同浏览器之间的转化率数据，如果某浏览器的转户率明显低，很可能是兼容问题导致，我们要优先去进行相应的浏览器兼容排查，通过浏览器版本这个维度还可以知道是哪个版本出现的问题，我们在开发网站容易出现兼容问题的浏览器通常是IE6和360浏览器，需要格外注意。

（3）留存率

留存指的是指发生初始行为的用户经过一段时间后，发生了回访行为，而留存率就是发生回访行为的用户对于原始用户的占比，运营人员通过对产品整体留存率判断产品粘性，用户多次打开和深度使用是大部分产品梦寐以求的场景。

在没有工具的时候，我们只能判断单一留存，那就是就是用户多次打开产品的情况，易观方舟的留存分析可以通过自定义分析条件，支撑留存的多种分析场景。除了判断产品的整体留存率，可以通过设置初始行为和结束行为来判断两个行为之间的留存。产品整理留存判断：

初始条件设置为，启动产品；

结束条件设置为，启动产品；

得到的留存表为，一段时间内再次启动产品的用户数量及占比；

当然，我们也需要延展着思考一下：找到魔法行为，不同产品功能对其他行为是否有影响？用户一旦操作什么行为，后续再次打开产品的可能性极大？

1．某ToB官网通过留存得出洞察：看过3-5篇案例的用户，更愿意去完成注册；

2．某智能硬件的APP：用户使用过14次APP数据分析功能后，会坚持使用；

发现魔法行为后，可以引导用户去使用对于目标有高价值贡献的产品功能。

三、如何使用属性？

在对用户数据分析时，我们也需要巧用属性的概念。易观方舟里存在两个维度的属性，分别是事件属性和用户属性。事件会通过属性来描述事件发生的详细情况，有助于接下来更详细的分析，用户属性通过数据上报来丰富用户画像，如何理解属性？拿个人来举例，每个人都有身高、年龄、体重这样的属性和属性值，所以我们在分析一群人的时候，就可以通过属性的视角去看，比如站在年龄的视角看，会有10，20，30这样的视角，这个视角叫维度，这些属性在易观方舟里是如何用的呢？

（1）条件过滤

通过属性过滤，我们可以将分析范围缩小到满足特定条件的数据子集，例如：我想知道所有支付成功事件里，支付金额大于1000的用户数走势。我们可以在事件分析里选择支付成功事件，并且在条件选项里选择事件属性为订单金额后设定条件为金额大于1000，瞬间得到数据。同理，可以在条件处利用用户属性，比如用户属性所在城市，选择上海。

（2）细分维度

细分维度可以帮助我们站在不同的维度去看数据，并排分析比较数据的不同，比如当我们想看支付成功事件的商品一级分类，不同分类的支付成功次数分布，可以在细分维度上选择商品一级分类。

（3）事件属性和用户属性

易观方舟可以通过事件属性或用户属性作为查询的条件，来查询更详细的数据，也可以通过事件属性和用户属性作为细分维度展开数据进行对比分析，帮助大家更好地进行用户数据分析。

但是事件属性和用户属性是怎么来的呢？你需要掌握这两种属性的原理，才能更好的应用数据行进行分析。

比如在一个网站行为里，点击注册按钮事件有所在城市这个事件属性，注册成功后，用户属性里也有所在城市，他们有什么不同？

事件发生时候事件属性记录的是事件发生的时刻，用户所在的城市，是触发事件的时候的状态，而用户属性里的所在城市，像身份证一样，是用户信息构成的一部分。如果用户昨天在北京触发的点击注册按钮，事件属性是北京，今天去了上海，那么今天的新一条事件属性就是上海。而用户属性的所在城市如果我们没有通知方舟更改，它可能不会发生改变。

1.事件属性

事件属性用来描述事件发生的详细信息，丰富了事件的完整性，一条事件包含5个基本要素：事件发生的时间（when）、发生的地点（where）、发生的环境(how)、参与时间的用户（who）、时间的内容（what）。

发生的地点是通过IP、GPS等信息采集，发生的环境里设备级信息（设备品牌、设备型号、操作系统、屏幕分辨率、运营商、网络类型）都是自动采集上报。

事件名称和事件内容（事件属性），是需要我们在代码里写好的，通过可视化埋点可以通过输入设置相应内容。

2.用户属性

用户属性用来刻画用户视图，收集用户资料信息，与事件属性不同的是，用户属性无法通过采集得到，都是通过上报而来，用户属性里的信息，比如姓名、邮箱、电话等，都是在用户在进行注册等完善表单信息的时候上报得到，这也符合数据采集规则。

第三节 用户数据分析的User-Event

数据分析是一个大的话题，从大数据分析到Excel都是数据分析，但是我们在学习数据分析的时候最优先要考虑的是学有所用，学习一段时间后是否对工作有帮助，将数据分析分为两个方向：算法数据分析和应用数据分析，而数字营销所学的所有内容范围都是应用数据分析，除非你想去写代码。

数字营销要学的应用数据分析，最优先要学的是UBA（用户行为分析），即一种系统有效的用户数据分析。从数字营销来看，UBA是百度统计革命升级版，百度统计分析的UV和PV不足以给我们一些建议用来决策，但是用户行为分析可以，国内的免费UBA产品目前只有Argo，当然付费的有很多。

一、UBA的基本原理

这里我以Argo举例。在介绍UBA前，请允许我先介绍一下UBA的原理：Argo是以事件和用户构成的用户行为分析平台，这个跟底层设计有关，有兴趣的伙伴可以去了解一下数据仓，UBA的底层就是User-Event模型，以用户做了什么事情，以及用户资料为两条线支撑起整个用户行为分析平台，你可以理解成，有两个数据库表，一个是事件表，一个是用户表，也就是说你可以知道什么人在什么时间（自动记录）做了什么事。

二、事件（Event）

什么是事件？事件就是用户做了什么事，比如我们想知道注册这个按钮点击次数，其实是想知道注册按钮点击事件触发的次数，UBA是如何记录事件的？答案就是通过埋点，在按钮点击的时候会触发一段js代码，这段js代码会告诉系统，ID为xxx的某人，在3:36分点击了注册按钮。这就是一个事件上报，这里要大家记录三个名词。

事件：用户做了什么事情；

事件上报：将做了什么事情提交给用户行为分析平台（服务器）；

埋点：通过在行为（比如点击）上写一段代码进行触发上报动作（也有在sql语句里埋点）；

事件是构成后面所有用户行为分析的基础颗粒，比如漏斗分析，是基于两个或多个事件构成的。

三、用户（User）

在Argo的数据库里既然有用户的表，也就是我们可以基于用户做很多事情，比如知道我的所有的用户有多少，可以给用户打标签（我们称之为用户属性）进行用户分层，和以用户的信息做查询条件。

如果我们有了Event（事件）和User（用户），在这之后可以做什么？

举例：

查询注册按钮有多少人点击，用事件查；

找到性别为男的用户，就用户属性查；

找到性别为男，点击banner的用户，用事件结合用户属性查；

Argo的所有分析能力、用户分群运营能力，都是基于事件（Event）和用户（User）。

第四节 巧用用户标签，为用户运营提效

与用户标签最相关的话题是用户画像，这其实也是一种有效的用户数据分析和应用。在提到用户画像的时候，有时候我们希望了解我的用户在哪里，他们有哪些特点？有的时候我们是希望定义一个Persona，用Persona来代表我的一个目标用户，在进行内容创作或产研的时候，我们都会以persona为目标进行思考。

无论是我们如何理解用户画像，我们都需要尽可能的描述清楚一个用户或者一个群体，这个描述的方法就是标签。

然而，在不同人的眼中标签的定义也大体不同。

一、不同人眼中的标签

（1）运营人眼中的标签是什么？

我们在进行用户增长的时候，得到的线索信息越全面，代表这个线索质量越高，例如既得到邮箱又得到电话号的线索肯定会比只有电话号的线索有价值，所以能获得更全面的用户信息。

（2）技术眼中的标签是什么？

用户属性也叫Profile，在易观方舟里如果新建一个用户，会通过用户属性完善这个用户的信息，这会在单用户档案里体现，用户属性包括姓名，电话，邮箱等。我们希望通过这些不同的属性，运营人员会越来越了解用户。而用户的属性也会作为分析的条件之一，当分析渗透到用户的维度，交叉分析的能力会提高不止一个等级。

（3）市场人眼中的标签是什么？

市场公关、媒介定义的标签会跟产品定位有关，他们往往希望刻画一个我们的用户标签视图，这跟市场洞察相关，比如我的产品是卖给谁，他们是什么职位，他们在哪，他们喜欢什么话题，他们的职业经验如何，甚至，他们喜欢用什么APP？

二、如何刻画用户标签

不同的需求会对标签有不同的定义，我们重点聊一下用户标签。

如果一个企业开始数字化转型，并且有不错的数字资产，那么用户资产会是最重要的部分，对b2b企业尤为重要。因为b2b的企业的每一个用户背后都是一个企业，在有限的市场空间下，每个企业对于b2b的产品尤为重要，这个时候，潜在用户资料的丰富程度，决定了下一步的营销质量，获客能力，甚至决定了销售手里掌握的资源质量。所以，在我们获得销售线索的时候，希望得到更详细的用户档案，也就是希望得到更详细的用户资料。

易观方舟如何帮你刻画用户标签？

（1）默认采集的设备级信息

在你接入了易观方舟之后，你会得到很多用户信息，这些用户信息你之前完全不知道。

比如，用户的手机型号，他的浏览器类型，版本，他的IP地址，语言，城市。

了解了这些信息后，对于我们进行用户运营是有很大帮助的，比如，如果我们在区域举办一个线下活动，与其全部数据库发送邀约，不如邀约这个城市的用户更精准。

（2）通过表单上报的用户信息

通过方舟进行用户行为分析的每一个过程，你都有机会和能力去上报用户信息，完善用户标签，比如你的表单。

这些信息在用户完成注册的时候就可以成为用户标签，刻画在用户的属性里，当我们在方舟后台搜索这个用户的时候，你可以看到完整的用户档案。

（3）自定义上报用户标签

每个人使用方舟的方法都不一样，就像每个人的网站或APP也不一样，所以方舟没办法预置好你要给用户刻画哪些标签，不过方舟的用户属性给了我们十足的空间来完善用户信息。

1．CRM等第三方平台传来的信息

你是否想过，如果我在方舟里可以看到这个用户是否签约了？还是我们的销售已经拜访了，是不是对于我进行用户定位很有利。

你是否想过，如果我在方舟里，搜索所有已经签约的用户，保存分群，并且给予他们一些通知？

这一些都可以通过数据打通来完成，只需要将用户在CRM或其他平台里的信息回灌到易观方舟里就可以。

2．指定规则上报标签

因为易观方舟给予了上传用户属性的机会，我们就可以有很多种玩法。可以根据我们自己设定的给予标签的规则，赋予用户标签。 在这里简单举个例子：

a.访客下载了电商白皮书，那么我在下载的时候将下载电商白皮书这样的标签刻画在这个用户身上；

b.访客报名了线下会议，那么我在访客签到的时候将参会刻画在用户身上；

c.访客在7天内，看了30篇文章，80%的几率看了某一个分类

用户标签越丰富对于用户运营越有利，而我们需要指定用户标签刻画的模型来更精准的定义用户。

三、用户标签的作用和价值

对于用户的了解越多，越有利于我们通过产品优化进行用户增长和留存。

实现。

想要了解用户在你的平台上做了什么，只要通过事件级指标来进行采集分析即可，在易观方舟的事件分析来了解，易观方舟的预定义维度还可以帮你了解用户的设备信息，地域信息等，同时可以通过漏斗分析来进行转化率优化。

我们这次重点谈一下用户标签。

对于市场层面，用户标签能帮助我们什么？

1．完善数据仓

之前我们讲过，企业或市场要有自己的数据仓来进行线索的存储与培育，用户标签就是存在于此，我们希望用户的标签尽可能完整，这样我们会认为我们的仓库越发丰富有价值，同样有1万人，只有电话号的数据仓库肯定没有信息相对齐全的数据仓库价值高。数据仓库的价值请参考《市场部的数据仓库》。

2．以标签为维度进行业务应用

在我们进行打签的时候要设置好标签的分类和入库规则，这样就可以根据某个标签进行数据抽取，比如电商平台，1万人的数据库经过查询有3000人打上了同一种标签，就是收藏了预售的MacBook，这时候就可以指定相应的精准营销计划。

另外一个标签的用法就是，个性化内容商品推荐，根据标签进行相应的内容展示，提高内容点击，根据标签进行相应的商品展示，提高商品曝光，无论是做哪种相关推荐，都会较无相关的展示相对精准。

3．以标签为维度的数据分析

作为细分维度支持多视角的数据展示。

这里我们需要注意，标签的用法强大且实用，不同的业务会有不同的应用方法。

四、用户标签的打法和应用

说了这么多应用，我们是怎么搜集用户标签的呢？

这里我介绍三种打标签的方法：SEM打标签、SDR手动打标签、网站自动打标签。

（1）SEM打标签

我们给每个SEM的广告都加上了链接，他们可能长这样，http://www.a.com/?utm_soource=用户行为 我可以将这个的是哪个范围的业务。

（2）SDR手动打标签

最准确的标签，SDR再给客户打完电话后，了解到了用户的行业、需求、角色等信息，并补充在CRM里。之前讲过我将CRM和Argo打通了，将CRM里的用户属性同步到了Argo里，来补充用户的画像。这部分标签很精准，比如银行的客户，未来只需要发送银行的EDM即可。

（3）网站自动打标签

相对来说最不准的打标签方法，比如访客看了10个某行业的页面，那么自动赋予标签。对于批量的用户处理还可以用一下，但是如果想精细化管理用户，就别用这种了。

打了标签以后最经典有两个应用，一个是内容群发，另一个则是内容推荐引擎。

内容群发

我只需要在Argo后台，把拥有同一类的标签的用户圈选出电商的发，想怎么发都是自己控制的。真正的节能高效。

内容推荐引擎

的时候，我们会优先给你展示企业服务的内容和案例，这也是基于Argo分群的API实现的，代码也开源了。

第五节 用户画像的几种理解

用户画像最核心的组成部分其实是其中所包含的用户标签，用户标签其实可以理解成用户特征的一系列符号表示，每个标签可以理解成认识用户的一个角度。用户画像其实是标签的集合，每个标签之间都有一定的联系，整体上看各个维度的标签组合到一起形成了一个完整的用户画像。所以说用户画像其实可以用标签的集合来表示。

简单说可以这么理解，用户画像是用户在现实生活中抽象的描述，而画像本身是通过标签来组成的，整个标签的体系构成了用户完整的用户画像。

不过我们在市场运营和产品运营中通常聊到用户画像都会提到如下几个方面：

一、Persona人物角色

Persona是用来描绘一个抽象自然人的属性，这种感觉有点像实例化的一个对象，Persona具有一定的代表性，在市场运营的过程中我们会用Persona做什么？首先我们在做产品研发或者内容产出的时候，要最优先设定一个Persona，此后这个人就会不断的出现在脑海中，这个人物角色会指导我们一切工作，我们产品和内容就是为这个人为创造。

举例：我们在卖一个少儿英语教程，我们设定的Persona是什么样子呢？可能是女性，35岁，学历本科，白领等，那么有了这样的人物角色，无论在进行海报设计，内容创作，广告投放选择都有的放矢。

通常我们会做3-4个Persona来进行参考指导。

二、Profile

Profile指的是用户信息标签化，通常应用于运营和数据分析中，企业通过数据分析平台（易观方舟）搜集用户的基础属性、社会属性、产品事件行为等信息，刻画一个用户的全貌，得到较完整的用户标签信息后，运营人员可以按照标签分群进行精准定向营销。

举例：

易观方舟通常是在用户注册、完善个人信息、修改资料等的情况下进行用户信息的补充。比如一个用户在注册后，更新了个人资料，触发上报如下信息，就能知道这个用户叫小舟，性别男，1998 年出生，目前在易观，工作邮箱是[email protected]

三、受众定向

很多人在谈论用户画像的时候，其实并不是在以上两者可能之间，他们只是隐约觉得自己说的事情可能跟用户画像相关，这个时候就要去剖析原始诉求，比如，有个客户是想知道我的用户在哪，我要去那个地方投广告，做内容营销。那么我想知道我的用户画像是什么？这个时候我们就可以明显感觉到用户要知道的是受众定向，而不是用户画像，方向不同是完全不同的。

如果对受众定向感兴趣的化，易观方舟有一个功能你可以去了解一下，这个功能叫做“偏好”，当然这个偏好目前只针对进行APP分析的情况。

领域偏好：了解你的用户在 Android APP 上的偏好，比如你的用户喜欢爱奇艺还是优酷？

场景偏好：了解你的用户场景偏好，比如北京地区用户在支付场景下对不同领域应用的偏好

APP偏好：描绘用户对不同 APP 的使用粘性和偏好度

四、单用户档案和用户行为

对于营销和运营来说，用户档案和用户行为的应用和persona完全不同，persona是为了抽象的用户示例，用来进行标尺。而用户档案是Marketing database用来存储用户信息的核心数据，用户行为更是洞察用户，精细化运营的必要数据。

单用户档案就是profile的通俗叫法，可以细察每一个用户，了解用户真实的访问足迹，对于发现产品关键流程中潜在问题、维护重要用户关系等具有重要意义，单用户档案可以记录用户的基础属性，比如姓名、邮箱、电话、还可以上报用户等级，地理位置等用户信息。

用户行为可以按照时间记录用户在你产品上的所有事件，包括打开了什么页面，点击了哪些按钮以及提交了什么表单，有了详细的用户行为，可以了解用户的产品喜好以及用户在体验产品中遇到的问题。

例如，某电商 APP 的关键转化路径是：启动 – 浏览商品详情页 – 加入购物车 – 提交订单 – 支付订单，其中在提交订单 – 支付订单的时候有大量流失用户，这时候可以下钻查看流失用户列表，再选择其中部分用户抽样查看用户行为路径，定位到提交订单事件，查看用户提交订单之后，又发生了哪些行为。

我们在讨论用户画像的时候，一定要知道自己要的是什么，并且根据自己的需求进行用户画像的应用，组合几种用户画像经常出现的场景，可以更好的了解用户、更精准的人群投放、和更聚焦的产品内容创作。