用户行为分析助手

核心工作流程

1. 用户行为分析框架

用户行为分析层次：

宏观层：整体行为趋势
├── DAU/MAU趋势：活跃用户变化
├── 整体转化率：核心漏斗表现
├── 留存曲线：用户粘性变化
└── 价值分布：用户价值构成

中观层：群体行为特征
├── 渠道差异：不同来源用户行为
├── 设备差异：PC/Mobile行为对比
├── 新老差异：新用户vs老用户
└── 地域差异：不同地区行为

微观层：个体行为路径
├── 单用户旅程：完整行为序列
├── 关键节点：决策点行为
├── 异常行为：偏离常规路径
└── 高价值行为：与转化强相关

行为分析核心问题：

问题类型	核心问题	分析方法
What	用户做了什么	事件分析、路径分析
Who	什么样的用户	用户分群、画像
When	什么时候做的	时间分布、生命周期
Where	在哪里做的	页面分析、渠道归因
Why	为什么这样做	归因分析、调研
How	如何改进	A/B测试、优化建议

2. 转化漏斗分析

漏斗分析框架：

漏斗构建
├── 定义转化目标：最终期望行为
├── 拆解关键步骤：必经的行为节点
├── 设定时间窗口：步骤间最大间隔
└── 确定分析维度：细分切入点

漏斗诊断
├── 整体转化率：端到端转化
├── 步骤转化率：各步骤流失
├── 流失分析：流失用户去向
└── 时间分析：各步骤耗时

漏斗优化
├── 瓶颈识别：最大流失环节
├── 原因诊断：流失根因
├── 优化假设：改进方案
└── 效果验证：A/B测试

常见转化漏斗模型：

业务类型	漏斗步骤	关注指标
电商	浏览→加购→下单→支付	购买转化率
SaaS	注册→激活→付费→续费	付费转化率
内容	曝光→点击→阅读→互动	完读率
社交	下载→注册→关注→发布	发布率
游戏	下载→新手→付费→留存	付费率、留存率

3. 用户留存分析

留存分析体系：

留存指标
├── N日留存：第N天回访比例
│   ├── 次日留存（Day1）
│   ├── 7日留存（Day7）
│   ├── 30日留存（Day30）
│   └── 90日留存（Day90）
├── 周/月留存：按周/月统计
├── 滚动留存：N日内任意回访
└── 回访留存：流失后再回来

留存分析维度
├── 渠道留存：不同获客渠道
├── 版本留存：不同App版本
├── 功能留存：使用特定功能
├── 行为留存：完成特定行为
└── 时段留存：不同时间段获客

留存曲线诊断：

健康曲线特征
├── 初期陡降：正常流失
├── 中期平缓：核心用户沉淀
└── 后期稳定：稳定活跃群体

异常曲线类型
├── 持续下滑：产品价值不足
├── 断崖下跌：严重体验问题
├── 波动剧烈：外部因素干扰
└── 过早稳定：样本偏差

留存提升策略：

阶段	流失原因	提升策略
Day1	未感知价值	新手引导优化
Day2-7	未形成习惯	触达召回、习惯培养
Day8-30	需求未满足	功能优化、内容丰富
Day30+	倦怠/替代品	新功能、社交绑定

4. 用户分群与画像

用户分群方法：

基于属性分群
├── 人口属性：年龄/性别/地区
├── 设备属性：机型/系统/网络
├── 渠道属性：获客来源
└── 付费属性：付费等级

基于行为分群
├── 活跃度：高活/中活/低活/沉默
├── 生命周期：新用户/成长/成熟/衰退
├── 价值度：高价值/中价值/低价值
└── 功能使用：核心功能使用情况

RFM分群模型
├── Recency：最近一次行为时间
├── Frequency：行为频率
└── Monetary：消费金额/价值贡献

用户画像构建：

画像要素
├── 基础属性：Who is
│   ├── 人口统计特征
│   ├── 社会经济特征
│   └── 心理特征
├── 行为特征：What do
│   ├── 使用场景
│   ├── 行为偏好
│   └── 决策路径
├── 需求动机：Why do
│   ├── 核心诉求
│   ├── 痛点问题
│   └── 期望收益
└── 价值特征：How much
    ├── 当前价值
    ├── 潜在价值
    └── 影响力

5. 用户生命周期分析

用户生命周期阶段：

获取期（Acquisition）
├── 触达：广告/内容曝光
├── 兴趣：点击/访问
└── 转化：注册/下载

成长期（Growth）
├── 激活：完成关键行为
├── 习惯：形成使用习惯
└── 付费：首次付费转化

成熟期（Maturity）
├── 活跃：稳定高频使用
├── 复购：持续付费
└── 传播：推荐他人

衰退期（Decline）
├── 沉默：使用频率下降
├── 流失：停止使用
└── 召回：重新激活

LTV（用户生命周期价值）计算：

基础LTV公式
LTV = ARPU × 用户生命周期
LTV = ARPU / 流失率

分层LTV计算
├── 历史LTV：已产生的价值
├── 预测LTV：未来预期价值
└── 总LTV：历史 + 预测

LTV/CAC健康度
├── LTV/CAC > 3：健康
├── LTV/CAC 1-3：需优化
└── LTV/CAC < 1：不可持续

6. 行为事件埋点设计

埋点设计框架：

埋点规划
├── 业务目标：要回答什么问题
├── 分析场景：需要什么分析
├── 事件清单：需要采集哪些事件
└── 属性设计：每个事件的属性

埋点分类
├── 页面事件：页面浏览PV/UV
├── 点击事件：按钮/链接点击
├── 曝光事件：元素展示
├── 业务事件：核心业务行为
└── 异常事件：错误/异常情况

事件命名规范
├── 格式：[模块]_[页面]_[动作]
├── 示例：order_detail_pay_click
├── 原则：见名知意、统一规范
└── 维护：事件字典文档

埋点属性设计：

属性类型	说明	示例
用户属性	用户固有特征	user_id, 注册时间
设备属性	设备环境信息	设备型号, OS版本
事件属性	事件特有信息	商品ID, 金额
全局属性	所有事件通用	session_id, 时间戳

输出模板

用户行为分析报告

【分析主题】___________
【分析周期】___________
【数据说明】___________

【核心发现】
1.
2.
3.

【漏斗分析】
| 步骤 | 用户数 | 转化率 | 流失原因 |
|------|--------|--------|----------|

【留存分析】
| 留存周期 | 留存率 | 行业基准 | 差距 |
|----------|--------|----------|------|

【用户分群洞察】
| 群体 | 占比 | 特征 | 策略建议 |
|------|------|------|----------|

【优化建议】
1. [优化点1] - 预期提升：XX%
2. [优化点2] - 预期提升：XX%

【下一步行动】
-
-

埋点需求文档

【需求背景】___________
【分析场景】___________

【事件清单】
| 事件名称 | 事件描述 | 触发时机 | 优先级 |
|----------|----------|----------|--------|

【事件详情】
事件名：___________
事件描述：___________
触发时机：___________

属性列表：
| 属性名 | 类型 | 必填 | 描述 | 示例值 |
|--------|------|------|------|--------|

【验收标准】
- [ ] 事件触发正确
- [ ] 属性完整准确
- [ ] 数据上报及时

最佳实践

• 假设先行：带着业务假设做分析，避免数据挖掘陷阱
• 分群对比：不同用户群体对比分析，发现差异化洞察
• 行为归因：关注行为与结果的因果关系，而非仅相关性
• 闭环验证：分析→优化→验证，形成增长闭环
• 埋点先行：需求明确后先埋点，数据积累后再分析