分析用户行为研究

我认为用户行为分析最重要的三点：黏性，活跃和产出。黏性，即用户的访问频率和访问间隔时长。是用户在一段时间内持续访问和使用网站的情况，更强调一种持续的状态。活跃，即用户的平均停留时间和平均访问页面数。指每次访问的过程，考察用户访问的参与度。所以对统计期内的每次访问取了平均值，选择平均访问时长和平均访问页数来衡量活跃。黏性和活跃产生的价值可能是显性的当然也可能是隐性的，就比如品牌或者口碑。产出，即订单数和客单价。是直接根据网站的业务衡量用户创造的价值输出，如电子商务网站可以选择订单数和“客单价”，一个衡量产出的频率，一个衡量平均产出值的大小。当然了，不同的网站对用户行为的需求是不一样的，在统计用户行为指标进行分析时，需要注意选择合适的时间段，时间段的长度不能过短，不然无法体现用户长期和持续性的行为特征，黏性指标的分析会不准确；同时短期的用户行为也会误导对用户整体特征和价值的判断，有可能用户在该段时间内极度活跃或者极度低调，也可能用户在短时间内创造了高产出，但从长期看用户创造的价值并没有那么高。用户行为指标统计的时间段，可以通过根据网站业务特点和用户的行为密度进行选择，对于一般的网站，建议每月统计一次会比较合适，也可以针对某些用户或分类来比较每月的行为指标数据的变化。

这需要根据不同的业务进行判断，一般来说用户行为分析就是对用户使用产品过程中的所有数据（包括下载量、使用频率、访问量、访问率、留存时间等等）进行收集、整理、统计、分析用户使用产品的规律，为产品的后续发展、优化或者营销等活动提供有力的数据支撑。这里推荐一款开源私有化部署的app用户行为数据统计分析平台Cobub Razor简单的说就是：什么样的用户，在什么时间，做了什么事。。。有了这些数据，就可以将用户进行分群管理，最终实现精细化运营！本回答被网友采纳

企业在选择用户行为分析工具时，大都不清楚如何选择适合自己业务的用户行为分析工具。笔者自己公司之前网站分析用百度统计APP分析用友盟，公司是做电商行业的，最近公司提出要精细化运营，用数据驱动业务增长，因此在10月份分别考察了国内做得比较出色的几家公司：数极客(阿里系)、神策数据(百度系)和GrowingIO(LinkedIn系)三家公司的用户行为分析产品。我在选型过程中将各家公司的功能和服务对比文档进行整理，从团队背景和产品定位、数据接入方式、定量分析功能、定性分析功能、二次开发与数据应用、服务项目等六个主要方面深入对比数极客、神策、GrowingIO三大用户行为分析平台，希望能对有用户行为分析需求的企业在选择分析平台时有所帮助。分享一篇比较全面的文章：国内主流新一代用户行为分析系统选型过程分享，请自己百度搜索。

　　数据本身是客观的，但被解读出来的数据一定是主观的。那么我们要如何使用这些数据为我所用呢?　　1、通过各项数据展示网站运营情况，调整网站的运营策略;　　2、通过用户操作的习惯，进行分析优化产品功能。(让用户用的更舒心即用户体验);　　3、通过关联分析，拓展产品，挖掘产品价值(最大化的释放用户欲望或需求)即运营推广、用户体验、个性化挖掘。

对于C端产品来说，用户就是你的目标，不分析用户，你难道在盲目的自嗨么。所以不以用户利益为目标的产品经都是捣蛋鬼。产品经理要时刻站在用户的角度去分析这个问题是不是存在，功能是不是设置合理。张小龙能一秒变小白，然后来体验产品感受产品是不是好的，是不是解决问题的。但是大多数产品经理并不能做到一秒变小白，经常所谓的用户觉得，用户认为，只不过是按照自己的理解瞎搞，给自己赋予了用户的头衔，这种主观是错误的。用户看不到摸不着，你可以调研你可以访谈，但样本过低你的结论往往是片面的不具备普适性的。所以你应该从app的数据中去分析你的用户。一个用户在app中的生命周期，从认知、熟悉，再到试用、使用，最后到达忠诚。这漫长的历程中，你需要研究每一个节点有多少用户到达了，没有到达的用户是因为什么流失的，研究他们在app中所做过的行为，卡在了哪里，流失在了哪里，然后针对这个地方去优化去提升，然后继续观察你的数据，流失的那部分又没有好转有没有提升。然后你的app才会形成正向循环，保证你的每一滴分析都会带来价值和意义。你作为一个产品经理才算是小部分的成功了。当然，坐着一大堆事情搞的前提是，你在app中之前就预先建立了一套统计体系，用来分析你的用户行为框架。所以，在你做任何一个功能的时候，都不要忘了给你即将要分析的功能做好埋点。不要问我什么是埋点，请自行搜索百度。至于如何做好埋点，那是另外一个话题。

为改善网站的可用性,一般采用可用性工程方法,其核心是以用户为中心的设计方法论(UCD)。综合目前国内外对于用户行为数据收集和分析方法所进行的研究,各种方法的特点,并利用相应方法所开发出的工具实例,使得建设的网站更加符合用户的需要,以保障用户与网站之间沟通的顺畅。以国内知名的数据收集和分析平台数极客为例，以用户交互行为分层理念，将用户行为划分为纯浏览、轻度交互、重度交互三个层次，纯浏览和轻度交互使用全量数据采集API，而重度交互因数据的准确性要求，通过封装接口及高级自定义功能采集数据，仅需要在关键环节调用，既能化解传统需要埋点的时效性等多种弊端，又能解决纯粹的无埋点平台的数据精准性问题。

做用户行为分析的基础是获得用户行为数据，例如用户页面停留时间、跳转来源等等。这些信息有些能直接拿到，有些是需要做一些计算才能拿到的。一般来说用户访问时的一些信息都是以日志的形式打到web容器的日志空间中去，这其中包含了最通用的一些访问信息以及一些自定义的日志打点。题主提到了大数据技术中对用户行为进行分析，那么可以假定网站或者App的访问量是比较傲多的。由于系统流量比较大，计算维度又比较多，后续数据消费者的需求增长比较快，所以对计算分析平台有了一定的要求。具体表现为：1.负载能力。流量增大以后带来的压力是多方面的，比如网络带宽的压力、计算复杂度带来的压力、存储上的压力等等。一般来说这些都是比较显而易见的，会对产生比较直接的影响，比如计算实时性下降、消息出现了堆积、OOM等等。为了解决这一现象，一般来说会选择一些分布式的框架来解决这个问题，比如引入分布式计算框架storm、spark，分布式文件系统hdfs等。2.实时性。在系统资源捉襟见肘时消息的实时性会立即受到严重影响，这使得部分算法失效（例如对计算和收集上来的数据进行行为分析后，反馈到推荐系统上，当整体响应时间过场时会严重影响推荐效果和准确度）。对于这个情况来说可能会选择storm这种具有高实时性的分布式流式计算框架来完成任务。3.系统管理和平台化相关技术手段。在大数据情景下，企业内数据环境和应用环境都是比较复杂的，用户行为分析应用不是一成不变的，那么就要求用户行为分析这种多变的应用在复杂环境中能有效生存，这包括算法数据材料的获得、系统运维、系统任务调度、系统资源调度等等，相关的技术很多时候要求团队自研，但也有ganglia、yarn、mesos这类开源系统可以参考或者直接使用。4.数据链路。企业技术环境一般来说是非常复杂的，一层一层交错在一起，远不是一句MVC三层架构能够概括得了的，为了避免消息流通呈复杂的网状结构，一般会考虑应用服务化、企业服务总线（ESB）及消息总线来做传输，有兴趣的话题主可以百度一下这几个方向的技术和开源工具。5.应用快速生成工具。我个人认为在大数据环境下应用都摆脱不了一个快速开发的要求，用户行为分析也是如此，这时候要考虑对接一些开源的分布式数据分析算法库而不是通过自己去实现，比如像spark ml，mahout这类的库用得好能减少很多工作量。

用户行为指标主要指哪几个方面的内容: 指标一、用户在网站停留时间 指标二、用户来源网站 通过对用户来源网站（也叫“引导网站”）的统计 指标三、用户所使用的搜索引擎及其关键词 指标四、用户浏览网站的方式 用户浏览网站的方式点击率，在线时长，跳出率

写到注册表里