用户研究行为研究

在获得网站访问量基本数据的情况下，对有关数据进行统计、分析，从中发现用户访问网站的规律，并将这些规律与网络营销策略等相结合，从而发现目前网络营销活动中可能存在的问题，并为进一步修正或重新制定网络营销策略提供依据。

用户研究不同于市场调研。不仅限于消费者群体的情况，还包括了什么用户、在什么时间、什么地点、什么场景下发生的什么动作，以及这些动作的背后原因。用户群体和特征是瞬息万变的，所以用户研究也要随时随地有节奏地进行。用户研究是有范围的，这意味着我们的用户研究不能宽泛发散到包罗万象。太过发散的用户研究，会导致很大问题。缺乏目的性的用户研究会导致：研究过程没有主线，偏离轨道不可控研究结果没有定论，天马行空不落地所以这在用户研究之前，一定要确定好目的。通常这个目的可以是一个指标的提升，或者一个界面的重做，或是一个功能的改版。过于宏大的主题可以多个团队同时进行，但切忌一次研究想解决太多问题。否则对于研究团队和用户来说都是一种工作浪费。无论是采用访谈、问卷还是现场可用性测试，都离不开和用户的交流。而交流的目的，就是让用户或主动剖析或被动流露出我们需要的信息。所以，在交流过程中，问题是至关重要的。

何为“用户行为信息”（User Behavior Information）呢？简单地说，就是用户在网站上发生的所有行为，如搜索、浏览、打分、点评、加入购物筐、取出购物筐、加入期待列表（Wish List）、购买、使用减价券和退货等；甚至包括在第三方网站上的相关行为，如比价、看相关评测、参与讨论、社交媒体上的交流、与好友互动等。利用数据分析平台可以通过无埋点和埋点的方式将以上信息进行采集和整理分析。所以做好用户分析的要点就在于通过搭建好的平台去完成用户行为信息的收集，然后结合好的分析模型去将以上信息加以利用。目前大家在使用的工具一般为：Google Analytics；Mixpanel；数极客；友盟等如果不使用第三方平台，自建用户行为分析平台的优劣是什么呢？自建平台的优势是内部需求自己定制和开发，可以完全开放自主。但是劣势也是显而易见的，就是开发周期过长，开发成本过高，不适应于中小型的互联网企业用户行为分析，是指在获得网站访问量基本数据的情况下，对有关数据进行统计、分析，从中发现用户访问网站的规律，并将这些规律与网络营销策略等相结合，从而发现目前网络营销活动中可能存在的问题，并为进一步修正或重新制定网络营销策略提供依据。本回答被网友采纳

您的这个问题横跨网络营销和大数据分析，不过归根结底都是互联网。以我们公司举例子，如果我们不做用户行为分析，那么怎么知道用户偏好和市场偏向，就不能及时调整战略方向，不能及时更新课程，结果就是：1.我们卖不出去课，客户被抢走；2.客户买了课，教出的学员也不适应市场最终没办法就业。而这两个最终导致我们，华信智原，死亡，死在社会经济发展的大浪潮中。但我们做了用户行为分析就不一样了，我们知道社会现在最需要什么样的技术，哪一个行业更能高薪就业，那我们及时调整策略就能促进学员就业率，进而机构得到发展，顺便提高知名度，一举多得。数据体现着用户偏好，一般一个平台的后台都可以收集用户的一些具体且真实的资料。拿共享单车举例：GPS定位可以确定一个人某一时段出现在哪，早晚上下班时间出现在某一地点的人多等，基于专业人士的分析可以预估单车需求，据此决定投放量。当然每个行业需要的数据不一样但是可以把所有的数据联系在一起，总能分析出自己的需要的用户行为。

每当产品出现重大改动时，我们都会采取用户调研的形式来确立“到底要不要这样做”。但用户调研的问法千万种，到底怎么才能获取到准确有效的用户反馈呢？今天就请 Junaid Singh 来说一下，他的看法。前言在所有关于用户体验设计的文章里，有一个词会不断重复出现，那就是：同理心。虽然越来越多的人已经意识到它的重要性，但并没有完全的明白到这个词。在我的理解里，同理心代表：深度自知、多角度多维度的观察能力（注意哦，是能力不是技能）。在现实中，即使拥有足够的同理心，我们也无法完全地理解我们的用户。这就是过去 20 万年进化带来的弊端——处世经验影响判断。让我们不管再中立，潜意识总会带有偏见，从而影响判断。你可能会问这真的重要吗？如果你更重视人们对产品真实的看法，而不仅是你对产品的看法，那它就是重要的～如果你想要了解人类思想行为方式，这篇也同样适用。看完，你就知道，到底是什么在误导着我们。锚定陷阱定义：人在做决策时，总是先入为主，偏重于单个初始信息，从而影响思考和判断。举个例子，你本来想买一块500元的表，在逛的时候种草了一块 1200 元的表。然后，你把它加入了购物车。过了两周，打折了，它变成了 997 元，于是你冲动下单，还觉得真划算。这时，你有没有想过，你其实只想花 500 元？多花了 497 元，到底是亏了还是赚了呢？同样，当你把产品拿给用户测试的时候，你告诉它哪哪改动了，运用了什么尖端科技。那用户就会对这部分内容，留下深刻的印象。再向他们询问反馈，可能也就没办法说出真实的看法，局限在了那些功能里。确认偏差定义：是个人选择性地回忆、搜集有利细节，忽略不利或矛盾的资讯，来支持自己已有的想法的片面诠释。假设一下，你是一个知名 app 的产品经理，想要在街头调查一下人们是不是喜欢你们产品。结果，大部分的人都说很喜欢。但是你也别高兴，因为你问的是喜不喜欢，因为都已经习惯这个产品了，所以多半会说喜欢。实际上，也许有一些小功能，他们其实有意见，比如发送图片不够高清、隐私功能不明确等等。这就是提问方法的问题，导致了白问了。正确的提问方式应该是：我们产品还有什么让你不满意的地方？沉没成本谬误定义：为了避免损失带来的负面情绪而沉溺于过去的选择中。选择了非理性的行为方式。人们都是抱着一些目的来创建产品，并尽力将它变得完美。创造产品的人坚信，它会有用。我真的很感谢那些人背后的辛勤工作。仅凭直觉就开始做产品，而不进行研究并检验假设，就等于瞎。——Jock Busuttil这就是为什么现在说产品，已经从旧的瀑布模型转向高（低）保真产品交互原型而不是的原因。避免把所有的钱浪费在开发上，而是把产品概念化过程，作为早期的产品概念测试。虽然这个很难，但是用户需要看到并体验产品的整个流程，才能提出正确有效的反馈。光说一个概念，不会有什么帮助。透明度错觉有时候，别人跟我说一些事情，我都回复说“是的！是的 我知道我知道”。结果，到最后发现，他们说的跟我想的并不是一回事。所以透明度错觉的定义是：人们倾向于高估自己对他人个人心理状态的理解程度。在采访用户时，这种情况经常发生。当用户无法找到描述某些事物的词语时，我们会说一些词出来，提示这是不是他们想要说的，来帮助他们。但是，这种做法可能会误导用户，收到错误的反馈。因此，保持耐心和倾听，才是正确的。社会期望偏差定义：人们倾向于根据别人对他们的回答的看法来回答问题，而不是如实回答。他们给出的答案可能夸大以反映“良好行为”，或者夸大不足以掩盖“不良行为”。比如说，我们所有人都会面对那种情况，不得不与某个人进行密谈。虽然不想，但是仍然愿意。我们都想成为别人心中和蔼可亲的人，而非不好相处、不配合、情绪大的人。所以在寻求反馈或批评时，我们必须向用户说明，请他们来就是为了找茬，说什么都可以，让他们不要有负担。框架效应定义：人们选择是根据选项中带有正面还是负面来决定，例如，朝九晚五还是朝十晚六。对于同一个问题，角度不同，就会得到不一样的答案。我们必须真正意识到这一点，才能确保不会发生这种情况。就像你问“ 你多喜欢 X 产品？”和“ 你对 X 产品的感觉如何？” 意思一样，问法不一样，答案就改变了。当我们在第一个问题中使用“ 喜欢”一词时，用户更有可能提供失真的回答。因为强加了“ 喜欢 ”这个词，像在跟用户暗示对它有某种程度的喜好。所以，即使用户不喜欢，也可能会歪曲他们本来会想到的内容。这并不是我们想要的。相反，我们可以从他们对有什么产品的看法/感觉，这样中立的角度去问，就可以得到真正的感受和想法。其实，在用户调研中，还有的错误，但是我觉得这几个是主要的了。看完 Junaid Singh 这篇文章，收获不小吧！高（低）保真产品原型交互有多重要！！！用好原型设计工具做原型设计，就能收获最有效的用户意见哦～比如说 墨刀、axure

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。

通过对用户行为监测获得的数据进行分析，可以让企业更加详细、清楚地了解用户的行为习惯，从而找出网站、推广渠道等企业营销环境存在的问题，有助于企业发掘高转化率页面，让企业的营销更加精准、有效，提高业务转化率，从而提升企业的广告收益。

以下推荐的都是有一定历史的经典书籍- Everyday Design- About Face 3.0- Usability Engineering - Designing Interfaces- The Elements of User Experience- Don't Make Me Think其实基本方法还是那些，关键还是多实践，多观察，多和用户交流。一、用研方法论（12本）  《用户体验度量（第二版）》  《洞察用户体验：方法与实践（第二版）》  《匹配度：打通产品与用户需求》  《用户研究与体验设计》  《用户至上(用户研究方法与实践第2版)》  《赢在用户：Web人物角色创建和应用实践指南》  《用户体验与可用性测试》  《卡片分类：可用类别设计》  《洞察人心：用户访谈成功的秘密》  《定性研究：方法论基础第一卷（共四卷）》  《质性研究访谈》  《Game User Research：A Case Study Approuach》。 二、用研思维力&心理学基础（10本）  《Don’t Make Me Think（点石成金：访客至上的Web和移动可用性设计秘笈）第3版》  《金字塔原理》  《思考的技术》  《思考，快与慢》  《你的灯亮着吗？》  《非暴力沟通》  《焦点解决治疗》  《故事：材质、结构、风格和银幕剧作的原理》  《乌合之众》  《怪诞行为学》 。 三、用盐跨界懂设计再服务设计（5本书）  《通用设计方法》  《设计方法与策略：代尔夫特设计指南》  《设计是什么：保罗·兰德给年轻人第一堂启蒙课》  《设计调研》第2版  《一个APP的诞生——从零开始设计你的手机应用》  四、定量&定性数据的统计和分析（5本书）  《IBM SPSS数据分析与挖掘实战案例精粹》  《精益数据分析》  《利用Python进行数据分析》  《社会统计分析方法》第2版  《质性资料的分析》  五、用研驱动成果落地（3本）  《试错：通过精益用户研究快速验证产品原型》  《精益客户开发》  《UX最佳实践：提高用户体验影响力的艺术》。

Web日志挖掘分析的方法日志文件的格式及其包含的信息①2006-10-17 00:00:00②202.200.44.43 ③218.77.130.24 80 ④GET ⑤/favicon.ico ⑥Mozilla/5.0+(Windows；+U；+Windows+NT+5.1；+zh-CN；+rv：1.8.0.3)+Gecko/20060426+Firefox/1.5.0.3。①访问时间；②用户IP地址；③访问的URL，端口；④请求方法(“GET”、“POST”等)；⑤访问模式；⑥agent，即用户使用的操作系统类型和浏览器软件。一、日志的简单分析1、注意那些被频繁访问的资源2、注意那些你网站上不存在资源的请求。常见的扫描式攻击还包括传递恶意参数等：3、观察搜索引擎蜘蛛的来访情况4、观察访客行为应敌之策：1、封杀某个IP2、封杀某个浏览器类型（Agent）3、封杀某个来源（Referer）4、防盗链5、文件重命名作用：1.对访问时间进行统计，可以得到服务器在某些时间段的访问情况。2.对IP进行统计，可以得到用户的分布情况。3.对请求URL的统计，可以得到网站页面关注情况。4.对错误请求的统计，可以更正有问题的页面。二、Web挖掘根据所挖掘的Web 数据的类型，可以将Web 数据挖掘分为以下三类：Web 内容挖掘(Web Content Mining)、Web 结构挖掘(Web Structure Mining)、Web 使用挖掘(Web Usage Mining)（也称为Web日志挖掘）。 ①Web内容挖掘。Web内容挖掘是指从文档的内容中提取知识。Web内容挖掘又分为文本挖掘和多媒体挖掘。目前多媒体数据的挖掘研究还处于探索阶段,Web文本挖掘已经有了比较实用的功能。Web文本挖掘可以对Web上大量文档集合的内容进行总结、分类、聚类、关联分析,以及利用Web文档进行趋势预测等。Web文档中的标记,例如<Title>和<Heading>等蕴含了额外的信息,可以利用这些信息来加强Web文本挖掘的作用。 ②Web结构挖掘。Web结构挖掘是从Web的组织结构和链接关系中推导知识。它不仅仅局限于文档之间的超链接结构,还包括文档内部的结构。文档中的URL目录路径的结构等。Web结构挖掘能够利用网页间的超链接信息对搜索引擎的检索结果进行相关度排序,寻找个人主页和相似网页,提高Web搜索蜘蛛在网上的爬行效率,沿着超链接优先爬行。Web结构挖掘还可以用于对Web页进行分类、预测用户的Web链接使用及Web链接属性的可视化。对各个商业搜索引擎索引用的页数量进行统计分析等。 ③Web使用记录挖掘。Web使用记录挖掘是指从Web的使用记录中提取感兴趣的模式，目前Web使用记录挖掘方面的研究较多,WWW中的每个服务器都保留了访问日志,记录了关于用户访问和交互的信息,可以通过分析和研究Web日志记录中的规律,来识别网站的潜在用户;可以用基于扩展有向树模型来识别用户浏览序列模式,从而进行Web日志挖掘;可以根据用户访问的Web记录挖掘用户的兴趣关联规则,存放在兴趣关联知识库中,作为对用户行为进行预测的依据,从而为用户预取一些Web页面,加快用户获取页面的速度，分析这些数据还可以帮助理解用户的行为,从而改进站点的结构,或为用户提供个性化的服务。通过对Web服务器日志中大量的用户访问记录深入分析，发现用户的访问模式和兴趣爱好等有趣、新颖、潜在有用的以及可理解的未知信息和知识，用于分析站点的使用情况，从而辅助管理和支持决策。当前，web日志挖掘主要被用于个性化服务与定制、改进系统性能和结构、站点修改、商业智能以及web特征描述等诸多领域。三、Web日志挖掘的方法（一）首先，进行数据的预处理。 从学习者的访问日志中得到的原始日志记录并不适于挖掘，必须进行适当的处理才能进行挖掘。因此，需要通过日志清理，去除无用的记录；对于某些记录，我们还需要通过站点结构信息，把URL路径补充成完整的访问序列；然后划分学习者，并把学习者的会话划分成多个事务。（二）其次，进行模式发现 一旦学习者会话和事务识别完成，就可以采用下面的技术进行模式发现。模式发现, 是对预处理后的数据用数据挖掘算法来分析数据。分有统计、分类、聚类、关等多种方法。① 路径分析。它可以被用于判定在一个站点中最频繁访问的路径，还有一些其它的有关路径的信息通过路径分析可以得出。路径分析可以用来确定网站上的频繁访问路径, 从而调整和优化网站结构, 使得用户访问所需网页更加简单快捷, 还可以根据用户典型的浏览模式用于智能推荐和有针对性的电子商务活动。例如：70% 的学习者在访问/ E-Business /M2时，是从/EB开始，经过/ E-Business /SimpleDescription，/ E-Business /M1；65%的学习者在浏览4个或更少的页面内容后就离开了。利用这些信息就可以改进站点的设计结构。② 关联规则。 使用关联规则发现方法，可以从Web的访问事务中找到的相关性。关联规则是寻找在同一个事件中出现的不同项的相关性，用数学模型来描述关联规则发现的问题：x=>y的蕴含式，其中x,y为属性——值对集(或称为项目集)，且X∩Y空集。在数据库中若S%的包含属性——值对集X的事务也包含属性——值集Y，则关联规则X=>Y的置信度为C%。③ 序列模式。在时间戳有序的事务集中，序列模式的发现就是指那些如“一些项跟随另一个项”这样的内部事务模式。它能发现数据库中如“在某一段时间内，客户购买商品A，接着会购买商品B，尔后又购买商品C，即序列A→B→C出现的频率高”之类的信息。序列模式描述的问题是：在给定的交易序列数据库中，每个序列按照交易的时间排列的一组交易集，挖掘序列函数作用是返回该数据库中高频率出现有序列。④ 分类分析。发现分类规则可以给出识别一个特殊群体的公共属性的描述，这种描述可以用于分类学习者。分类包括的挖掘技术将找出定义了一个项或事件是否属于数据中某特定子集或类的规则。该类技术是最广泛应用于各类业务问题的一类挖掘技术。分类算法最知名的是决策树方法，此外还有神经元网络、Bayesian分类等。例如：在/ E-Business /M4学习过的学习者中有40％是20左右的女大学生。⑤聚类分析。可以从Web访问信息数据中聚类出具有相似特性的学习者。在Web事务日志中，聚类学习者信息或数据项能够便于开发和设计未来的教学模式和学习群体。聚类是将数据集划分为多个类，使得在同一类中的数据之间有较高的相似度，而在不同类中的数据差别尽可能大。在聚类技术中，没有预先定义好的类别和训练样本存在，所有记录都根据彼此相似程度来加以归类。主要算法有k—means、DBSCAN等。聚类分析是把具有相似特征的用户或数据项归类,在网站管理中通过聚类具有相似浏览行为的用户。基于模糊理论的Web页面聚类算法与客户群体聚类算法的模糊聚类定义相同，客户访问情况可用URL(Uj)表示。有Suj={(Ci，fSuj(Ci))|Ci∈C}，其中fSuj(Ci)→[0，1]是客户Ci和URL(Uj)间的关联度：式中m为客户的数量，hits(Ci)表示客户Ci访问URL(Uj)的次数。利用Suj和模糊理论中的相似度度量Sfij定义建立模糊相似矩阵，再根据相似类[Xi]R的定义构造相似类，合并相似类中的公共元素得到的等价类即为相关Web页面。⑥统计。统计方法是从Web 站点中抽取知识的最常用方法, 它通过分析会话文件, 对浏览时间、浏览路径等进行频度、平均值等统计分析。虽然缺乏深度, 但仍可用于改进网站结构, 增强系统安全性, 提高网站访问的效率等。⑦协同过滤。协同过滤技术采用最近邻技术，利用客户的历史、喜好信息计算用户之间的距离，目标客户对特点商品的喜好程度由最近邻居对商品的评价的加权平均值来计算。（三）最后，进行模式分析。模式分析。基于以上的所有过程，对原始数据进行进一步分析，找出用户的浏览模式规律，即用户的兴趣爱好及习惯，并使其可视化，为网页的规划及网站建设的决策提供具体理论依据。其主要方法有：采用SQL查询语句进行分析；将数据导入多维数据立方体中，用OLAP工具进行分析并给出可视化的结果输出。（分类模式挖掘、聚类模式挖掘、时间序列模式挖掘、序列模式挖掘、关联规则等）四、关联规则（一）关联规则顾名思义，关联规则（association rule）挖掘技术用于于发现数据库中属性之间的有趣联系。一般使用支持度（support）和置信度（confidence）两个参数来描述关联规则的属性。 1.支持度。规则 在数据库 中的支持度 是交易集中同时包含 ， 的事务数与所有事务数之比，记为 。支持度描述了 ， 这两个项集在所有事务中同时出现的概率。2．置信度。规则 在事务集中的置信度(confidence)是指同时包含 ， 的事务数与包含 的事务数之比，它用来衡量关联规则的可信程度。记为 规则 A Þ C:支持度= support({A}È{C}) = 50%，置信度= support({A}È{C})/support({A}) = 66.6% （二）Apriori方法简介Apriori算法最先是由Agrawal等人于1993年提出的，它的基本思想是：首先找出所有具有超出最小支持度的支持度项集，用频繁的(k—1)-项集生成候选的频繁k-项集；其次利用大项集产生所需的规则；任何频繁项集的所有子集一定是频繁项集是其核心。Apriori算法需要两个步骤：第一个是生成条目集；第二个是使用生成的条目集创建一组关联规则。当我们把最小置信度设为85%，通过关联规则的形成以及对应置信度的计算，我们可以从中得到以下有用的信息：1.置信度大于最小置信度时：我们可以这样认为，用户群体在浏览相关网页时，所呈列的链接之间是有很大关联的，他们是用户群的共同爱好，通过网页布局的调整，从某种意义上，可以带来更高的点击率及潜在客户；2.置信度小于最小置信度时：我们可以这样认为，用户群体对所呈列链接之间没太多的关联，亦或关联规则中的链接在争夺用户。五、网站中Web日志挖掘内容　　（1）网站的概要统计。网站的概要统计包括分析覆盖的时间、总的页面数、访问数、会话数、惟一访问者、以及平均访问、最高访问、上周访问、昨日访问等结果集。　　（2）内容访问分析。内容访问分析包括最多及最少被访问的页面、最多访问路径、最多访问的新闻、最高访问的时间等。　　（3）客户信息分析。客户信息分析包括访问者的来源省份统计、访问者使用的浏览器及操作系统分析、访问来自的页面或者网站、来自的IP地址以及访问者使用的搜索引擎。　　（4）访问者活动周期行为分析。访问者活动周期行为分析包括一周7天的访问行为、一天24小时的访问行为、每周的最多的访问日、每天的最多访问时段等。　　（5）主要访问错误分析。主要访问错误分析包括服务端错误、页面找不到错误等。　　（6）网站栏目分析。网站栏目分析包括定制的频道和栏目设定，统计出各个栏目的访问情况，并进行分析。（7）商务网站扩展分析。商务网站扩展分析是专门针对专题或多媒体文件或下载等内容的访问分析。（8）有4个方向可以选择:①对用户点击行为的追踪，click stream研究；②对网页之间的关联规则的研究；③对网站中各个频道的浏览模式的研究；④根据用户浏览行为，对用户进行聚类，细分研究；（如果你能够结合现有的互联网产品和应用提出一些自己的建议和意见，那就更有价值了。）（9）发现用户访问模式。通过分析和探究Web日志记录中的规律，可以识别电子商务的潜在客户，提高对最终用户的服务质量，并改进Web服务器系统的性能。 (10)反竞争情报活动。反竞争情报是企业竞争情报活动的重要组成部分。六、相关软件及算法（一）相关软件：1.数据挖掘的专用软件wake。2.用OLAP工具3.已经有部分公司开发出了商用的网站用户访问分析系统，如WebTrends公司的CommerceTrends 3.0,它能够让电子商务网站更好地理解其网站访问者的行为，帮助网站采取一些行动来将这些访问者变为顾客。CommerceTrends主要由3部分组成：Report Generation Server、Campain Analyzer和Webhouse Builder。4.Accrue公司的Accrue Insight，它是一个综合性的Web分析工具,它能够对网站的运行状况有个深入、细致和准确的分析，通过分析顾客的行为模式，帮助网站采取措施来提高顾客对于网站的忠诚度，从而建立长期的顾客关系。（二）相关算法：1.运用各种算法进行数据挖掘：GSP算法, Prefixspana算法，2.关联规则分析：Apriori、FP-growth算法等。3.Apriori算法及其变种算法4.基于数据库投影的序列模式生长技术（database project based sequential pattern growth）5. Wake算法、MLC++等6. PageRank算法和HITS算法利用Web页面间的超链接信息计算“权威型”（Authorities）网页和“目录型”（Hubs）网页的权值。Web结构挖掘通常需要整个Web的全局数据，因此在个性化搜索引擎或主题搜索引擎研究领域得到了广泛的应用。7.参考检索引擎的挖掘算法，比如Apache的lucene等。