眾所周知，用戶分析是做好產品的前提，也是運營人員的必備技能。

360董事長周鴻祎做演講時，曾說過：“用戶至上，體驗為王，做產品一定要先分析用戶是怎么想的?！?

在日常工作中要分析用戶，必不可少的就是用數據分析的方法。

前期文章中，我們做了用戶畫像和漏斗模型的詳細介紹，今天我們就來說一說：用戶分析中的另一個典型方法論——用戶行為路徑分析。

一、什么是用戶行為路徑分析

用戶行為路徑分析：是一種監測用戶流向，從而統計產品使用深度的分析方法。

它主要根據每位用戶在App或網站中的點擊行為日志，分析用戶在App或網站中各個模塊的流轉規律與特點，挖掘用戶的訪問或點擊模式，進而實現一些特定的業務用途。

如：App核心模塊的到達率提升、特定用戶群體的主流路徑提取，與瀏覽特征刻畫、App產品設計的優化與改版等。

以電商為例：

買家從登錄網站/APP到支付成功，要經過首頁瀏覽、搜索商品、加入購物車、提交訂單、支付訂單等過程。

而用戶真實的選購過程往往是交纏反復的，例如：提交訂單后，用戶可能會返回首頁繼續搜索商品，也可能去取消訂單，每一個路徑背后都有不同的動機。

與其他分析模型配合進行深入分析后，能快速找到用戶行為動機，從而引領用戶走向最優路徑或者期望中的路徑。

二、用戶行為路徑分析的作用

用戶路徑的分析結果通常以?；鶊D形式展現。以目標事件為起點/終點，詳細查看后續/前置路徑，可以詳細查看某個節點事件的流向。

總的來說，科學的用戶行為路徑分析有以下作用：

1. 可視化用戶流向，對海量用戶的行為習慣形成宏觀了解

通過用戶路徑分析，可以將一個事件的上下游進行可視化展示。

業務人員可以查看用戶當前節點事件的相關信息，包括：事件名、分組屬性值、后續事件統計、流失、后續事件列表等；從而幫助業務人員全面了解用戶整體行為路徑分布，找到不同行為間的關系，挖掘規律并突破業務瓶頸。

2. 定位影響轉化的主次因素，使產品的優化與改進有的放矢

路徑分析對產品的優化與改進有著很大的幫助。

可以日常監測用戶的行為路徑，根據用戶路徑中各個環節的轉化率，及時發現用戶的核心關注點及干擾選項，引導用戶持續挖掘產品及服務的價值。

例如：

一款視頻創作分享型App應用中，從開始拍攝制作視頻到視頻的最終發布過程中，用戶往往會進行一系列的剪輯操作。通過路徑分析，我們可以清晰的看到：哪些是用戶熟知并喜愛的編輯工具？哪些操作過于冗長繁瑣？這樣可以幫助我們：針對性地改進剪輯操作模塊，優化用戶體驗。

如果在路徑分析過程中，用戶的創作數量與用戶被點贊、評論以及分享的行為密切相關，就可以考慮增強這款App的社交性，增強用戶黏性與創作欲望。

三、用戶行為路徑分析的關鍵

互聯網行業對數據的獲取有著得天獨厚的優勢，路徑分析所依賴的數據主要就是：服務器中的日志數據。

用戶在使用App過程中的每一步都可以被記錄下來，這時候就需做好數據埋點，它與我們所關心的業務息息相關。如果數據埋點沒做好，數據就不全面，將導致數據分析過程會比較困難。

通常我們會借助第三方數據分析跟蹤平臺來做數據埋點，不管用哪個平臺，做好數據埋點才是關鍵——如：各個頁面之間的停留時間、跳出率、離開次數、流失率和轉化率等。

注意，那種只有幾大主界面的跳轉數據是沒用的。

比如：用戶從A界面跳轉至B界面，跳出率是30%，那你能知道哪里需要優化嗎？

這么模糊的數據是不可能進行準確的用戶行為數據分析的。一個界面那么多按鈕，光一個頁面跳出率，我們不可能知道用戶是在哪個環節離開的，進行細節優化時會抓不到點。

正確的姿勢應當是：做好每個關鍵節點的數據埋點。

以電商中的購物環節為例：

一個完整順暢的用戶購物環節大致是：登錄→瀏覽商品→點擊查看商品詳情→選中商品并放入購物車→結算→支付。

在這每一個環節中，又有很多小的關鍵節點，比如：用戶在“結算”環節跳出來了，你不能想當然地認為，結算頁面跳出率是30%。這樣你只知道結算頁面有問題，但是具體哪個點有問題你是不知道的。

你要知道：用戶是在選擇支付方式時跳出的，還是選擇修改收貨地址時跳出的，還是選擇配送方式時跳出的。這樣你才能準確地知道是哪里出了問題，然后對這個點進行改進優化。

總之，要做用戶行為路徑分析，關鍵是要做好數據埋點。

四、用戶行為路徑分析方法

常見的分析方法有：轉化漏斗、智能路徑、用戶路徑。

三者都是基于用戶行為，以上下環節的轉化率為計算核心。

三者的關系如圖所示：

轉化漏斗：是預先設定好的路徑；智能路徑：是設定了目標行為之后發現更多漏斗；用戶路徑：是完整再現用戶的整個轉化過程。在實際應用中，三者有各自適用的分析場景，通常也需要互相結合，相輔相成。

接下來逐一介紹這三種方法。

1. 轉化漏斗

作用：提升轉化效果。

轉化漏斗是路徑分析中的一種特殊情況，是針對少數人為特定模塊與事件節點的路徑分析。

它適用于對產品運營中的關鍵環節進行分析、監控，找到其中薄弱的環節，通過用戶引導或者產品迭代來優化，提升轉化效果。

無論是新用戶的引導、某個業務流程還是某一次運營活動，涉及到有流程轉化的，都可以建立漏斗來分析。

轉化漏斗的例子之前也講過，這里就不再贅述了。

在分析的過程中，可以觀察：

整體的轉化率是否符合行業水準？哪些步驟轉化率還有優化空間？可以通過細分維度發現導致轉化率低的因素是哪些？也可以通過查看流失環節的其他使用路徑，做出針對性的引導。

2. 智能路徑

作用：探索更多的轉化路徑。

很多情況下，雖然有最終的轉化目標，但是用戶到達該目標卻有多條路徑，無法確定：哪條路徑是用戶走的最多的路徑？哪條轉化路徑最短？

這時候，我們就可以采用智能路徑模型來進行分析。

確定想要觀察的目標行為——通常是業務中需要引導用戶完成的某個功能或到達的某個頁面。將其設置為起始事件，分析發生該行為的后續路徑；或者設置為結束事件，分析該行為的前置路徑。

例如：在電商APP中，加入購物車是支付成功這個最終轉化目標的前一步。

但很多用戶在加入購物車之后，并不會提交訂單直接支付，這時選擇目標事件為“加入購物車”，并設置為起始事件。分析用戶在加入購物車后的行為路徑，是被頁面上的其他推薦吸引了目光，還是走向他處？

在某知識付費APP中，有多個入口，通過banner、搜索列表、專列列表、專題文章等引導到專欄詳情頁，進而引導到專欄的訂閱。若想分析用戶最終訂閱的轉化路徑，可以選擇目標事件為 “訂閱專欄”，并設置為結束事件即可。

總之，智能路徑可以用來探索性地發現更多的轉化路徑。當聚焦到某一條路徑時，其實就是一個轉化漏斗，可以將其保存下來，來進行日常監測。

3. 用戶路徑

作用：步步追蹤，劃分用戶類型。

用戶路徑不需要預先設置漏斗，或者圈定要分析哪個頁面事件或點擊事件，而是計算用戶使用網站，或APP時的每個第一步。然后，依次計算每一步的流向和轉化。

通過數據，真實的再現用戶從打開APP到離開的整個過程，進一步識別用戶頻繁路徑模式：

即哪條路徑是用戶最多訪問的？走到哪一步時，用戶最容易流失？甚至呈現出產品經理在設計產品時，都未曾預料到的路徑，找到分析用戶行為最基礎、最原始的數據。也可以通過路徑識別用戶行為特征，分析用戶是用完即走的目標導向型，還是無目的瀏覽型?？傊?，用戶路徑分析法對產品運營有著非常重要的啟發作用。

轉化漏斗、智能路徑、用戶路徑都是基于用戶行為路徑數據的重要分析模型，它們有著不同的功能以及用處。

掌握了這3個分析方法，可以精確獲得用戶行為路徑數據，從而針對性的做出營銷策略調整，讓運營轉化成倍增長。

五、基于不同場景的分析模型選擇

用戶從進入產品到離開都發生了什么？主要遵循什么樣的行為模式？

——可以選用用戶路徑模型，觀察用戶的整體行為路徑，通過用戶頻繁路徑發現其行為模式。

用戶是否按照產品設計引導的路徑在行進？哪些步驟上發生了流失？

——可以選用轉化漏斗模型，將各個引導設置為漏斗的各個步驟，分析其轉化和流失。

用戶離開預想的路徑后，實際走向是什么？

——可以選擇轉化漏斗模型，查看經過流失環節的用戶后續的行為路徑，或者在智能路徑中選擇預設的事件為目標事件，分析其后續行為路徑。

不同渠道帶來的用戶，不同特征的用戶行為差異在哪里？哪類用戶更有價值？

——可以選擇用戶路徑模型，細分渠道維度，查看不同維度的用戶行為路徑。

六、用戶路徑分析典型案例

案例一：在線教育產品用戶流失的原因

某在線教育產品通過漏斗分析對核心業務進行分析，漏斗為：用戶訪問APP→瀏覽課程詳情頁→購買課程/課時→完成課程。

其中，“瀏覽課程詳情頁”到“購買課程/課時”僅有10%的轉化率，比該企業的預測轉化率低很多。該電商網站將流失的用戶保存為一個分群，并單獨對這個流失分群進行了用戶路徑分析。

通過用戶路徑分析，他們發現：這部分用戶走到瀏覽課程詳情頁的步驟后，自發的走向兩條路徑——一部分用戶退出了課程瀏覽頁面，另一部分用戶點選了頁面頂端的圖片預覽，然后退出頁面瀏覽。

第一條路徑的用戶可能對課程沒有明確的需求，或對課程內容不滿意，所以退出了頁面；第二條路徑的用戶，顯示出對課程的需求，但是比較謹慎，該類用戶重新查看了預覽圖片，隨后退出頁面。他們判斷這部分用戶沒有從課程簡介和圖片中得到自己真正想要的內容，圖片的精彩度影響了這部分用戶的購買意愿。

因此，工作人員針對課程介紹進行了進一步的內容優化。增加了外教教學視頻，及作文修改視頻，增加用戶對課程的信心，真正從流失人群身上挖掘出了最深的價值，提高了轉化率。

案例二：“未支付訂單”超過30分鐘自動取消，刺激用戶支付

某電商網站客戶通過用戶路徑分析，有兩條主要的路徑：

是啟動App-搜索商品-提交訂單-支付訂單；是啟動App-未支付訂單-搜索相似商品-取消訂單。第一條用戶路徑顯示：客戶提交訂單后，大約75%的用戶會支付，而高達25%的用戶沒有支付訂單；

第二條用戶路徑顯然是一條有明確目的——為未最終敲定的商品而來的用戶。因為在打開app后直奔“未支付訂單”，但是路徑中顯示此用戶再次“搜索相似商品”。這一行為可以判斷客戶可能存在比價行為，表明價格一定程度上影響了這部分用戶的支付欲望，這是一批“價格導向”的客戶。

對此，該電商運營人員采取針對性措施：

“未支付訂單”超過30分鐘則自動取消；將支付頁面附近放置優惠券領取。當該電商新版本上線后，再次通過用戶路徑分析模型，發現：

客戶在提交訂單后，由于30分鐘的時間限制，有更多的客戶愿意立即支付訂單；同時，未支付訂單大大降低，說明在支付支付頁面附近放置優惠券的方式刺激到對價格敏感的客戶。因此這也是一次很成功的改版。

案例三：新、老用戶傾向什么路徑

一個新用戶和一個老用戶在進行購買流程的時候，他們的瀏覽路徑是否有區別？新用戶傾向什么路徑？老用戶傾向什么路徑？

電商平臺店鋪用戶行為路徑圖

假設上圖中，用戶進入店鋪頁中選擇以下路徑：

約 40% 的客戶會點擊 Banner 活動頁；約 30% 的客戶會直接進行商品搜索；約 10% 的用戶會瀏覽商品詳情頁；約 5% 的客戶啥都不干直接退出店鋪。假設以上四種路徑中，第三種直接瀏覽商品詳情頁的用戶下單比例最高——超過 90% 。與其形成鮮明對比的是，盡管第一種“點擊 Banner 活動頁”的用戶占比高達 40%，但是僅 5% 的用戶下單了。

說明了：Banner 的內容布局和利益點有著比較糟糕的用戶體驗，則將此作為首選優化與改進的方向。

改進方式：

優化內容質量：素材圖片、利益點、承接頁動線、承接頁商品讓利程度等；壓縮 banner 模塊實際面積：比如，淘寶的 banner 基本為千人千面或者商家直通車購買，展示總量大，比較難控制所有內容質量，因此選擇更小的尺寸高度來分散用戶點擊占比，為其它首屏優質業務提供更多的流量。相對的，天貓的 banner 活動一般為類目排期活動，較少商家購買（能花得起這個錢的商家一般也是 KA，不會把內容質量搞的很糟糕），因此天貓的 banner高度較淘寶會更醒目。

七、結束語

用戶個體動機雖然千差萬別，但是，海量用戶行為的流動趨勢，會體現用戶真正的使用偏好與習慣。

企業需要通過多種數據分析手段，抓住用戶的心，才能從激烈的競爭中脫穎而出，真正帶來最切合用戶利益的價值。