用户行为数据分析的道、法、术、器、势
广义来讲，用户行为是指网站、APP、H5、小程序等线上平台，以及零售商铺、产品使用环境等所有场景下，用户与企业以及企业提供的产品的交互情况。而通常所说的用户行为分析，则指的是利用大数据分析方法，通过对用户线上行为数据、用户属性数据的收集，存储，分析，以找到相关规律，然后通过A/B测试等方式，探究有效方案的方式。
在大数据分析技术发展成熟之前，对于用户行为的分析就从没有停止过，不过原有的分析方式是通过统计分析的方式，寻找因果关系。而统计分析，是在假设基础上，通过抽样分析进行假设检验。
云计算、大数据技术的快速发展，使得对于全量数据的分析成为了可能。全量数据分析也打破了统计分析中需要先建立假设再进行验真或验伪的过程，而是通过对用户相关数据进行全量采集，然后通过能够反应规律的分析模型，就行快速调参、分析，寻找隐藏的“数据金矿”。
你可能已经听说过最小化产品开发、增长黑客、精益创业，但其背后都隐藏着一个概念：数据驱动。阿利斯泰尔·克罗尔和本杰明·尤科维奇在《精益数据分析》一书中对如何实现数据驱动进行了详细的说明。从落地的角度，也就是通过对用户行为数据的分析，找出未留意到的重要规律，然后加强其效应，使之转变为留给用户的显性的Aha Moment或者病毒传播因素。
为什么要从道、法、术、器、势的角度来解析用户行为分析？因为国内的数据应用阶段与国外还是存在明显的差距。数据意识、数据基础、以及对数据分析工具的使用，都限制了对储藏在公司服务器里的数据金矿的挖掘应用。
一、数据之道：小公司更应该加强数据应用
数据驱动并非大公司的专利，而恰巧是小公司的核动力。发展初期，各种资源紧缺，如果没有应用数据的意识，所有的决策只能依赖于人员经验，在团队成员搭配不充裕的情况下，往往都是靠着非专业人才依靠直觉做专业的决策，势必导致资源的浪费。
这里就是国内团队与国外团队在起步时候最大的差异，国内团队在发展初期往往不重视数据，认为最重要的就是推广推广再推广，一时间公司所有人都成了推广专员。可是获取到的用户，哪些渠道有效、哪些用户活跃、为什么活跃，流失的用户都有什么特点、是什么阻碍了他们成为活跃用户往往被归结为不是潜在用户。
从经营理念来讲：团队是以产品为中心，认为只要做好产品，就一定能够大卖；还是以用户为中心，希望更懂用户，为用户提供最喜欢的产品。不同的经营理念，会导致核心团队对数据的重视程度有巨大的差别。
数据之道解的是你是否重视数据分析、是否想从数据中了解用户。简单的测试你或者你所在的团队是否有数据之道：是否建立了公司核心运营数据的仪表盘（财务、销售、市场、库存等）、所在部门是否有核心数据的仪表盘、开会沟通中是以“我认为”、“我觉得”打头还是以“经过对上周用户数据的分析”、“经过对比测试”来说明问题？
二、数据之法：建立良好的数据分析思维
数据分析源于用户也回归用户，所有的分析目的都是建立在了解用户、为用户提供更好服务的基础上。
从用户与企业产品交互的过程看，有经典的AARRR海盗法则，即用户获取（Acquisition）、激活（Activation）、留存（Retention）、营收（Revenue）、推荐（Referral）。获取环节，主要对渠道进行分析，判断渠道用户匹配度、单位获客成本、获客效率；激活环节，寻找到活跃用户，仔细查看其行为序列，有必要的时候对活跃用户进行访谈，定义产品、公司的往往是初期的活跃用户；健康的增长，不是拉新1000流失500，所以对用户留存的关注也非常关键；在此基础之上，为用户设计喜爱的病毒传播因素，往往能让企业成指数级发展。
对于SaaS等对企业的产品呢？用户会经历认知、熟悉、试用、使用、忠诚的过程，如果你们公司的产品又领先于用户的经验，首先要做好的是为用户赋能，即先让其联想到自己业务场景，然后熟悉新的方法，再通过试用产品解决问题，如果这三步能够做好，由用户转化为客户就会顺畅很多。
所以我的企业应该怎么做呢？答案是因企业而异，所以这一层还是思维层。比如做工具类的，用户留存好解决，用户获取和激活用户分享是关键，所以Dropbox依靠分享赠送空间、Uber依靠推荐送优惠券、樊登读书会通过转介绍送听课天数的方式，实现病毒式传播增长。比如做资讯平台的，用户活跃于留存又是关键，高活跃的用户会创作内容、进行评论，都会促进社区的活跃氛围，总用户、活跃用户多了，平台价值就高，也自然能够过渡到营收阶段。所以不同的企业和产品，应用的分析思维会有差异，因为你要解决的问题不同，但本质上，都是通过数据去找方法而非拍脑袋、靠直觉。
数据之法解的是，根据企业产品的类型、企业的发展阶段，定义正确的分析方向。简单测试你是否掌握了数据之法：对你的产品而言，最重要的指标是什么？对于你的业务，数据分析可以做哪些事？你的核心用户与公司产品的交互流程是什么样，数据点有哪些？
三、数据之术：从采集到分析
术即方法，这里指的就是用户行为数据分析从数据采集、数据清洗、数据存储到数据分析的方法。
首先，需要设计精细的数据采集方案，支撑后续灵活分析需求。常用的数据采集方式有UTM参数、可视化埋点（也称全埋点）、代码埋点、SDK埋点、日志数据、服务器数据工具传输。埋点方面也分前端埋点、后端埋点。
其次，建立统一的用户数据仓库，对企业长期发展至关重要。用户数据可分为属性数据与事件数据，属性数据描述的是用户是什么样的，比如用户ID、设备id、设备类型、用户区域、性别、年龄、喜好等，属性数据可用于用户分群、用户画像等。而事件数据描述的是用户做了什么，那么事件数据就必须包含事件的时间、地点、人物、时长、具体事件、事件方式等。在数据时代，用户与企业的数据交互已不再停留在网站、邮件里，而是在网站、APP、小程序、H5、邮件链接、自媒体、线下智能商铺等，都会存在用户数据。因此对于这些不同渠道用户数据进行统一的定义与存储非常有必要。除了统一存储，还应考虑到分布式架构的应用以支撑亿级数据的实时分析。
最后，就是对收集、存储好的数据进行灵活的分析应用。可以根据分析的目的，灵活选择常用的分析模型，比较重要的是用户的分群，同期群、同属性群、活跃群、流失群等，在不同商业模式下有不同的含义。一些常用的分析模型有事件分析、留存分析、漏斗分析、行为序列分析、行为路径分析等。
SaaS企业关注渠道商机，可进行事件分析、渠道漏斗转化分析；游戏厂商关注用户活跃度与用户消费，可进行事件分析、留存分析、行为序列分析；媒体平台关注阅读、用户UGC内容频率，可进行事件分析、行为路径分析。
产品关注用户对不同功能的响应，可进行事件、行为序列、行为路径分析；市场关注渠道效果，可进行漏斗转化、事件分析；运营关注用户增长、用户活跃，可进行转化漏斗、留存、事件分析。
在大好数据意识、数据思维的基础上，分析应用就是针对业务需求的灵活应用，掌握一些常用的分析模型，就可以上手实践，模型不用复杂，有效即可。
四、数据之器：活用工具事半功倍
工欲善其事，必先利其器。其实有不少团队已经建立起了数据意识、并学会了数据驱动的方法，但是在落地的时候，往往发现公司发展阶段的资源无法支撑。比如前期数据采集规划不够精细，比如数据工程师跑SQL、拉数据工作量繁琐，再比如用户增长迅速、数据量庞大的时候单次分析时间太长。往往导致从提出数据分析需求、到给出结果需要等待2-3天甚至更长的时间，针对分析结果需要做进一步分析的时候，还要再走这样一个循环，导致数据分析速度落后于实际业务需求。
笔者经历过4个创业团队，发现不少公司的老板很抗拒使用外部工具。网站要自己建设、SEO要自己操作、分析平台要自己搭建、营销活动要自己张罗，以为这样省钱、靠谱，但实际上如果实实在在的计算，在很多环节如果借助外部力量，更能够推进团队快速发展。而自身团队如果有余力照顾方方面面的事情，往往意味着团队的核心目标不够明确。对此部分如果有兴趣，可以留言，笔者会仔细的算每笔账出来。
监测公众号数据可以使用西瓜助手、公众号自带的数据后台，监测网站数据可以用户百度统计、GoogleAnalytics，创建可视化图表可以尝试Tableau，而如果想打通不同渠道数据、进行用户行为数据的深度下钻分析，则可以尝试数数科技ThinkingAnalytics用户行为分析系统。
这里只是份举例，在不同的阶段选用不同工具，主要是保持开放的心态，多借助外部工具，即使长期想要自建系统，短期内从外部工具学习思路，也是推动团队快速成长的好方法。
五、数据之势：分析的目的是实现增长
前面所有的内容，其实最终目的都是以数据驱动增长，但是数据本身并没法带来用户。数据驱动的意义，是从数据中能够找到最好的获客渠道、最让用户惊喜的功能、能够刺激用户分享实现自增长的病毒因素、活跃用户的特点等。在找到这些特殊要素后，不断的放大这些要素，以形成快速增长的势能。
市场方面，如果发现信息流投放最优效果，就在此渠道适当增加投入；产品方面，如果发现活跃用户最喜欢使用的功能不在首页显著位置，就应该对产品层次结构进行优化；运营方面，如果发现用户最喜欢分享的并不是送优惠券活动，而是分享后订单金额的1%将被用于公益活动，就可以增大此活动的推广用户范围。
结论
数据有时候无法告诉我们为什么，但是通过测试、分析，可以找到哪种方式最有效，从产品、到市场、到运营、到销售，集中公司力量放大已经发现的有效因素，让势能带动业务和用户增长。
适合你的公司、产品的数据思路、分析方法、增长势能是什么呢？欢迎留言讨论。
