银行用户行为分析要使用的6种分析模型

用户行为分析就是通过对这些数据进行统计、分析，从中发现用户使用产品的规律，并将这些规律与网站的营销策略、产品功能、运营策略相结合，发现营销、产品和运营中可能存在的问题，解决这些问题就能优化用户体验、实现更精细和精准的运营与营销，让产品获得更好的增长。

用户行为将用户做的每一件事都定义为一个事件，事件的串联便构成了用户的行为链。比如用户贷款、存款，这都是一个事件，在什么时间、什么平台上、哪一个用户ID、点击了什么产品、为什么点击购买按钮。这是一个完整的事件，也是对用户行为的一个定义，我们可以在网站或者是 APP 中定义千千万万个这样的事件。

在产品的运营过程中，无论是产品、运营还是市场团队都希望能够清晰地了解其用户行为路径，从纷繁的用户行为中，寻找以下问题的答案：

1. 用户从进入产品到离开都发生了什么？主要遵循什么样的行为模式？
2. 用户是否按照产品设计引导的路径在行进？哪些步骤上发生了流失？
3. 用户离开预想的路径后，实际走向是什么？
4. 不同渠道的带来的用户，不同特征的用户行为差异在哪里？哪类用户更有价值？

有了这样的事件以后，就可以把用户行为连起来观察。用户首次使用手机银行后就是一个新用户，他可能要注册，那么注册行为就是一个事件。注册要填写个人信息，之后他可能开始搜索买东西，所有这些都是用户行为的事件。

用户行为可以用5W2H来总结：

一、用户行为数据的获取

用户的行为数据并不是收集越多越好，而是有针对性地从用户的需求角度出发，哪些行为数据对于我们分析用户有帮助，便于我们更快的解决用户需求问题，我们就收集哪种用户行为数据。这些数据可以帮助我们更好的了解用户，从而提升产品的设计与体验，优化自己的产品，提升产品与用户的交互效率。

用户所有的渠道做了些什么，在什么时间操作的，做了哪些操作，用户的基础信息等，不管还是运营或是产品，我们需要掌握以下用户数据：

• 用户的基本信息：用户性别、用户年龄、用户职业、联系方式、爱好等。
• 用户常访问的页面、产品，用户的访问轨迹。
• 用户经常使用功能或者工具。
• 用户搜索的关键词汇。
• 用户长期集中在哪些时间使用。
• 用户从什么渠道来访问银行的产品。
• 用户购买了什么产品。
• 用户的消费情况。
• 用户长期浏览的内容哪种较多。
• 用户的使用时长。

用户行为数据的采集方式，一般采用埋点方式，分为无埋点和代码埋点。

无埋点是前端的一种埋点方式， 在产品中嵌入SDK，最统一的埋点，通过界面配置的方式对关键的行为进行定义，完成埋点采集，这种是前端埋点方式之一。

代码埋点，这个也是目前使用的最多埋点方式，代码埋点分为前端代码埋点和后

端代码埋点，前端埋点类似于全埋点，也需要嵌入SDK，不同的是对于每个事件行为都需要调用SDK代码，传入必要的事件名，属性参数等等，然后发到后台数据服务器。

代码埋点是非常传统、非常普遍的方式，通过写代码去定义这个事件。在手机银行里监测用户行为数据的地方加载一段代码，比如说注册、滑动、填写信息等。

二、用户行为分析应用场景

有了用户行为数据之后，可以应用在哪些场景呢？

• 拉新：渠道分析、SEM分析、用户质量分析。
• 转化：新增用户注册转化、Push推送、产品使用过程转化（如产品推荐、贷款、理财）。
• 促活：用户停留时长、用户行为分布，比如活跃度分析可根据月活跃天数分为低中高活。
• 留存：用户留存分析。

三、用户行为分析模型

用户行为分析包括：行为事件分析、用户留存分析、漏斗模型分析、用户路径分析、分布分析、归因分析。

1. 行为事件分析

行为事件分析方法主要用于深度研究某行为事件，以及对产品的影响以及影响程度。

行为事件分析法具有强大的筛选、分组和聚合能力，逻辑清晰且使用简单，已被广泛应用。行为事件分析法一般经过事件定义与选择、下钻分析、解释与结论等环节。

事件定义与选择。事件描述的是，一个用户在某个时间点、某个地方、以某种方式完成了某个具体的事情。Who、When、Where、What、How是定义一个事件的关键因素。

针对某一具体行为，全面的描述、对比，针对其异常表象深度下钻分析各维度、确认导致该行为数据表现的原因。如贷款产品申请：同期对比分析，确认上个月是否有发生过，对比 去年/上个季度/上月/上周/昨日的 数据的相对表现。

多事件对比分析。对比登陆、点击产品、申请事件的数据是否存在徒增。通过对比多个事件，确认徒增现象发生的范围。

所以在三个方面分析：

1. 监控程序是否异常？
2. 在哪个产品的点击增加呢？-> 对应页面做了哪些调整？
3. 是否增加了渠道引流；哪一部分用户群的播放量增加了？

交叉分析，用户自然属性（平台、性别、年龄、地域、教育学历、机型、消费能力）、行为属性（新增、回流、常活跃用户；）。

行为事件分析法来研究用户的具体操作行为对银行业务的影响，银行的运营团队可以追踪或记录用户的行为或业务过程，如用户注册、浏览理财产品页、转帐、存款等行为，通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等因素。在用户行为数据分析中，事件是指用户操作产品的某个行为，即用户在产品内做了什么事情，转为描述性语言就是“操作+对象”。事件类型包括：注册、登陆、绑卡、实名认证、交易等。

通过事件分析我们可以准确了解产品内发生的事件量，根据产品特性合理配置追踪，轻松回答关于变化趋势、分纬度对比等问题，

例如：

• 某个时间段用户信用卡开户的数据、用户数？对比昨日提升了多少？
• 某个渠道的开户数是多少？第一季度排名前十的开户渠道是哪些？
• 信用卡绑卡的安卓和ios的占比分别是多少？

2. 留存分析

留存是衡量用户是否再次使用产品的指标，也是每一个app赖以生存的指标，能够反映任何一款产品健康度，是产品、运营、推荐效果的整体表现。如果一个app从来没有留存用户，那DAU将永远是新增用户，那么产品将无法运行下去，更别说新用户成本付诸东流。

留存用户：如果用户登陆后产生的交易行为，过了一个月又产生的相应的行为，即认定该用户为留存用户。

留存行为：某个目标用户完成了起始行为之后，在后续日期完成了特定的留存行为，则留存人数+1。留存行为一般与我们的目标有强相关性，我们在进行留存分析时，一定要根据自身业务的实际需要，确定高价值的留存行为，才能对产品的优化提供指导性建议。

留存率：是指“留存行为用户”占“起始行为用户”的比例，常见指标有次日留存率、7日留存率、次月留存率等。

贴合业务属性、精细化留存过程 将对留存数据更有价值和指导意义。通过留存分析，能够剖析用户留在产品的原因，从而优化产品核心功能提升留存。

3. 漏斗分析

漏斗分析实质是转化分析，是通过衡量每一个转化步骤的转化率，通过转化率的异常数据找出有问题的环节并解决，进而实现优化整个流程的完成率。

漏斗分析是一套流程式的数据分析模型，通过将用户行为为起始的各个行为节点作为分析模型节点，来衡量每个节点的转化效果，一般通过横线柱状图呈现。漏斗分析能帮助我们清晰的地了解在一个多步骤的过程中，展示各个阶段的转化率，通过漏斗各环节相关数据的比较，能够直观的发现和说明问题所在，找出流失原因，提升转化表现。对于业务流程相对规范、周期较长、环节较多的流程分析，能够直观的发现问题。漏斗分析中我们需要清晰以下3个基本概念：

1. 步骤：这里是指用户行为，由事件加筛选条件。
2. 时间范围：指漏斗每一步发生的时间范围。
3. 转化周期：指用户完成漏斗的时间限制，漏斗分析只统计在这个时间范围的具体转化。

漏斗分析可以度量用户每个环节的转化率和整体操作转化率的对比情况，除了看到每个步骤及总的转化情况，还可以按照时间维度，来监控每一环节和总转化率的趋势。通过漏斗分析趋势图分析按天、周、月转化的趋势。

4. 路径分析

路径分析可以将纷杂的app日志按照用户的使用过程，呈现出“明确的”用户现存路径。发现路径问题，进而优化，使用户尽可能短路径体验到产品核心价值。

用户访问路径分析的价值就是基于大量用户访问行为的统计，挖掘用户访问规律，找出大家最常走的一些路，优化这些路的路径，让路径更短，提升用户体验，对于用户很少走的路，可以砍掉，为产品做减法。用户到底看上了哪一点才来的，又是因为什么原因走了，我们的忠实用户喜欢我们产品的什么？诸如此类的问题思考得更深入，更全局一点，那就是日常产品、运营或者市场部门等所关注的几大核心问题。

用户从进来到离开都做了什么，哪些是必经之路？

目前的用户行为表现是否契合产品的设计和引导，他们在哪些关键节点流失掉了？

用户偏离为其设计的路径后，选择了什么样的路径，这些路径有什么特点或者好的地方？

根据不同维度进行分类的用户群有什么行为上的相似和不同，说明了什么？

此外，路径分析不仅仅可以用于行为路径分析，也可以用于用户群体转化分析。例如：新用户中分别转化为 忠实用户、常活跃用户、潜在流失用户、流失用户的分析。

5. 分布分析

分布分析是用户在特定指标下的频次、总额度等的归类展现，分析用户在不同地区、不同时段所购买不同类型的产品次数、交易频次，帮助运营人员了解当前的用户状态。

作为运营和产品团队想要集中优化最重要的页面，需要知道关键页面浏览量的频次分布，找到对用户影响最大的页面；作为运营人员需要知道贡献值靠前的用户分群，集中资源用于中重点用户。分布分析图不仅能洞察用户行为分布规律，还能作为事件分析、用户分群等功能的重要补充。

例如，贷款业务模型一般为：收入=访问用户数 x 转化率 x 贷款金额 x 利率。

6. 归因分析

归因分析是要解决就是获客和运营的效果，其主要把资源投放到哪些渠道，随着营销获客成本越来越高，用户转化路径越来越复杂，我们需要通过归因分析找到最具价值的和最具潜力的接触点，在节省营销投放费用的同时，更好地提升用户转化。常见的归因分析方法：线性归因、首次归因、末次归因、基于位置归因等。

• 首次归因模型：在回溯期内给首次触点的转化功劳分配100%，给其余触点分配0%。
• 最终归因模型：在回溯期内，一次转化被各触点平均分配。例如，用户的一次转化接触了5个触点，那么5个触点中的每个触点都被分配20%的功劳。
• 线性归因模型：在回溯期内，一次转化被各触点平均分配。例如用户的一次转化接触了5个触点，那么5个触点中每个触点都被分配20%的功劳。
• 位置归因模型：在回溯期内，给用户的首次触点的分配40%，给末次分配40%，给其余中间位平均分配20%。
• 时间衰减归因模型 ：按用户触点发生的时间顺序分配转化贡献，距离「目标事件」发生的时间越近，用户触点分配的转化贡献越多。

在上述站内归因的例子中，如果按照时间衰减归因模型，转化贡献将会是首页Banner位贡献10%、运营位贡献20%、搜索框贡献30%、推荐位贡献40%。

具体选择何种归因分析模型来衡量和评估用户触点对总体转化目标达成所作出的贡献，需要银行结合自身的业务场景和分析需求，选择相应的归因分析模型。

随着产品内用户行为路径的日益复杂，只有通过归因分析让用户走的每关键一步都“算数”，才能合理地优化各用户触点的排列组合，高效分配各用户触点的资源投入。

没有完美的归因模型，任何模型都存在局限性和不足的，现在的互联网环境越来越复杂，触发用户的终端设备越来越多，用户从第一次触发到最终做转化决策这个过程并不是模型能够完全，准确概括的。归因一般跟用户识别、打通有密切的关系，需要有规范的数据采集流程去保证埋点的准确性，从而保证数据的有效性。

数据运营的核心在于运营而非简单的数据 ，数据运营的本质是运营。数据分析一定是为运营服务的，脱离运营本身去谈数据分析是没有价值的。想要通过数据分析解决运营的什么样的问题，人群分析，从而更好地制定后续的运营策略？或者想要从数据现象得到一定的数据洞察，从而更好地制定后续的精细化运营策略。

四、小结

用户行为分析是一门科学，善于获取数据、分析数据、应用数据，是每个人做好工作的基本功，每家企业都应该加强对用户行为分析大数据的应用，从数据中找出规律，用数据驱动企业增长。

数据分析有一定专业性，不仅需要掌握不同的分析方法，还要熟悉业务，结合业务才能给出有价值的分析结果。

数字化时代，如果银行内部不能利用数据分析做好精细化运营，将产生巨大的资源浪费，势必会让银行的运营成本高涨，缺乏竞争力。

对于银行来说，传统的数据分析主要针对结果类的数据进行分析，而缺乏对产生结果的用户行为过程的分析，因此数据分析的价值相对较局限，这也是为什么近几年很多银行感觉做了充分的数据分析，但却没有太大效果的原因。通过对用户行为的5W2H进行分析可以掌握用户从哪里来，进行了哪些操作，为什么流失，从哪里流失等等。从而提升用户体验，平台的转化率，用精细化运营使银行获得业务增长。

作者

汤向军，公众号：营销数字化转型（ID：Fi-Digital）。专注于银行数字化转型。

本文

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！