行为事件分析法来研究某行为事件的发生对企业组织价值的影响以及影响程度。企业借此来追踪或记录的用户行为或业务过程，如用户注册、浏览产品详情页、成功投资、提现等，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。
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。简单的说，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。
最为高效的行为事件分析要支持任意下钻分析和精细化条件筛选。当行为事件分析合理配置追踪事件和属性，可以激发出事件分析的强大潜能，为企业回答关于变化趋势、维度对比等等各种细分问题。同时，还可以通过添加筛选条件，可以精细化查看符合某些具体条件的事件数据。
此环节要对分析结果进行合理的理论解释，判断数据分析结果是否与预期相符，如判断产品的细节优化是否提升了触发用户数。如果相悖，则应该针对不足的部分进行再分析与实证。
某互联网金融客户运营人员发现，4月10日号来自新浪渠道的PV数异常标高，因此需要快速排查原因：是异常流量还是虚假流量？
在剔除虚假流量后，运营人员可进行其他用户行为分析。通过“投资成功”事件，查看各个时段的投资金额。若想知道每个产品类型的投资金额，此时再按照“产品类型”进行分组查看即可。如图2。
图2通过神策数据了解不同产品投资成功的支付金额的总和
图3通过神策数据了解用户投资到期后提现率的变化情况
值得强调的是，行为事件分析方法是多种数据分析模型之一，它与其他分析模型存在无法割裂的关系。只有各分析模型实现科学互动和配合，能够科学揭示出用户个人／群体行为的内部规律，并据此做出理论推导，不断在工作实践中优化商业决策和产品智能。
据某第三方平台近期调研结果显示，在金融创业领域，2013年一家互联网金融创业公司的投资获客成本区间为300–500元，而2016年则涨为1000–3000元；在电商领域，新用户的获取成本，是维护一个老用户的3倍到10倍……
如今，高居不下的获客成本让互联网、移动互联网创业者们遭遇新的“天花板”，甚至陷入“纳不起”新客的窘境。而花费极高成本所获取的客户，可能仅打开一次APP、或完成一次交易，就流白白流失。随着市场饱和度上升，绝大多数企业亟待解决如何增加客户黏性，延长每一个客户的生命周期价值。因此，留存分析分析模型备受青睐。
留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。
留存分析可以帮助回答以下问题：
对此疑惑，答案显然是，当然不行！
“三月份改版前，该月注册的用户7天留存只有15%；但是四月份改版后，该月注册的用户7天留存提高到了20%。”
科学的留存分析模型具有灵活条件配置——根据具体需求筛选初始行为或后续行为的细分维度，针对用户属性筛选合适的分析对象的特点。那么，留存分析有哪些价值呢？
留存率反映的实际上是一种转化率，即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程。随着统计数字的变化，运营人员可看到不同时期用户的变化情况，从而判断产品对客户的吸引力。
通过留存分析，可以查看新功能上线之后，对不同群体的留存是否带来不同效果可以判断产品新功能或某活动是否提高了用户的留存率？结合版本更新、市场推广等诸多因素结合，砍掉使用频率低的功能，实现快速迭代验证，制定相应的策略。
上图显示，100～110级、80～90级是玩家流失较多的关卡。为精准导致玩家流失的关键因素，需要每个环节、具体场景进行深入追踪与分析，余略。
对于7日或者30日仍留下来做投资的用户，显然是一批忠诚度非常高的用户，什么样的用户群体有这么高的留存率？以4月10号这天的新用户为例，一共有1931个新用户，在第7天有68人留下来了，点击“68”这个数字，我们进入了用户列表界面。
这里值得强调的是，在任何分析模型中都支持人群明细的查看，将让用户行为分析事半功倍，如下图：
这里我们能够看到留存下来的用户的一些详细的基础信息，比如借款次数，借款金额、年龄等，通过总借款次数以及借款金额，可进行用户质量评估；通过年龄可以分析到金融平台吸引的群体用户的年龄分布。
若想深度挖掘高留存用户有哪些共性特征、具体操作流程，以作为后序产品优化与改进的借鉴，则可使用用户分群功能，命名为“4–10号7日留存用”然后通过用户路径等其他分析模型进一步深度分析。
现代营销观念认为：“营销管理重在过程，控制了过程就控制了结果。”用户行为分析之漏斗分析模型是企业实现精细化运营、进行用户行为分析的重要数据分析模型，其精细化程度影响着营销管理的成败，以及用户行为分析的精准度。粗陋的漏斗分析模型因为过程管理不透明、数据分析不精细、用户行为分析不科学而造成结果失控。因此，我们经常能够听到一些产品经理的抱怨不绝于耳：从启动APP到“支付成功”，用户转化率为何仅仅0.8%？
究竟什么是漏斗分析？漏斗分析是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。
对于业务流程相对规范、周期较长、环节较多的流程分析,能够直观地发现和说明问题所在。值得强调的是，漏斗分析模型并非只是简单的转化率的呈现，科学的漏斗分析模型能够实现以下价值：
1.企业可以监控用户在各个层级的转化情况，聚焦用户选购全流程中最有效转化路径；同时找到可优化的短板，提升用户体验。
降低流失是运营人员的重要目标，通过不同层级的转情况，迅速定位流失环节，针对性持续分析找到可优化点，如此提升用户留存率。
2.多维度切分与呈现用户转化情况，成单瓶颈无处遁形。
科学的漏斗分析能够展现转化率趋势的曲线，能帮助企业精细地捕捉用户行为变化。提升了转化分析的精度和效率,对选购流程的异常定位和策略调整效果验证有科学指导意义。
3.不同属性的用户群体漏斗比较，从差异角度窥视优化思路。
在科学的漏斗分析中，需要科学归因设置。每一次转化节点应根据事件功劳差异（事件对转化的功劳大小）而科学设置。企业一直致力定义最佳用户购买路径，并将资源高效集中于此。而在企业真实的漏斗分析中，业务流程转化并非理想中那么简单。
以市场营销为例，市场活动、线上运营、邮件营销都可能触发用户购买。A欲选购一款化妆品，通过市场活动了解M产品，后来在百度贴吧了解更多信息，但是始终没有下定决心购买。后来收到M公司的营销邮件，A被打折信息及详实的客户评价所吸引，直接邮件内跳转至网站购买了该商品。
在进行漏斗分析时，尤其电商行业的数据分析场景中，运营人员在定义“转化”时，会要求漏斗转化的前后步骤有相同的属性值。比如同一ID（包括品类ID、商品ID）才能作为转化条件——浏览iphone6，购买同一款iphone6才能被定义为一次转化。因此，“属性关联”的设置功能是科学漏斗分析不可或缺的内容。
某电商企业客户根据客户的消费能力，将客户划分为普通会员、黄金会员、钻石会员。为加强对用户的转化引导，F欲针对不同用户群体采用不同的运营方式。
通过对比，可明显看出，普通会员从“提交订单”到“支付订单”的转化率明显低于钻石会员。为找到“支付订单”阶段转化率变低的原因，F公司运营人员应深度分析普通会员转化率情况，如对比不同付费渠道（PC端、手机端等）的转化情况，找到优化的短板。另外，可以尝试支付订单流程的新手引导，帮助新手顺利完成购买。
首页推广位的效果监控是站内运营重要一环，数据的监测与分析是重要工作，它为站内优化、页面体验提升作出指导。运营人员可以通过用户的点击转化率与购买转化率可以判断页面不同推广位置效果。下图是中商惠民首页推广位“一元促销”、“清洁专场”两个Banner转化率情况对比。（注：为涉嫌商业机密，以下场景模拟真实应用场景而设，数据均为虚拟。）
除此之外，漏斗分析模型已经广泛应用于各行业的数据分析工作中，用以评估总体转化率、各个环节的转化率，以科学评估促销专题活动效果等，通过与其他数据分析模型结合进行深度用户行为分析，从而找到用户流失的原因，以提升用户量、活跃度、留存率，并提升数据分析与决策的科学性等。
用户路径分析，顾名思义，用户在APP或网站中的访问行为路径。为了衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，时常要对访问路径的转换数据进行分析。
用户路径的分析结果通常以桑基图形式展现，以目标事件为起点／终点，详细查看后续／前置路径，可以详细查看某个节点事件的流向，总的来说，科学的用户路径分析能够带来以下价值：
第一，可视化用户流，全面了解用户整体行为路径；
第二，定位影响转化的主次因素，产品设计的优化与改进有的放矢。
谈到用户路径的真实应用场景，许多企业通过第三方数据分析平台来实现，下面结合笔者实际工作中，所接触的企业案例的数据分析场景为例来介绍。
（注：因涉嫌商业机密，以下场景模拟真实应用场景而设，数据均为虚拟。）
除了零售行业以外，用户行为路径在电商行业分析也应用广泛。某电商网站客户通过用户路径分析，看出有两条主要的路径：（图略，与上图效果类似。）
对此，该电商运营人员采取针对性措施：
总之，用户真实的选购过程是一个交缠反复的过程，每一个路径背后都有不同的动机。通过用户行为路径能够清晰看到用户行为特点与背后原因。若与其他分析模型配合，会产生更佳效果，通过数据分析能够快速找到用户动机，从而引领用户走向最优路径或者期望中的路径。
用户分群数据分析方法是进行用户画像的关键数据分析模型，这是企业进行数据分析、精细化运营的第一步。用户分群即用户信息标签化，通过用户的历史行为路径、行为特征、偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析。
严格说来，用户分群分为普通分群和预测分群。普通分群是依据用户的属性特征和行为特征将用户群体进行分类；预测分群是根据用户以往的行为属性特征，运用机器学习算法来预测他们将来会发生某些事件的概率，分别从两个场景介绍下这两种用户分群方式。
以直播产品行业为例。高黏性与高频消费用户的行为观察是产品经理和运营人员工作重点。
例如某运营人员可以筛选出过去30天内、等级10级以上、有“留言”和“点赞”行为，并且付费礼物送出次数超过10次的用户，视其为高黏性且高频消费用户，对其进行分群定义后展开数据分析。
通过高黏性与高频消费用户近期的行为观察不同用户群体近期的行为表现，从而可以看出该用户群体的人均观看时长与其他用户存一些差别，如高频花费用户与非高频花费用户观看时长人均值对比。
互联网金融产品常常会用到预测用户分群的功能。互联网金融客户按照风险投资偏好这一属性分为保守、稳健和激进，按照投资行为可分为已投资和未投资。
运营人员可以根据这一属性和行为将满足某种条件的用户群体提取出来，譬如激进型但未投资的这群用户，然后分析这一群体的行为特征从而优化产品促进用户投资，或者根据其浏览的项目页面推荐用户可能会感兴趣的项目。
用户分群正广泛应用于各行业领域的数据分析过程中。为各行业带来以下价值：
用户画像是用户分群的前提，对特定属性的用户群体进行持续深入的用户行为的洞察后，该用户群体的画像变得逐渐清晰。
帮助企业了解某个指标数字背后的用户群体具备哪些特征：
清晰勾勒某特定群体在特定研究范围内的行为全貌，并定义目标人群，是运营人员信息推送的前提。运营人员根据需求对特定目标人群完成精准信息推送工作，如召回流失用户、刺激用户复购等等。当完成特定人群的精准信息推送工作，可再分析以实时全方位查看营销效果。帮助企业与用户实现精准高效的信息互通。
某互联网金融客户为“唤醒”2017年1月注册且浏览过征信页面（通过分析发现，用户浏览征信页面后，后期的留存率较高），但未进行投资的用户，并向该群体推送“将于1月20日起发行贺岁版理财，预期年化收益率高达9.50%”的信息。为锁定目标人群，产品人员可以通过用户分群筛选营销目标群体。
对完成信息推送后，运营人员可进行多维度分析，了解推送后效果。如该互联网金融客户完成精准推送后，用户可在投资流程转化漏斗中再次查看用户转化情况，评估推送或者产品优化效果。
某ToB企业客户，以投资到期之后再次投资作为留存的标准，近8周用户流失情况如下。在完成筛选工作后，企业运营人员可在用户明细页面上，直接将该用户群体进行定义，在此基础上完成精细化推送工作。
在该页面上，企业运营人员可以点击留存数值，即查看流失人群的详细信息，并可以直接创建用户分群命显示名为“流失用户”，并推送信息，以刺激其申请产品使用。
在大数据时代，为适应不断变化的外部市场环境，提升客户黏性，企业不断加速数字化营销转型。其中，提升营销效率、提高营销精准度是企业首要战略目标。以上三个场景都将“以客户为中心”理念真正贯穿精准营销的全流程，重构企业核心竞争力。
点击分析模型在各行业内数据分析应用较为广泛，是重要的数据分析模型之一。
热力图是以特殊高亮的形式显示访客热衷的页面区域和访客所在的地理区域的图示，如图。同样，点击图也是特殊高亮的颜色形式的显示。不同的是，点击图是点击分析方法的效果呈现，在用户行为分析领域，点击分析被应用于显示页面或页面组（结构相同的页面，如商品详情页、官网博客等）区域中不同元素点击密度的图示。包括元素被点击的次数、占比、发生点击的用户列表、按钮的当前与历史内容等因素。
点击分析具有分析过程高效、灵活、易用，效果直观的特点。点击分析采用可视化的设计思想与架构，简洁直观的操作方式，直观呈现访客热衷的区域，帮助运营人员或管理者评估网页的设计的科学性。
在追求精细化网站运营的路上，企业对用户点击行为的可视化分析提出了更高需求，理想的点击分析方法主要分析：
除了展示单个页面或页面组的点击图，前沿的点击分析应该能够支持事件（元素）属性、用户属性的任意维度筛选下钻；运营人员可以按照事件属性和用户属性进行筛选，对特定环境下特定用户群体对特定元素的点击进行精细化分析；支持查看页面元素点击背后的用户列表，满足企业网站的精细化分析需求。
前沿的点击分析应支持网页内点击跳转分析——在浏览页面点击图时，使用者能够像访问者一样，点击页面元素，即可跳转至新的分析页面，且新的分析页面自动延续上一页面的筛选条件。同一筛选条件下，运营人员可抽丝剥茧般完成网页深层次的点击分析，操作流畅，分析流程简易、高效。
无法精细化地深入分析，会让网页设计与优化丧失了科学性。点击图呈现用户喜爱点击的模块或聚焦的内容，是数据价值最上层表现。当“点击分析”与其他分析模块配合，交叉使用，将数据和分析结果以多种形式可视化展现，运营人员即可深度感知用户体验。例如，改版后，如何评估新版本对用户体验的影响？一处修改，是否影响其他元素的点击……等等。再如A/B测试，反复验证优化效果选择最优方案等。
（注：图片所涉及的数据，均为模拟业务应用场景下的虚拟数据）
通过上图我们可以看到：
用户在该页面频繁地点击商品的图片，和已购买的人数。
显然，用户在购买前希望了解更多的商品信息，尤其是图片、已购买用户的评价，进而决定是否下单。然而，在更深入分析页面时发现，商品图片只有1张且不支持查看大图，又无法查看用户评价。通过查看网站的历史数据，每天大约有50%的用户来浏览的都是这样的商品详情页。因此为了优化目标页的用户体验，可以：
从商品详情页的点击图中，右侧边栏中“我的心愿单”这个按钮被用户，尤其老用户点击率很高。以此为参考，为页面改版找到一些方向：在合适的位置新增“加入心愿单”按钮。
改版后，产品人员再次通过点击分析工具评估效果时发现，“加入心愿单”按钮的点击率达到30%，而“立即购买”按钮的点击率只下降了1%，图略。说明这次改版对“立即购买”按钮的点击率的冲击程度不大，并不会影响页面的最终转化。
“加入心愿单”是否对用户转化造成影响？产品人员可通过用户路径“加入心愿单”操作的频率和人数，或者通过留存率判断用户黏性的强弱变化……
改版后客户的转化率为3.17%，可与改版前的转化率相比，若变高，则说明此次是一次比较成功的改版。如此判断“加入心愿单”是否是用户真实存在的需求，是否能对增加用户忠诚度产生贡献。
企业官网是企业潜在客户的指路牌。某ToB企业官网运营人员，根据用户的官网访问时长、用户行为路径、活跃度、注册与否等因素，将用户细分为“单纯浏览者”、“信息收集者”、“购买需求强烈者”三类。运营人员事先按照自定义规则，将三类访客进行用户分群。接下来，在“点击分析”功能模块中，分别筛选出三类人群，并查看其页面点击情况。下面以“单纯浏览者”、“信息收集者”两类进行介绍。
1.用户群体之“单纯浏览者”的点击分析与优化方法
2.用户群体之“信息收集者”的点击分析与优化方向
综上，点击分析模型在各行业内数据分析中应用较为广泛，是数据分析重要分析模型。
王小明昨天下午在i百联通过个性化推送买了一双NIKE球鞋，张小花今天十点在融360上注册后领取了新人基金，某白领晚上六点在五道口区域扫码一辆ofo小黄车并报修了它……
基于这样用户角度的行为记录，产品方可以知道他们的用户都具体干了什么事情。并对自己的产品做出精细化运营，但是，还有一些需求，是不能通过“点”来描述的，比如：
这些需要把用户单点行为串联起来形成一个整体，并在此基础上进行计算后才能得到的数据分析需求，更像是一条“线”。而Session分析的最大意义，就是解决用户分析中的“线”型难题，从不同角度指导精细化运营与商业决策。
假如王小明打开某企业官网了解信息，点击了DEMO按钮，并进行了注册试用行为，然后就被领导叫去开会，四十分钟后又跑回来继续浏览页面，这是几个Session？
图2平均访问时长
平均交互深度和平均访问深度定义虽有差别，意义却很相似，都是衡量Web/APP质量的重要指标，可以帮助企业了解页面内容的价值，功能是否满足用户需求，指标的具体意义需要依照业务判断。
图4平均交互深度
营销推广中一个非常典型的需求是需要知道不同渠道带来的注册、购买等转化情况，该需求本质上，就是需要界定Session，然后按渠道属性查看注册、购买等事件的转化数量。
在业务流程中，了解用户的行为路径，有助于运营同学找到用户大量流失环节，衡量网站营销推广效果，产品同学验证用户行为流与初步设想进行对比，完善功能，优化用户体验。