玩轉用戶行為路徑分析的三種方法

在產品的運營過程中，無論是產品、運營還是市場團隊都希望能夠清晰的瞭解其用戶行為路徑，從紛繁的用戶行為中，尋找以下問題的答案：

1.用戶從進入產品到離開都發生了什麼？主要遵循什麼樣的行為模式？

2.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？

3.用戶離開預想的路徑後，實際走向是什麼？

4.不同渠道的帶來的用戶，不同特徵的用戶行為差異在哪裡？哪類用戶更有價值？

最終通過這些問題的答案來驗證運營思路、指導產品迭代優化，達到用戶增長、轉化的最終目的。那麼如何通過海量的用戶行為數據來解答這些問題？常見的分析方法有：轉化漏斗、智能路徑、用戶路徑。

三者相通之處在於都是基於用戶行為，以上下環節的轉化率為計算核心，三者的關係就像是洋蔥，一層比一層更接近核心，更聚焦。

轉化漏斗、智能路徑、用戶路徑與用戶行為的關係

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後發現更多漏斗；用戶路徑是完整再現用戶整個轉化過程。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。以下對三種分析方法逐一解析。

轉化漏斗：以用戶引導提升轉化效果

轉化漏斗適用於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。舉例來說：

● 對一款社交APP，可以建立漏斗：打開APP--註冊--登錄--添加好友，來分析新用戶從開始使用到參與到社交的過程；

● 對於電商APP，可以建立漏斗：瀏覽詳情頁--加入購物車--提交訂單--成功支付訂單，來分析用戶從看到商品到最後支付成功的過程，各個環節的流失；

● 對於某次大促前的EDM，也可以建立漏斗：發送郵件--郵件到達--郵件打開--點擊郵件中的商品--購買商品--支付訂單。

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，進而針對性的做引導等等。

流失率對比

智能路徑：探索轉化路徑多樣性

當有明確的轉化路徑時，通過預先建立漏斗來監測轉化率會比較容易。但是很多情況下，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，這時候就需要智能路徑分析模型的幫助。

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。可以將其設置為起始事件，分析發生該行為後續的行為路徑；或者設置為結束事件，分析來源路徑。舉例來說：

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後，並不會提交訂單直接支付，這時選擇目標事件為" 加入購物車"，並設置為 起始事件，分析用戶在加入購物車後的行為路徑，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"，並設置為 結束事件 即可。

總之，智能路徑可以用來探索性的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，發現問題時，也可以在漏斗中進一步細分。

用戶路徑：步步追蹤，路徑識別分析用戶類型

區別於轉化漏斗和智能路徑，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，然後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徵，分析用戶是用完即走的目標導向型？還是無目的瀏覽型。總之用戶路徑的分析對產品運營過程都有非常重要的啟發作用。