銀行使用者行為分析要使用的6種分析模型

來源：天氣早知道釋出時間：2023-03-22 17:11

在產品的運營過程中，無論是產品、運營仍是市場團隊，都希望能清晰地瞭解使用者的行為路徑，透過使用者行為分析，最佳化使用者體驗，實現更精準的運營和營銷。本文作者分享了銀行使用者行為分析要使用的6種分析模型，一起來看一下吧。

使用者行為分析就是透過對這些資料進行統計、分析，從中發現使用者使用產品的規律，並將這些規律與網站的營銷策略、產品功能、運營策略相結合，發現營銷、產品和運營中可能存在的問題，解決這些問題就能最佳化使用者體驗、實現更精細和精準的運營與營銷，讓產品獲得更好的增長。

使用者行為將使用者做的每一件事都定義為一個事件，事件的串聯便構成了使用者的行為鏈。比如使用者貸款、存款，這都是一個事件，在什麼時間、什麼平臺上、哪一個使用者ID、點選了什麼產品、為什麼點選購買按鈕。這是一個完整的事件，也是對使用者行為的一個定義，我們可以在網站或者是 APP 中定義千千萬萬個這樣的事件。

在產品的運營過程中，無論是產品、運營仍是市場團隊都希望能夠清晰地瞭解其使用者行為路徑，從紛繁的使用者行為中，尋找以下問題的答案：

使用者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？
使用者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？
使用者離開預想的路徑後，實際走向是什麼？
不同渠道的帶來的使用者，不同特徵的使用者行為差異在哪裡？哪類使用者更有價值？

有了這樣的事件以後，就可以把使用者行為連起來觀察。使用者首次使用手機銀行後就是一個新使用者，他可能要註冊，那麼註冊行為就是一個事件。註冊要填寫個人資訊，之後他可能開始搜尋買東西，所有這些都是使用者行為的事件。

使用者行為可以用5W2H來總結：

一、使用者行為資料的獲取

使用者的行為資料並不是收集越多越好，而是有針對性地從使用者的需求角度出發，哪些行為資料對於我們分析使用者有幫助，便於我們更快的解決使用者需求問題，我們就收集哪種使用者行為資料。這些資料可以幫助我們更好的瞭解使用者，從而提升產品的設計與體驗，最佳化自己的產品，提升產品與使用者的互動效率。

使用者所有的渠道做了些什麼，在什麼時間操作的，做了哪些操作，使用者的基礎資訊等，不管仍是運營或是產品，我們需要掌握以下使用者資料：

使用者的基本資訊：使用者性別、使用者年齡、使用者職業、聯絡方式、愛好等。
使用者常訪問的頁面、產品，使用者的訪問軌跡。
使用者經常使用功能或者工具。
使用者搜尋的關鍵詞彙。
使用者長期集中在哪些時間使用。
使用者從什麼渠道來訪問銀行的產品。
使用者購買了什麼產品。
使用者的消費情況。
使用者長期瀏覽的內容哪種較多。
使用者的使用時長。

使用者行為資料的採集方式，一般採用埋點方式，分為無埋點和程式碼埋點。

無埋點是前端的一種埋點方式，在產品中嵌入SDK，最統一的埋點，透過介面配置的方式對關鍵的行為進行定義，完成埋點採集，這種是前端埋點方式之一。

程式碼埋點，這個也是目前使用的最多埋點方式，程式碼埋點分為前端程式碼埋點和後

端程式碼埋點，前端埋點類似於全埋點，也需要嵌入SDK，不同的是對於每個事件行為都需要呼叫SDK程式碼，傳入必要的事件名，屬性引數等等，然後發到後臺資料伺服器。

程式碼埋點是非常傳統、非常普遍的方式，透過寫程式碼去定義這個事件。在手機銀行裡監測使用者行為資料的地方載入一段程式碼，比如說註冊、滑動、填寫資訊等。

二、使用者行為分析應用場景

有了使用者行為資料之後，可以應用在哪些場景呢？

拉新：渠道分析、SEM分析、使用者質量分析。
轉化：新增使用者註冊轉化、Push推送、產品使用過程轉化（如產品推薦、貸款、理財）。
促活：使用者停留時長、使用者行為分佈，比如活躍度分析可根據月活躍天數分為低中高活。
留存：使用者留存分析。

三、使用者行為分析模型

使用者行為分析包括：行為事件分析、使用者留存分析、漏斗模型分析、使用者路徑分析、分佈分析、歸因分析。

1. 行為事件分析

行為事件分析方法主要用於深度研究某行為事件，以及對產品的影響以及影響程度。

行為事件分析法具有強大的篩選、分組和聚合能力，邏輯清晰且使用簡單，已被廣泛應用。行為事件分析法一般經過事件定義與選擇、下鑽分析、解釋與結論等環節。

事件定義與選擇。事件描述的是，一個使用者在某個時間點、某個地方、以某種方式完成了某個具體的事情。Who、When、Where、What、How是定義一個事件的關鍵因素。

針對某一具體行為，全面的描述、對比，針對其異常表象深度下鑽分析各維度、確認導致該行為資料表現的原因。如貸款產品申請：同期對比分析，確認上個月是否有發生過，對比去年/上個季度/上月/上週/昨日的資料的相對錶現。

多事件對比分析。對比登陸、點選產品、申請事件的資料是否存在徒增。透過對比多個事件，確認徒增現象發生的範圍。

所以在三個方面分析：

監控程式是否異常？
在哪個產品的點選增加呢？-> 對應頁面做了哪些調整？
是否增加了渠道引流；哪一部分使用者群的播放量增加了？

交叉分析，使用者自然屬性（平臺、性別、年齡、地域、教育學歷、機型、消費能力）、行為屬性（新增、迴流、常活躍使用者；）。

行為事件分析法來研究使用者的具體操作行為對銀行業務的影響，銀行的運營團隊可以追蹤或記錄使用者的行為或業務過程，如使用者註冊、瀏覽理財產品頁、轉帳、存款等行為，透過研究與事件發生聯絡關係的所有因素來挖掘使用者行為事件背後的原因、互動影響等因素。在使用者行為資料分析中，事件是指使用者操作產品的某個行為，即使用者在產品內做了什麼事情，轉為描述性語言就是“操作+物件”。事件型別包括：註冊、登陸、綁卡、實名認證、交易等。

透過事件分析我們可以準確瞭解產品內發生的事件量，根據產品特性合理配置追蹤，輕鬆回答關於變化趨勢、分緯度對比等問題，

例如：

某個時間段使用者信用卡開戶的資料、使用者數？對比昨日提升了多少？
某個渠道的開戶數是多少？第一季度排名前十的開戶渠道是哪些？
信用卡綁卡的安卓和ios的佔比分別是多少？

2. 留存分析

留存是衡量使用者是否再次使用產品的指標，也是每一個app賴以生存的指標，能夠反映任何一款產品健康度，是產品、運營、推薦效果的整體表現。如果一個app從來沒有留存使用者，那DAU將永遠是新增使用者，那麼產品將無法執行下去，更別說新使用者成本付諸東流。

留存使用者：如果使用者登陸後產生的交易行為，過了一個月又產生的相應的行為，即認定該使用者為留存使用者。

留存行為：某個目標使用者完成了起始行為之後，在後續日期完成了特定的留存行為，則留存人數+1。留存行為一般與我們的目標有強相關性，我們在進行留存分析時，一定要根據自身業務的實際需要，確定高價值的留存行為，才能對產品的最佳化提供指導性建議。

儲存率：是指“留存行為使用者”佔“起始行為使用者”的比例，常見指標有越日儲存率、7日儲存率、次月儲存率等。

貼合業務屬性、精細化留存過程將對留存資料更有價值和指導意義。透過留存分析，能夠剖析使用者留在產品的原因，從而最佳化產品核心功能提升留存。

3. 漏斗分析

漏斗分析實質是轉化分析，是透過衡量每一個轉化步驟的轉化率，透過轉化率的異常資料找出有問題的環節並解決，進而實現最佳化整個流程的完成率。

漏斗分析是一套流程式的資料分析模型，透過將使用者行為為起始的各個行為節點作為分析模型節點，來衡量每個節點的轉化效果，一般透過橫線柱狀圖呈現。漏斗分析能幫助我們清晰的地瞭解在一個多步驟的過程中，展示各個階段的轉化率，透過漏斗各環節相關資料的比較，能夠直觀的發現和說明問題所在，找出流失原因，提升轉化表現。對於業務流程相對規範、週期較長、環節較多的流程分析，能夠直觀的發現問題。漏斗分析中我們需要清晰以下3個基本概念：