移動互聯網大數據用戶行為分析

A. 大數據技術中，關於用戶行為分析方面的有哪些技術

做用戶行為分析的基礎是獲得用戶行為數據，例如用戶頁面停留時間、跳轉來源等等。這些信息有些能直接拿到，有些是需要做一些計算才能拿到的。一般來說用戶訪問時的一些信息都是以日誌的形式打到web容器的日誌空間中去，這其中包含了最通用的一些訪問信息以及一些自定義的日誌打點。

題主提到了大數據技術中對用戶行為進行分析，那麼可以假定網站或者App的訪問量是比較傲多的。由於系統流量比較大，計算維度又比較多，後續數據消費者的需求增長比較快，所以對計算分析平台有了一定的要求。具體表現為：
1.負載能力。流量增大以後帶來的壓力是多方面的，比如網路帶寬的壓力、計算復雜度帶來的壓力、存儲上的壓力等等。一般來說這些都是比較顯而易見的，會對產生比較直接的影響，比如計算實時性下降、消息出現了堆積、OOM等等。為了解決這一現象，一般來說會選擇一些分布式的框架來解決這個問題，比如引入分布式計算框架storm、spark，分布式文件系統hdfs等。
2.實時性。在系統資源捉襟見肘時消息的實時性會立即受到嚴重影響，這使得部分演算法失效（例如對計算和收集上來的數據進行行為分析後，反饋到推薦系統上，當整體響應時間過場時會嚴重影響推薦效果和准確度）。對於這個情況來說可能會選擇storm這種具有高實時性的分布式流式計算框架來完成任務。
3.系統管理和平台化相關技術手段。在大數據情景下，企業內數據環境和應用環境都是比較復雜的，用戶行為分析應用不是一成不變的，那麼就要求用戶行為分析這種多變的應用在復雜環境中能有效生存，這包括演算法數據材料的獲得、系統運維、系統任務調度、系統資源調度等等，相關的技術很多時候要求團隊自研，但也有ganglia、yarn、mesos這類開源系統可以參考或者直接使用。
4.數據鏈路。企業技術環境一般來說是非常復雜的，一層一層交錯在一起，遠不是一句MVC三層架構能夠概括得了的，為了避免消息流通呈復雜的網狀結構，一般會考慮應用服務化、企業服務匯流排（ESB）及消息匯流排來做傳輸，有興趣的話題主可以網路一下這幾個方向的技術和開源工具。
5.應用快速生成工具。我個人認為在大數據環境下應用都擺脫不了一個快速開發的要求，用戶行為分析也是如此，這時候要考慮對接一些開源的分布式數據分析演算法庫而不是通過自己去實現，比如像spark ml，mahout這類的庫用得好能減少很多工作量。

B. 互聯網 ＋ 媒體之移動互聯與用戶行為

移動互聯網正是我們要面對的未來 ，這在中國尤為明顯的。截至2014 年5 月，全球移動互聯網使用量占互聯網使用總量的25% ,亞洲更是達到 37% 。2014 年6 月，中國手機上網比例首次超過 PC 機上網 比例，手機網民規模增長超八成 。

在移動時代，媒體的疆域也在拓展 。移動媒體等於新聞客戶端 嗎？當然不是。移動媒體 ＝ 內容媒體 ＋ 關系媒體 ＋ 服務媒體 。從 2013 年開始中國網路媒體發生了 三個方向的轉型，即視頻化、社交化、移動化，當然這三個方向的轉型最終都會落腳在移動化這樣一個基本前提上。

在研究中國移動媒體發展趨勢之前， 需要了解今天的用戶正在變成什麼樣 。2014 年10 月，企鵝智酷分兩輪進行一共涉及 20 萬名移動終端用戶的調查，調查沒有試圖覆蓋移動用戶的全體，而是重點考察 移動媒體的相關使用移動終端的行為，以揭示新聞資訊消費及其相關的社交 、娛樂和其他服務的用戶行為偏好 。

·移動終端使用習慣

首先，移動互聯網這個概念進入中國的時間並不長 ，但是在短短幾年內，使用移動終端的用戶已經變成重度用戶 ，在被調查的用戶中 ， 每天使用移動終端超過 5 小時的用戶在所有的時長比例中是最高的 ， 超過 26% 再加上每天使用 3 - 5 個小時這個區間的用戶 。有將近五成是移動終端非常重度的用戶 ，近半數用戶會在 2 1 - 24 點之間使用移動設備 ．他們除了把工作學習之外的大部分時間都貢獻給了移動互聯網或者移動媒體， 而且從使用時間來看，基本上他們的夜生活都是和移動終端相伴隨的。

當用戶越來越多地使用移動終端時，他們在看新聞上的使用比例也是超乎尋常的高 。近七成用戶更多地使用移動終端閱讀新聞資訊，主要依賴電腦看新聞的用戶降至不到 一成。新聞的使用在所有用戶下 載的 App 中比例是最高的，而且新聞和社交這兩個詞現在像影子 一樣， 很難分離，也就是說所謂的 無社交不新聞 ， 在今天的用戶身上已經變成現實。

在被調查的用戶中 ，在三個問題上回答 」是＂的用戶都有將近八 成，

第一個問題：是不是在社交媒體上分享新聞 ？

第二個問題：是不是因為社交平台而增加了某些新聞的關注度？

第三個問題：是不是會因為社交平台的使用而增加對新聞的了解？

對移動媒體用戶來說，新聞消費是他們最重要的需求 ，除此之外 ，他們對新聞之外的那些領域有著 廣泛的興趣 ，娛樂當然也是移動媒體的重頭戲。在娛樂領域中游戲 、 小說和音樂這幾項幾乎是差不多的 。值得關注的是在超過 1 0 萬名用戶調查 中，視頻客戶端使用者佔比僅次於新聞客 戶端 ，視頻客戶端既是播放工具，也是綜合媒體。

同時，值得關注的是，今天的移動終端對很多用戶來說已經變成他們生活和服務的一個平台。差不多有二成用戶在移動終端上有過對娛樂的內容付費的經歷，這對相關產業來說是一個好消息 ，他們願意 為娛樂內容花錢 。但同時也要看到 ，還有 40% 的用戶表示，不管是現在還是將來 ，都不願意花錢買娛樂 ，所以培養用戶的這樣一種付費習慣，在內容包括娛樂內容這樣的領域中， 應該還是有一段路要走的 。當然，移動支付在今天已經變成非常普遍的行為， 2014 年「雙十一」的數據就是最有力的證據 。

另外 ，在移動服務領域中，應該說在線教 育 、 在線醫療以及在線商務應該是大有可為的領域 。將近六成網民作這些方面都表現出了興趣 ，當然還有一些網民已經嘗試過這方面的應用了 。今天 ，當服務成為人們越來越多的普遍需求 時 ，怎麼樣把內容媒體和服務平台打通 ，這可能是在移動終端的媒 體開發方面一 個非常重要的考慮。

•移動時代的場景

今天這樣一個所謂的移動時代，實際上也是一個場景的時代 。這個場景，有時候可能偏向空間環境的一種描述和研究，有時候可能偏向人們在某種特定的情境下的行為研究，不管是哪一種，今天網民在 移動終端上的行為都是和具體的環境相依託的 。在今天的移動客戶端使用上，除了一般性的休閑時間外，衛生間和床也是人們最常使用客戶端的場景 。

近半數用戶會在休息或閑暇時間訪問移動媒體 。超六成用戶會在碎片時間里訪問移動媒體， 這些笑話 、 段子等內容的機會笑話 、 八卦、段子不夠 「高大上」其實它們已經自成媒體，且廣受歡迎 。

移動媒體進一步細分 ，會給文史化帶來市場，但亞文化終歸是調味料 ，不能成為移動迅速發展的必要條件。

多年前，大家討論未來網路媒體會不會沖擊紙質媒體時，當時有人很自豪地說他可以把報紙搬到衛生間去， 你能把電腦搬去嗎 ？當時很難做出評論，但是今天發生了很大的變化， 所謂的衛生間讀物正在從過去傳統的報紙雜志轉變成手機和移動終端 。

另外，在我們移動空間里的場景正在轉變為公交的 一個新的情境 。同樣地，過去在公交車上 、在地鐵上經常看到的大家手捧一本書或看報紙的情境也正在被大家低頭看手機的場景所替代 。這是整個移動場景發生的一個很重要的變化， 對移動終端消費者來說，其實有時候可能他們的場景考慮主要是看是不是更便宜 一些，或者手邊是不是有電腦 。但是調查也發現，有將近 1/3 的用戶會不假思索地在任何場景下 、任何情況下選擇用移動終端購物 ，這一點也是超乎想像的 。

1場景的要素之一：

空間與環境移動時代，除了社交成為媒體的新要素， 更應該注意場景這個新要素 。場景進一步細分為兩種：第一種是固定場景， 即人們日常生活的環境，與生活習慣相關，是一個 「常量」，這種常量的變化從調查結果來看，過去更多的是在客廳、書房， 現在轉向了衛生間、床上這樣更私密的地方，這是固定場景中的誕生 。

同時，吃飯 （餐桌）這樣過去很少被電腦終端 」侵入」 的場景，今天已經受到移動終端的普遍干擾 。

移動終端在改變家庭中的媒休使用場景的同時， 也在影響家庭成員的關系，家庭成員之間交流的因素逐漸增多 。如何針對家庭這樣的場景開發新功能，彌補斷裂的家庭成員關系，促進家庭成員互動，應該是未來移動產品設計的一個重要方向 。 在如今的學校或單位里， 移動互聯網的使用已經打破工作與學習場景中本應具有的 「封閉性」 與 「專注性」，使得工作、學習與休息、 娛樂這幾者之間的界限被模糊 。這也突顯了移動信息消費的碎片化特徵。

另一種是移動場景 ，即人們在活動中「遭遇」 的環境 。比如當一個客戶在書店時，他是從家裡趕過來的， 還是剛才逛了旁邊的商場順便到書店來的，這兩種情況完全不同 ：他到書店來 是 一個非常認真、非常努力的行為 ，還是很隨意的順便溜達的行為 。因此，對他之前的方位、 之前的需求的了解有助於更好地判斷他此時此刻的需求 。接下來往後延 伸，就是把他引導到新的地方去，他看完書以後把他引導到附近的電影院還是徑館．這也是對場景的挖掘 。 這 是今天在做移動媒體時需要進一步研究的方向 ，也是商業應用的方向。

羅伯特 ·斯考伯 和謝爾 ·伊斯雷爾存 《即將到來的場崇時代 》中 寫道 ：＂移動互聯網時代，場景 （情境）的意義被極大強化，移動傳播 是基於場景（情境）的服務， 即對環境的感知及信息 （服務）適配。與 場景時代相關的五個因素是大數據 、移動設備 、社交媒體 、 感測器 、 定位系統 。」 可見場景應用一定是未來移動媒體的引爆點 。

移動場崇分析與應用分為三個階段 。第一個階段 是 ：從哪裡來， 分析用戶此前的空間與當前空間的關聯性，分析用戶此前的行為與當前行為的關聯性 。 第二個階段是 ：現在哪裡，分析與滿足用戶此刻在此場景中的需求。第三個階段是：要去哪裡 ．為用戶提供行動路線的導航 、 為用戶提供新的需求的誘導。

隨著信息超載 ．越發突顯個性化需求，人們移動傳播深化， 空間場景成為新變數 ，同時大數據為個性化信息服 務提供）。 「今日頭條「 等推薦試圖解決基於個體偏好的個性化。接下來 、 對場景、情境適配的個性化將是新的方向 。。。 比如 Breaki ngNews.com 在客戶端應用「讓新聞追看用戶跑」 的新思維 ，報道中嵌入地理位置信息 ，通過 GPS 找到用戶 ，實現新聞精準推送。

2 場景的要素之 二：

用戶的實時狀態無論是固定場景還是移動場景 ，人們的實時狀態都會與空間因素共同作用。用戶的實 時狀念包括其自身的數據，也包括他們感興趣的環境信息。過去想要搜集用戶實時信息可謂天方夜譚 ，如今可穿戴設備的出現使這個維度的數據採集和實時數據成為現實。

2014 年網路發布的可穿戴設備網路眼 ( BaiEye), 正是試圖定位於某些特定空間中的信息採集和個性化服務， 如商場和博物館 。當人們身在博物館時 ，他們感興趣的展品， 與其視線相關，網路眼了解了 用戶感興趣的展品後，可以自動獲取與這些展品相關的信息並通過語 音傳送給用戶。

除了可穿戴的移動設備， 固定設備也能夠實時監測分析用戶行為 ， 如阿根廷公司 Shopperception 通過設置在天花板上的立體感測器，即時了解到顧客看了什麼商品、在哪些地方停留 、購買什麼商品需要多長時間等移動狀態下的用戶行為 。

英特爾推出的環境感知營銷解決方案， 則將用戶實時數據的採集推向了進一步的應用層面 。當一位消費者路過基於英特爾酷睿處理器的數字廣告牌時 ，英特爾廣告框架技術可分析根據天氣、 社交媒體 ， 以及包括顧客年齡 、性別和手機在內的信息， 調整內容和用戶界面， 使其與受眾更具相關性 、更加個性化。

3 場景的要素之三 ：

用戶生活慣性 人們在各種場景下的需求與行為模式，通常被認為是以往生活經驗的慣性延伸 ，而在如今的 DT 時代 ，基於可穿戴設備， 可將用戶的生活慣性以更加准確的方式識別、 匹配、分析、儲存。

英國維珍航空公司在 2014 勾勺初開展了一項實驗，利用谷歌眼鏡和索尼智能手錶，精準實現頭等艙乘客識別，狄取飲食偏好 、上次出行信息、目的地信息等，以快速提供個性化服務。

4 場景要素之四：社交氛圍

在 《即將到來的場景時代 》一書中，兩位作者將社交媒體也列為 場景時代的一個重要元素，並指出，正是通過在線交談，我們明確了自己的喜好、所處的位置以及我們所尋求的目標 。這些內容使得技術可以理解 「你是誰」、 「你正在做什麼」以及 「你接下來可能做什麼 」 等場景。可見，社交媒體中用戶及其相關者的數據分析， 可從另一維度，為場景分析提供支持 。

需要注意的是，場景分析的最終目標是提供特定場景下的適配信息或服務 。服務適配比信息適配的范圍更廣 、手段更多樣 、滿足的需求更多元，但無論是對信息還是服務的適配，都與一定的形式適配相 關聯。從信息推送的角度看 ，適配不僅意味著內容與場景的匹配，也意味著形式與特定場景下的閱讀需求相適應 。

對於移動媒體的內容 生產者來說，如今的一個重要目標是通過自己的努力，將文字的精華，通過其他表現形式，如信息圖表和 PPT , 進行提煉與再呈現 。因此，今天的移動媒體的標題中，越來越多地出 現了「一分鍾讀懂」「兩分鍾了解」「 八張圖讓你知道」 等字眼。當然 ， 這還只是移動閱讀式的 ，不同場景信息閱讀的個性化特點如何在呈現形式上做出述說還需要今後進一步探索。

當移動媒體在內容媒體 、 關系媒體、服務媒體三個方向上拓展時，

移動媒體的主要任務就是完成信息流 、關系流與服務流的形成與組織 。 擁有強勢的 「流」 的平台，也就有成為 「入口的潛力」。當越來越多的信息與服務依賴場景這一變化時，場景本身可以成為信息組織、關系組織與服務組織的核心邏輯， 可以成為信息 － 關系 － 服務等幾者聯結的紐帶，場景本身可能成為移動媒體的新入口 。

盡管今天我們討論場景的意義時 ，更多的是試圖把場景的分析作為設計新產品、提升服務質址的依據 。但應該看到的是，移動傳播帶來的信息消費場景或社交場景的變化 ，並非都是在向著更人性、更友 好的方向發展，甚至它可能是在一定程度上侵蝕人的良好天性， 破壞人與環境 （空間的或人際的）的友好關系 。因此 ，對場景的開發與應 用，也應該保持一定的警惕與節制 。未來的移動服務提供商，未必是要將自己侵入每個場景中的某些時候，場景分析的目標也許並不是滲透 ，而是規避。

C. 大數據技術中，關於用戶行為分析方面的有哪些技術

未至抄科技顯微鏡是一款大數據襲文本挖掘工具，是指從文本數據中抽取有價值的信息和知識的計算機處理技術,
包括文本分類、文本聚類、信息抽取、實體識別、關鍵詞標引、摘要等。基於Hadoop
MapRece的文本挖掘軟體能夠實現海量文本的挖掘分析。CKM的一個重要應用領域為智能比對,
在專利新穎性評價、科技查新、文檔查重、版權保護、稿件溯源等領域都有著廣泛的應用。
數據立方是一款大數據可視化關系挖掘工具，展現方式包括關系圖、時間軸、分析圖表、列表等多種表達方式，為使用者提供全方位的信息展現方式。

D. 為什麼要進行用戶行為分析

對於C端產品來說，用戶就是你的目標，不分析用戶，你難道在盲目的自嗨么。所以不以用戶利益為目標的產品經都是搗蛋鬼。

E. HCR大數據戰略之三：全景洞察的消費者畫像模型

當前，基於大數據與標簽化思路的消費者畫像分析，成為B2C企業深入認知目標消費者特性的重要工具，並在電商、DSP廣告等互聯網企業發揮作用。越來越多的傳統B2C行業，也開始重視其價值。同時，更多的數據資源方(如運營商等)也希望憑借其大數據資源上的消費者畫像服務，獲得更多的衍生收入。

消費者畫像，本質作為消費者研究的一種量化形式，核心問題仍然是消費者的洞察。而HCR作為市場研究公司，在消費者研究方面有著長期的模型積累和經驗豐富的研究人員。如今，HCR藉助自身研究優勢，同時吸取其他系統優點，建立推出真正具有全景、深入洞察能力的消費者畫像模型。

HCR消費者畫像模型體系由兩大部分組成：標簽體系與相應的分析模型。首先我們來介紹一下標簽體系。

已經完成的標簽體系中，設計用戶標簽近200個(根據業務/.研究深入在不斷擴展中)，共分為5大類，如下圖(限於篇幅圖中僅列舉部分標簽)

數據來源 : 大數據平台部@HCR

HCR用戶標簽體系所具有的全景刻畫能力，主要表現在：

l 提供對消費者更全面的刻畫維度。當前眾多標簽體系(以電商和在線廣告為代表)基本是面向精準營銷和個性化推薦為目的，雖然也號稱全景，但實際標簽集中於購買興趣/愛好和消費傾向這些與後續營收相關的用戶特性。而這只是HCR用戶標簽的一個子集(第四大類)。仔細研究HCR的標簽體系你會發現，除了興趣愛好外，HCR的基本屬性、社會/生活屬性與行為習慣的相關標簽類，真正從消費者實際日常生活的更多基本角度(如健康/車輛使用/住房/移動通信/居住/日常交通等等)全面立體地描述消費者的特性。

l 標簽的刻畫粒度也更加細化。比如年齡段，常規的多採用70後/80後/90後這樣的劃分原則，而HCR除此之外還能提供更多描述粒度，如中學生/高中生(甚至高三學生)/大學生… 這對發現和細分目標用戶更有價值。

而HCR用戶標簽的深入洞察能力，則主要表現在：

l 更加豐富的標簽體系帶來更多洞察可能，但這還不夠，HCR首創引入了心理學屬性標簽(第五大類 共30多個)，融合了消費者研究的思想，以生活方式/個性/價值觀等深層標識，來揭示消費者的內在特性，使得我們能夠深入探查消費者的本性，也使得畫像結果有更泛化的應用價值。

l 更深入的演算法模型。基於標簽體繫上的分析演算法模型，在標注精度和廣度上都有了更大進步(見後面詳細介紹)

l 標簽的標注結果，加入程度指標來細化，這樣更准確地區分消費者對某種特性的貼近程度(如愛好游戲可分為輕度、中度和重度三種程度)。這對於更准確地理解消費者大有幫助。

與標簽體系一樣，HCR的標簽分析模型也具有獨特而有效的的分析方法。

l 主要通過行為類數據為分析依據

在標簽分析中，主要藉助行為類大數據(而非直接的屬性數據)來推演得到相應結果(如不是基於客戶身份證信息推導其性別標簽)。 這樣的方法，難度大，需要對行為理解更深入，但可以避免涉及大量用戶敏感信息，同時也更具有更好的適用性。

HCR認為，用戶的行為數據(當前主要為線上行為)主要由下幾種行為場景模式組成(這里瀏覽包含網頁與視頻)。當市面上大多數標簽研究聚焦於搜索/瀏覽和購物行為數據時，我們選擇了手機App使用行為這個獨特的突破口。

數據來源 : 大數據平台部@HCR

HCR消費者畫像分析團隊由HCR資深消費者研究員與大數據平台部挖掘演算法人員組成。雙方配合探索研發兼具研究與技術分析優點的可計算模型。

n 行為規則庫抽象用戶行為模式： 因為消費者的日常行為會反映其個人特性(標簽)，因此通過行為模式的推理就能為消費者打上相應標簽。相比其他方案，HCR通過研究員團隊，，把消費者行為推理思路進行抽象，得到可以用於自動分析的方法規則，記錄到規則知識庫。該規則知識庫是對消費者研究的經驗濃縮，覆蓋大量常規行為場景，並具有相當的洞察深度(如可以推演出生活方式等深層次標簽)，這是當前基於純技術驅動的分析方法所無法做到的。

n 規則推演引擎自動分析常規標簽標註：基於分析規則庫，挖掘演算法人員研發了智能推演演算法與自動處理程序，可快速計算消費者相關行為的統計/分布特性，並結合規則庫自動計算得到消費者的標簽(以概率值形式代表可能性)。自動推演引擎解決了符合規則特徵的海量用戶的標簽快速推演，模式具有獨創性，相關演算法正申請專利中。

n 機器學習演算法給更多消費者打標簽。實際分析中，很多標簽所對應的行為特點是隱性的，無法被發現和規則抽象。此時，挖掘演算法人員進一步通過機器學習演算法(有監督學習加推薦計算)，通過已標注標簽的消費者的行為特性，來推導大量未標注/新用戶的特性標簽，。這種機器學習的模式通過已分析消費者的結果，極大擴展了標簽可標注的用戶范圍。

在初步建立相關分析模型後，我們對移動互聯網用戶的App使用行為大數據進行了標簽分析的初步試驗。目標數據來自HCR HiMobile業務的數百萬移動互聯網匿名用戶的長期(2個月連續)App使用行為，共300多億記錄)，得到了良好的效果。下圖是其中某匿名用戶分析得到的實際畫像結果，非常具有代表性。

數據來源 : 大數據平台部@HCR

從圖里可以看出，該匿名屬性用戶的特性通過行為已被畫像結果有效勾勒出來(所有標簽通過可信度概率標示，右側灰色內容為分析得到的心理學屬性標簽)。無論目標描述的特性范圍和深度，都比其他系統有較大的優勢。

在大數據產業鏈中，HCR的定位是數據洞察者。而消費者畫像分析作為典型的研究洞察服務，將逐步成為HCR的核心競爭力，在未來得到不斷地加強和廣泛應用。主要的應用模式包括：

l 作為HCR所有消費者研究業務的基礎分析功能，幫助研究員在研究業務中洞察消費者的群體/個體特性。

l 為具有消費者畫像能力的企業(如電商)，提供更多角度的用戶畫像分析結果，作為其自身用戶畫像的有效補充，從而大大增加其產品推薦的精度與適用性。

l 為具有用戶行為大數據但缺乏用戶畫像能力的大量B2C企業(尤其移動互聯網企業)，以標准化API的方式，提供快速的標簽化分析服務，幫助企業輕松獲得用戶標簽化分析能力，從而將分析結果輕松應用於後續的業務服務中

在後續的研究工作中，HCR的消費者畫像團隊將繼續完善現有行為規則庫和演算法模型。並針對更多行為數據空間(如搜索和瀏覽)，擴展標簽的分析能力，力求使HCR消費者畫像分析成為最具競爭力的消費者洞察服務。

F. 用戶行為特徵

用戶行為特徵

用戶行為特徵，對於運營來說用戶的行為是需要關注的一個點，很多時候用戶的行為決定了一個網站甚至是一個軟體能否繼續運運營下去，所以通常都是要對於用戶行為特徵進行一個分析，下面一起看看相關內容。

用戶行為特徵1

用戶行為是用戶在產品上產生的行為，實際表現為相關的用戶數據。產品經理運用不同分析方法對不同數據進行分析，進而為產品迭代和發展提供方向。

一、用戶行為是什麼？

1、用戶行為

用戶行為是用戶在產品上產生的行為。我們以小明的case具象化用戶行為表現：

因為小明關注作者的信息被記錄了下來，當該作者有發布信息時，則會通知所有關注他的人，而小明也是其中之一。

小明關注作者的信息記錄，則是行為數據。小明的行為數據會有 啟動app、瀏覽、查看圖集、播放視頻、點贊、關注作者……

2、用戶行為數據

用戶行為數據是從一次次的行為中而來的，行為數據是通過埋點進行監控（相見埋點介紹）、後續一篇文章將介紹如何（設計埋點）。通常是數據同學完成埋點設計，由開發完成監控程序 或 調用SDK。針對小明的行為（假設以下均已埋點）：

3、用戶行為分析

是指對用戶行為數據進行數據分析、研究。

4、用戶行為分析的作用

（1）通過用戶行為分析，可以還原用戶使用的真實過程。

一個xxx的人在什麼樣的環境中（由於什麼樣的行為）在時間點做了xxx事情做了什麼事情結果如何

（2）「了解用戶，還原用戶」是「以用戶中心」的第一步。只有詳細、清楚的了解用戶的行為習慣、真實的使用路徑、進而找出 產品使用、渠道推廣等過程中存在的問題，提高用戶/頁面/業務過程中的轉化率。

（3）用戶行為分析（case需要補充）可以用於

A、拉新：渠道分析、SEM分析、用戶質量分析、

B、轉化：新增用戶注冊轉化過程、產品使用過程轉化（搜索、推薦等）、push推送調起過程、站外拉起過程

C、促活：用戶停留時長、用戶行為分布、

D、留存：用戶留存分析

E、商業化：根據用戶歷史行為展示廣告

二、如何進行用戶行為分析？

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。

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、確認導致該行為數據表現的原因。如快手的播放量徒增:同期對比分析，確認歷史上是否有發生過，對比 去年/上個季度/上月/上周/昨日的 數據的相對表現。多事件對比分析。對比瀏覽量、點贊、評論、分享事件的數據是否存在徒增。通過對比多個事件，確認徒增現象發生的范圍。維度下鑽：由於播放量取決於3個部門用戶在快手消費視頻，被監控程序上報。

所以在三個方面分析：

監控程序是否異常？在快手哪個頁面的播放量增加呢？是發現、關注、還是同城？-> 對應頁面做了哪些調整？是否增加了引流；哪一部分用戶群的播放量增加了？交叉分析 用戶自然屬性（平台、性別、年齡、地域、教育學歷、機型、消費能力）、行為屬性（新增、迴流、常活躍用戶；直播用戶、短視頻用戶…、）、視頻屬性（視頻類型、作者類型…、）

2、留存分析

留存是衡量用戶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從來沒有留存用戶，那DAU將永遠是新增用戶，那麼產品將無法運行下去，更別說新用戶成本付諸東流。

貼合業務屬性、精細化留存過程 將對留存數據更有價值和指導意義。通過留存分析，能夠剖析用戶留在產品的原因，從而優化產品核心功能提升留存。

留存的類型：

用戶留存：用戶使用app後，經過一段時間仍舊使用。功能留存：用戶使用xxx功能後，經過一段時間仍舊使用該功能，且其他功能均有所變化。此時，該功能對用戶留存有正向作用。先前有寫過 留存分析的文章，這里就不贅述了。

3、漏斗分析

漏斗分析實質是轉化分析，是通過衡量每一個轉化步驟的轉化率，通過轉化率的異常數據找出有問題的環節並解決，進而實現優化整個流程的完成率。

在產品初期(處於與市場適配的階段)：通過漏斗分析找到用戶觸達的瓶頸，幫助用戶觸達產品核心價值，真實反映MVP與市場匹配程度；在產品中期(處於用戶平穩增加的階段): (1)通過漏斗分析優化渠道，找到目標群體用戶; (2)通過漏斗分析優化用戶在各模塊的體驗(基礎的登錄模塊、產品核心價值模塊: 如抖音的播放模塊、淘寶的購買模塊等)；在產品後期(處於用戶價值產出的階段): (1)通過漏斗分析可以改善用戶生命周期(優化用戶體驗提高用戶生命周期，間接拉長用戶群體的價值產出的時間長度，減少高價值用戶群體的流失)；(2)可以通過漏斗分析優化商業化模塊，像商品的購買過程（購物車-提交訂單的轉化漏斗）、廣告的曝光點擊等，提高生命周期中單位時間產生的價值。

4、路徑分析

路徑分析可以將紛雜的app日誌按照用戶的使用過程，呈現出「明確的」用戶現存路徑。發現路徑問題，進而優化，使用戶盡可能短路徑體驗到產品核心價值。

通過路徑分析，可以了解到像小明這樣9點左右播放視頻的用戶：他們是通過push點擊而來，這部分用戶佔比是多少；他們匆匆結束播放，再也沒有下一步行為，這部分用戶佔比又有多少。針對他們利用碎片化時間播放視屏的場景，尤其是突然退出的'場景，是否在下一次打開app時，仍舊打開終端的視頻。是否有其他策略可以針對該場景來優化？

此外，路徑分析不僅僅可以用於行為路徑分析，也可以用於用戶群體轉化分析。例如：新用戶中分別轉化為 忠實用戶、常活躍用戶、潛在流失用戶、流失用戶的分析。

5、用戶分群分析

通過了解用戶畫像，可以幫助運營理解用戶。根據用戶畫像（基本屬性、用戶偏好、生活習慣、用戶行為等）的標簽信息將用戶分群。

通過用戶分群行為表現對比，可以進一步了解不同群體對產品的反饋，有針對性的優化產品。

發現中 西南地區的低端機型使用app時，奔潰率特別高，開發可以針對該點進行優化、降低奔潰率；可以針對不同的用戶群體的行為表現 做 定向投放、push等，從而實現精細化運營。業內的商業化行為分析產品，基本上將用戶畫像的生成、標簽的過程均合並在用戶分群的群體定義中，降低了操作流程。

三、用戶行為分析的完整鏈路

以小明為case的用戶行為每天數以萬/億計的產生，如何對「這類人群」進行「行為分析」？需要行為分析將明細級別的日誌聚合後再以較為可讀的形式展示出來。

為了保障埋點可靠、數據上報及時、行為數據分析有效。需要一套完整的用戶行為系統，包括從數據埋點設計、埋點開發、數據上報、數據模型開發、行為數據分析。 過程中也需要多方協作完成，如何保障多方協作中高效、便利的完成、產出具有業務價值的數據分析結論。後續將介紹服務於用戶行為分析的相關平台介紹。

用戶行為特徵2

一、什麼是用戶行為

中國有句古話「天地四方為宇，古往今來為宙」，這句話揭示了空間和時間的概念。我們要想透徹地研究任何事物，常以時間和空間兩個維度來考慮。分析用戶行為也不例外。

換句話說，用戶行為的研究內容可以按照時間和空間維度展開。

從時間的維度來看，按照管理學大師菲利普科特勒的理論，用戶的行為軌跡包括：產生需求、信息收集、方案比選、購買決策；購後行為5個階段。其中購後行為包括使用習慣、使用體驗、滿意度、忠誠度等。

從空間的維度來看，用戶行為的構成要素包括5W2H，例如我們要全面描述用戶在購買階段的行為，就要回答這樣的問題，誰（who）？打算在什麼時候(when)？什麼地方(where)？買什麼東西(what)？產生需求的動機是什麼（why）？打算買多少（how much）？如何買（how）？同理，在使用階段也可以從這7個要素來描述。

5階段和7要素的結合，形成了用戶行為分析的研究體系。這個體系細化了用戶行為的研究內容，基於這些內容，就有了用戶調查問卷的一些基本的問題。

二、為什麼分析用戶行為（Why）?

之所以分析用戶行為，是為了找到用戶行為的特徵，從而為企業的經營提供支持。

大家想想，用戶行為具有哪些特徵呢？

Q1: 用戶行為是同質化的，還是差異化的？

A1：差異化的，因此用戶行為具有差異性

Q2:用戶行為是靜態不動的，還是動態變化的？

A2:動態變化的，因此用戶行為具有流動性

Q3:用戶行為是相互隔絕的，還是相互影響的？

A3:相互影響的，因此用戶行為具有傳播性

差異性、流動性和傳播性是用戶行為的三個顯著特徵。那麼，這些特徵具體是如何表現的，分析這些特徵對企業的經營有什麼作用？

這里我們只談差異性，後面的博文中會談流動性和傳播性。

用戶行為從時間和空間的維度，分為5階段7要素。因此用戶的差異性，就表現在這5階段和7要素上。例如，在產生需求階段，用戶的需求動機why不同。同樣是買電腦，有的是為了工作、有的為了學習、有的是為了消遣；再比如，在信息收集階段，用戶的信息收集渠道where不同。同樣是買房子，有的看網路廣告；有的聽朋友介紹；有的到現場采點。

這里只舉了兩個階段，你能說出在其他階段用戶的差異性表現嗎？

意識到用戶的差異性，企業的營銷工作就不會搞一刀切，就不會拿大炮轟蚊子，而是會進行市場細分和目標市場選擇，然後針對目標用戶進行精準營銷。這種精準營銷體現在市場定位、競爭戰略選擇、品牌形象和營銷組合等很多方面。

三、如何分析用戶行為(How)？

這里我們只談差異性，後面的博文中會談流動性和傳播性。

我們前面談到因為用戶行為具有差異性，因此需要進行市場細分和目標市場選擇，那麼如何進行市場細分和目標市場選擇呢？

市場細分的思路是看看從哪個維度切分市場，使所分得的細分市場內部具有的共性，細分市場之間具有個性。從哪個維度切要結合企業所處的行業特點的。例如食品市場，地域差異比較明顯，南甜北咸東辣西酸，所以食品市場可按地域分；服裝市場，性別差異非常突出，男款少而精；而女款多而靚，所以服裝市場可按性別分。此外二八原則，也廣泛用於市場細分，即我們可以按重要程度將用戶分為大中小三類。重要性可以有很多評價指標，比如規模、綜合實力、業內影響力、對企業的貢獻率、在同類產品上的總投入等等。

將市場劃分成幾個細分市場後，企業就面臨著目標市場選擇的問題。如何選擇目標市場呢？這是一個團體決策的過程，在選擇目標市場時往往需要企業的管理人員和骨幹營銷人員坐在一起討論來確定。討論共有五步進行

第一步指標的選擇需結合企業自身的實際情況。例如，我是大企業，規模經濟是我的優勢，那市場規模就是我選擇的重要指標；我是中小企業，我要更關注競爭的激烈程度，因為競爭太激烈了，我可能無法存活。因此，競爭強度就是我選擇的重要指標。

第二和第三步確定優先順序和為指標打分的方法可參考小蚊子的《誰說菜鳥不會數據分析》中的權重確定方法

第四步的綜合得分是第二步和第三步的結果加權平均得到。

第五步選擇目標市場可以企業適應度和市場吸引力為橫縱坐標，得出各個細分市場在四個象限中的位置。

六款免費的用戶行為分析工具測評

中國移動互聯網市場經過幾年的高速發展，增速已經明顯放緩，人口紅利逐漸消失。移動互聯網進入了下半場，市場競爭已經從增量用戶競爭逐步轉化成為存量用戶競爭。同時伴隨流量紅利消失，數據紅利時代已經到來，流程驅動性公司正轉變為數據驅動的數字公司，競爭從同業蔓延至異業競爭，跟隨用戶，跨場景地滿足用戶的需求將會成為數據紅利時代最核心的訴求。

如果說數字化轉型不可逆，那麼對於用戶的精細化運營將會是數字化轉型的支撐點之一。要實現對用戶的精細化運營，必不可少要對用戶行為進行分析。比如對網站、APP等渠道的用戶行為數據進行採集，對獲取到的用戶行為數據進行多維度、多角度對比分析，用以指導提升獲客效率、優化產品服務和用戶體驗，以數據驅動業務持續增長。

但目前來看，距離要實現這一目標，還有一定的差距。由於日常工作中，大家的分工不同，僅關注某一個方面的數據顯然不夠，無法全面了解產品運營情況，更不能提出行之有效的分析建議。

現在的情況是在公司內，業務部門想要看數據，會先提出自己的數據需求，這時候需要找到技術人員或者數據分析師，根據需求寫SQL將數據從庫里提出來，交給數據分析師進行分析，形成對應報表之後，再發給業務部門查看，完成整個過程沒個三五天搞不定，數據分析的時效性大大降低。

企業採用用戶行為分析工具，可以讓產品、運營、市場、數據等業務部門更方便的分析數據，讓技術部門日常面對的零碎需求更少，能把等多精力放在建立數據倉庫等核心工作上。

當我們在做產品開發或者產品運營時，通常需要第三方工具去做用戶行為分析以提供數據支持。因此免費產品的試用成了大家在前期選擇工具的必要方式。為了方便大家對目前市場上的用戶分析工具有一個清晰的了解，我們在試用了大量的工具後，分別從數據接入、數據分析、安全與拓展幾個方面進行了綜合分析。

許多人都在問，市場上有沒有免費的用戶行為分析工具，答案是有的！不過各家各有特點，國外知名用戶行為數據分析工具像Google Analytics（以下簡稱GA）、Mixpanel，國內有網路統計、易觀方舟Argo、友盟、TalkingData免費版（以下簡稱TD免費版）。

01、數據接入

談到數據接入，首先需要說明的是幾個產品在數據模型上的差別。

GA、網路統計誕生於傳統PC互聯網時代，都是以傳統的頁面瀏覽（PV）和用戶會話（Session）為核心。其中GA經過多年演進，增加了一些關於事件分析和自定義屬性的內容，但本質上主要還是服務於頁面類的產品。網路統計還是依然只支持頁面和會話統計。

隨著移動互聯網時代到來，用戶的行為觸點變多，以往以頁面和會話為中心所能採集到的結構化數據顆粒度不夠細，頁面和會話模型已經不適用了。因此，基於「用戶+事件（User+Event）」模型出現了，在分析的時候可以完全自主的定義需要分析的事件，並從不同的屬性維度進行交叉分析。剛推出不久的易觀方舟Argo，以及Mixpanel、友盟、TalkingData免費版都採用了 「用戶+事件」模型。

在埋點方面，目前根據埋點的工具和方式，可以劃分為三種類型：代碼埋點，可視化埋點和全埋點，並沒有說哪一種方式能夠碾壓其他幾種，因為都各有弊端，具體的各種埋點方法的分類與優缺點我們也做一下對比：

下面我們看一下市面上幾家免費的數據分析產品之間在數據接入方面對比。需要注意的是由於GA、Mixpanel都是國外產品，在數據採集的規則適配了iOS、Android的設計規范，但國內開發者常常直接忽視這些設計規范開發產品，而GA、Mixpanel在數據採集上沒有針對國內產品的特點進行優化，因此在數據採集的准確性上可能會受到一些影響。

另外，需要提到的一點是Mixpanel和易觀方舟Argo的數據採集SDK開放了源代碼，一定程度上可以打消企業在數據採集安全方面的顧慮。

02、數據分析

數據分析是用戶行為分析工具的核心，除了網路統計以外，其他幾款產品都可以滿足用戶行為數據分析的基本需求，但在功能的豐富程度上不盡相同。具體對比可以看下錶。

從分析模型豐富程度上來看，Mixpanle和易觀方舟Argo是裡面功能最全的，堪稱全家桶，唯一遺憾的是目前易觀方舟Argo目前尚不支持熱圖分析。比如最常用的「事件分析」這個功能，不止可以從PV、UV等方面進行分析，還可以根據不同的屬性值設定具體的指標按照不同的維度進行對比，功能非常強大。

從數據准確性上來看，GA在演算法的嚴謹性上應該是最好的，但如果用戶或者事件量比較大的時候，會採取抽樣分析，可能會影響到數據的准確性，Mixpanel的免費版本也會存在類似的問題。易觀方舟Argo在這方面表現搶眼，在數據計算上支持秒級實時數據分析、自定義指標、多維多人群指標對比、人群交叉分析、智能分析、數據實時回傳、即席數據分析等。

從數據管理、項目管理、許可權管理這些常用的管理功能方面來看，幾款工具都提供了比較友好的支持。但僅有友盟+提供了手機app，可以隨時通過手機查看監測的數據情況，易觀方舟Argo支持通過手機瀏覽器訪問查看數據看板。

另外，值得一提的是易觀方舟Argo裡面的用戶運營和觸達功能。目前易觀方舟Argo可以在完成用戶分析與分群後，通過郵件、簡訊、Push消息等方式對目標用戶進行觸達，還支持配置UTM追蹤參數對廣告進行跟蹤。

03、安全與拓展性

企業級產品在數據安全性和可拓展性上，需要提前做一些考量，幾款產品也各有側重，具體對比情況如下表所示：

（點擊圖片可查看清晰大圖）

GA免費版 和 Mixpanel 提供的都是SaaS服務，但因為伺服器都在國外，在國內使用起來穩定性和刷新速度上可能會有一定的影響；網路統計、友盟統計、TD免費版基本上都是SaaS服務；易觀方舟Argo提供安裝包，可由企業自己私有部署，如果對數據安全有顧慮，易觀方舟Argo是個不錯的選擇。在服務方面，除了GA和易觀方舟Argo可提供社區服務支持以外，其他產品目前還沒有完善的用戶服務支持。

總結

對比來說，剛推出不久的易觀方舟Argo，在數據採集、數據分析能力上，已經可以滿足產品數據和用戶行為數據分析的需求，而且提供了獨家的一站式用戶運營和用戶觸達。與目前其他國內的免費工具產品對比來說，易觀方舟Argo在顆粒度細致程度、分析模型全面性、系統性能方面表現優秀。

目的，大多數成長型團隊、創業團隊的市場及運營預算都相對緊張，每一分投出去的錢恨不得立馬知道什麼時候能轉化回來，如果自己搭建一套完整的數據分析平台要花費的功夫肯定不少。相信更多性能全面的用戶分析和運營分析工具的免費開放，能避免企業在市場運營方面走彎路；也能解放團隊更專注的在業務上，通過用戶行為分析提升營銷效率、優化迭代產品、留住更多用戶，真正用數據指導和驅動業務。

最後，這次選型過程中，在易觀方舟Argo社區交流感受較好，現在市面上能見到的免費工具產品不少，但真正形成自己技術服務社區的不多。相信未來他們能把這個社區做的更好，就像當年小米運營MIUI做社區一樣，能給廣大的技術宅和數據愛好者提供一個炫技、PK、互助的圈子。

G. 大數據在互聯網用戶系統中的應用

大數據在互聯網用戶系統中的應用
但是對於今日的互聯網和移動互聯網，大數據的規模和應用深度早已不次於傳統的電信、民航等行業，甚至超過不少。因此筆者還是想寫些東西淺談一下互聯網的大數據應用，權當拋磚引玉，也希望更多的朋友參與交流和討論。
首先，第一篇想談一下互聯網的用戶系統。無論互聯網還是移動互聯網，本身具有很大的特性就是互聯，所以我們都可以稱之為互聯網，或者說移動互聯網是互聯網的一個子集和延伸。
在傳統的電信、民航、能源等行業，企業的客戶和主體用戶構成都是有身份ID的。比如電信行業中身份證登記的手機卡號，比如民航用戶乘坐航班登機的身份證或護照信息等，這些信息可以作為基本的用戶身份ID,便於企業對其用戶、客戶進行身份辨別，並對後續的用戶行為進行跟蹤和分析。傳統企業所存儲的用戶信息的很大優勢在於完整性，很多先天的比如姓名、性別、年齡甚至籍貫等真實的基礎身份信息都可以簡單獲得。而在互聯網上，用戶的訪問都是匿名的，即使用戶在接入互聯網的時候使用的登記信息是實名的，但那主要是提供給電信服務商和公共安全機構備案而用。普通的互聯網網站在用戶面前是完全透明的被"圍觀"的，這個狀況在web1.0 的主要產品--門戶網站中最為典型。到了web2.0 時代，互聯網開始變得互動起來，用戶從簡單的匿名瀏覽，變成了可以通過注冊身份參與信息的製造和流通。這個時候，誕生了這個時代在談的互聯網大數據應用中非常重要的一個非決定性條件--用戶身份系統。為什麼說是"非決定性條件"呢？因為，在這之前，大量的數據分析也是可以做的，但是由於對用戶缺乏身份缺乏甄別，因此數據分析能夠應用的場景和得到的數據都相對很有限，但並不代表不能做大數據分析。而web2.0的用戶身份系統誕生，則使互聯網某種程度上具有了和傳統行業同樣的用戶身份記錄系統，數據統計和分析都可以更精準和深入。其中，以騰訊QQ、新浪UC等PC桌面產品為代表的互聯網早期產品，應該是建立了互聯網更早的用戶身份系統，我們也可以看到這些系統在其後續的web產品鋪開時同樣被繼承了過來。
那麼，互聯網的用戶身份系統，一般都具有哪些信息呢？
打開任何一個網站，我們都可以看到注冊頁面需要填寫用戶名/email,性別，年齡 等基本信息。當然，不同的網站和互聯網產品有不同的用戶資料細化的程度。拿現在比較流行的幾款產品做比較，其他互聯網產品大多類似：1.新浪微博中用戶可以填寫自己的昵稱、頭像、真實姓名、所在地、性別、生日、博客地址、email、QQ/MSN、自我介紹、用戶標簽、教育信息、職業信息……；2.騰訊QQ客戶端上可以填寫頭像、昵稱、個性簽名、姓名、性別、英文名、生日、血型、生肖、故鄉、所在地、郵編、電話、學歷、職業、語言、手機……
看起來還真不少，那麼網站要用戶的這些信息會被幹嘛用呢？
這里筆者劉三德認為主要有以下幾點：1. 展示自我；2.作為唯一的身份ID用作用戶身份區別；3.搜索和推薦相關；4.網站自身可以做用戶分析和用戶行為跟蹤。展現自我放到第一位是因為這是從產品滿足用戶需求的角度決定的，用戶資料的首要任務就是為了作為用戶唯一的可識別身份標識展示自我。其次，搜索和推薦相關這一點筆者劉三德計劃在後續用專門的篇章來寫，此處簡單理解即可。最後一點，也就是本文所關注的一點，就是用用戶身份來做數據分析。涉及到的用戶分析主要維度為用戶資料和用戶行為。同樣，用戶行為也計劃在後續篇章專門來寫，本文著重討論一下用戶資料的分析。
可能行業內的一些文章和老前輩的觀點，數據首先要量大、其次要有高的復雜度，才可以稱為大數據。但筆者認為，大數據在一維的層次上不一定具有很強的復雜度，大部分是由最簡單的數據形式構成。就譬如用戶資料，一個網站如果有一千萬的注冊用戶，如果每個用戶的資料具有6個有效欄位，就是6000萬的有效數據。而將這6000萬的有效數據通過一層或者幾層簡單的統計疊加分析、交叉分析等，在計算上本身就具有了不小的復雜度。何況現今的互聯網產品，尤其社交類產品如FACEBOOK,騰訊QQ、新浪微博等動輒上億的注冊用戶，本身用戶系統就是一個非常具有價值的大數據。[page]
通過分析用戶系統可以得到什麼呢？
當然，用戶填寫的注冊資料中包含的資料，都是最基礎的分析數據。還是用數據說話，如下圖：

以上圖片來自互聯網
以上數據是第三方機構公布的，而且都是最簡單的一維數據，我們可以看到很多家網站的用戶資料對比（上面引用的部分數據來源也可為線上調查問卷等形式）。對於獨立的一個網站來說，用戶資料的分析當然只是局限在自己的網站范圍之內。進入互聯網web2.0時代以後，大家都開始更加重視用戶和用戶體驗，對於網站自身用戶的特徵進行分析，可以更好的網站的用戶特性分布，方便針對網站的用戶群特點更有針對性的進行對應的產品設計和研發。比如通過了解用戶的消費層次等，也可以更好的提供用戶消費相關展示和服務。
那麼，無用戶身份信息的互聯網是否不再大數據？--不用注冊的用戶身份系統的。
可能有的朋友會對這個話題存疑問，也可能有的朋友會驚恐，認為隱私泄露了，其實這里的應用也非常簡單。在類似傳統的web1.0 門戶類以展示為主的互聯網產品中，也是可以做數據的分析和挖掘的，而且也有比較成熟的方案。是否有朋友曾經經歷過以下場景：在網路上搜索汽車、查了半天汽車資料，一個小時以後再隨手打開的一個圖書閱讀網站上居然出現了"汽車廣告".其實，即使我們沒有在這些網站上注冊，網路等搜索引擎本身還是可以為用戶標識一個唯一的身份信息，雖然這個身份信息只是臨時的，可能有效期也只有幾天左右。但是，這依然是一種唯一的用戶身份，只不過是記錄的信息有限而已，但是仍然為用戶行為分析提供了很大的幫助。感興趣的朋友可以搜索"google adsense隱私政策" 進行相關了解，此處不在贅述。
用戶資料系統方便了一系列的大數據挖掘
除了傳統的互聯網桌面端和web端產品，最近幾年突飛猛進的移動互聯網以及終端應用，基本也都有完備的用戶信息系統。apple蘋果公司做了app store,迄今為止的應用下載次數突破250億次，而每一次的下載都需要使用唯一的用戶ID,通過分析，蘋果可能比你父母更加了解你想要什麼--這屬於用戶行為分析范疇，後續將專門討論。
總之，用戶身份和資料的分析是互聯網大數據分析中最基礎的分析，用戶身份系統在互聯網的大數據時代，為後續的用戶行為分析和對應的企業產品、服務設計提供了基石，也為更加深入的數據挖掘奠定了基礎。

H. 大數據的價值如何體現

大數據的價值如何體現_數據分析師考試

進入大數據時代，運營商應用大數據發展的驅動因素是什麼，是否需要建立新型資料庫？ 劉偉光： 隨著通信行業的競爭日益激烈，傳統的語音和簡訊等主營收入的利潤不斷下滑，導致運營商必須找到新的利潤增長點，同時有效控制運營成本，從而使自身可以在激烈競爭中立於不敗之地。這也是為什麼運營商把實現精準化營銷和精細化運營提升到戰略層次的重要原因。

此外，傳統資料庫技術已無法滿足運營商對大數據充分利用的需求。新型資料庫應該具備如下特點：首先應該採用支持大規模並行處理的分布式架構；其次，應該使用基於符合工業標準的開放硬體和系統平台，保證成本可控；第三，隨著開源技術不斷成熟，創新速度快，新型資料庫平台應該易於與新的開源技術進行融合；第四，新的資料庫平台應該可以實現與Hadoop平台的無縫集成，實現跨結構化、半結構化、非結構化海量數據的混合分析能力。 盧東明： 運營商目前試圖做新型資料庫，但是不太現實，首先資料庫公司一直以來都是很穩定的幾家，需要長期積淀。

其次，大數據不是取代以前的技術，而是混合補充使用，不是新型資料庫出來後，就完全替代傳統資料庫從而大規模使用。資料庫是核心、穩定的技術，大數據是開源的軟體技術，運營商還是會選擇使用相對成熟的軟體。 《通信世界周刊》： 大數據今年以來得到格外關注，目前發展狀況如何？ 盧東明： 大數據在運營商的業務中早就有應用，目前在各個省都得到普遍應用了。大數據這個詞目前有些炒作成分，它和以前的資料庫不是完全脫節的，是對資料庫的延伸。大數據是個現象，是資料庫的另一個形態，不是否定、顛覆之前的資料庫形態。

目前做大數據的廠商依然是以前那幾家數據廠商，不同的產品解決不同的問題。在中國電信行業，從數據量和應用角度來看處於世界領先地位，這是由於電信用戶多、規模大，電信業遇到的問題和挑戰比較大，解決方案難度高。 劉偉光： 目前中國三個電信運營商在業務支撐領域、網管IT支撐領域包括增值業務領域，已經隨著市場的需求推出了很多新的大數據實時分析的項目，相信未來的兩到三年這個市場將會成倍增長，甚至會到達我們今天不能預期的數量。 需要分析共享大數據的管理工具 《通信世界周刊》： IT企業如何依託大數據為運營商提供管理工具，提升運營效率？ 劉偉光： 實現各部門的緊密協作永遠都是提升運營效率的不二法門。而IT企業應該為運營商提供實現緊密協作、分析、共享大數據的管理工具，來達成提升運營效率的目標。

此外，大數據時代，IT企業僅僅為運營商提供分析平台、分析工具是不夠的。這是因為運營商雖然很了解業務和需求，但普遍缺乏數學建模能力，因此很難利用好這些平台，使其發揮最大效益。所以，如何利用這些平台、系統和數據實現科學建模，同樣是提升運營效率的關鍵所在。 武新： 運營商要解決數據處理效率問題，現在的數據用以前的系統處理需要一天一夜，而應用大數據技術處理可以一個小時完成。在大數據平台，應用雲技術，通過集群的方式，幾十台伺服器同時工作，並進行壓縮數據來節省空間。

目前大數據主要是針對結構化數據的應用，用戶上哪個網，停留多長時間，通過分析都可做相應的分析結果推送給相關部門。除了對用戶上網行為分析，還有網路使用情況、網路設備情況和用戶使用手機類型分析。而對非結構化的數據，如視頻和圖片，目前分析得還較少。 《通信世界周刊》： 大數據具體應用於運營商的哪些業務中，有哪些成功的應用和案例？ 盧東明： 大數據主要應用在運營商的「信令」系統分析上，由於其數據量非常大，比「話單」分析的挑戰大很多。移動互聯網發展起來之後，運營商開始關注大數據，進行「用戶行為分析」，根據人群分析做精準營銷，推薦流量套餐。

此外，運營商提供IDC服務，通過「雲」中心的方式為互聯網企業提供服務。 武新： 運營商從最近兩三年開始，感受到這方面的壓力，開始尋求解決方案。中國移動「信令」分析系統項目對海量數據進行分析和挖掘；中國聯通對「話單」數據進行用戶行為分析。中國電信「新一代資料庫」產品正在測試中，通過精分系統，進行精準營銷。此外，在運營商專網也已應用大數據。運營商目前仍處於測試探索中，通過幾種方法針對不同的應用進行測試、篩選。

目前運營商的相關項目有「流量分析」、「智能管道」和「新一代資料庫」產品等，傳統的資料庫面對海量數據已經無法支撐，將來會慢慢被大數據代替掉。 要有開放的心態 《通信世界周刊》： 發展大數據需要解決哪些問題，關鍵點是什麼？ 盧東明： 由於數據分析要看存儲效果，涉及到效率和速度。目前運營商應用大數據存在的問題是避免無限制的花錢。另一方面，運營商要和廠商合作，針對不同的業務類型和應用場景，採取不同的分析方法。此外，運營商要有開放的心態，因為大數據作為開源的軟體也不是可以解決所有的問題的。 武新： 在數據處理上，運營商轉型中不僅有技術上的問題，還需要經歷一個時間階段和過程。

此外，運營商要轉變思維方式，其在數據分析上的經驗不如互聯網企業，這是方法論問題，關繫到如何用數據做生意。運營商以前都是依託傳統業務，海量數據的出現，使得行業即將洗牌，運營商不得不轉型重視數據挖掘。 但運營商可以發揮自己的優勢，首先，要分析用戶行為的變化，由分析以前的語音用戶轉變為分析上網行為。其次，運營商有能力提供類似互聯網公司的服務，如QQ聊天。

最後，運營商有專網資源，有自己的數據中心可以運維，但是目前這些優勢還沒有完全發揮出來，是因為還沒把握透用戶的需求。

以上是小編為大家分享的關於大數據的價值如何體現的相關內容，更多信息可以關注環球青藤分享更多干貨

I. 什麼是用戶行為分析怎麼做用戶行為分析

第一個問題，什麼是用戶行為分析：
過去的用戶行為分析普遍的問題是：分專析不聚焦、採集不全屬面、開發周期長、完全依靠人工埋點、事後分析、維度單一、指標傳統。

所以當下可以把用戶行為分析定義為：基於用戶生命周期管理模型、全面採集所有數據、事中分析、提前預測、實時多維組合、科學維度劃分、自定義指標的分析。
第二個問題：怎麼做用戶行為分析
你提出這個問題，證明你可能暫時沒有數據分析團隊，或者數據分析團隊尚不成熟和完善，所以需要開展數據分析工作的話建議是藉助第三方的平台。
這一塊業務目前國內已經相對成熟，也有很多不錯的合作夥伴可以選擇了，矽谷的明星公司可以選擇Google Analytics或者Mixpanel等，不過我最推薦的還是國內的數極客。
具體如何開展，我個人的建議是：
選擇採用AARRR模型的平台，通過對用戶全程行為的跟蹤，讓我們在經營中運營中，擁有Acquisition(獲客)、Activation(激活與活躍)、Retention(留存)、Revenue(收入)、Refer(二次傳播) 全程數據分析功能。

J. 大數據之如何進行「用戶行為分析」

而消費者們作為這場游戲中的弱者，不斷地被這些真假價格戰挑逗著和引導著。然而，在當今的商場上，還有另外一類企業不是通過簡單粗暴的價格戰，而是通過對數據的充分使用和挖掘而在商戰中獲勝的。 最典型的當屬全球電子商務的創始者亞馬遜(Amazon.com)了，從 1995 年首創網上售書開始，亞馬遜以迅雷不及掩耳之勢，徹底顛覆了從圖書行業開始的很多行業的市場規則及競爭關系，10 年之內把很多像 Borders 以及 Barnes and Noble 這樣的百年老店被逼到破產或瀕臨破產。亞馬遜在利潤並不豐厚的圖書行業競爭中取勝的根本原因在於對數據的戰略性認識和使用，在大家還都不太明白什麼是電子商務時，亞馬遜已經通過傳統門店無法比擬的互聯網手段，空前地獲取了極其豐富的用戶行為信息，並且進行深度分析與挖掘。 何為「用戶行為信息」(User Behavior Information)呢?簡單地說，就是用戶在網站上發生的所有行為，如搜索、瀏覽、打分、點評、加入購物筐、取出購物筐、加入期待列表(Wish List)、購買、使用減價券和退貨等;甚至包括在第三方網站上的相關行為，如比價、看相關評測、參與討論、社交媒體上的交流、與好友互動等。 和門店通常能收集到的購買、退貨、折扣、返券等和最終交易相關的信息相比，電子商務的突出特點就是可以收集到大量客戶在購買前的行為信息，而不是像門店收集到的是交易信息。 在電商領域中，用戶行為信息量之大令人難以想像，據專注於電商行業用戶行為分析的公司的不完全統計，一個用戶在選擇一個產品之前，平均要瀏覽 5 個網站、36 個頁面，在社會化媒體和搜索引擎上的交互行為也多達數十次。如果把所有可以採集的數據整合並進行衍生，一個用戶的購買可能會受數千個行為維度的影響。對於一個一天 PU 近百萬的中型電商上，這代表著一天近 1TB 的活躍數據。而放到整個中國電商的角度來看，更意味著每天高達數千 TB 的活躍數據。 正是這些購買前的行為信息，可以深度地反映出潛在客戶的購買心理和購買意向。例如，客戶 A 連續瀏覽了 5 款電視機，其中 4 款來自國內品牌 S，1 款來自國外品牌 T;4 款為 LED 技術，1 款為 LCD 技術;5 款的價格分別為 4599 元、5199 元、5499 元、5999 元、7999 元;這些行為某種程度上反映了客戶 A 對品牌認可度及傾向性，如偏向國產品牌、中等價位的 LED 電視。而客戶 B 連續瀏覽了 6 款電視機，其中 2 款是國外品牌 T，2 款是另一國外品牌 V，2 款是國產品牌 S;4 款為 LED 技術，2 款為 LCD 技術;6 款的價格分別為 5999 元、7999 元、8300 元、9200 元、9999 元、11050 元;類似地，這些行為某種程度上反映了客戶 B 對品牌認可度及傾向性，如偏向進口品牌、高價位的 LED 電視等。 亞馬遜通過對這些行為信息的分析和理解，制定對客戶的貼心服務及個性化推薦。例如：當客戶瀏覽了多款電視機而沒有做購買的行為時，在一定的周期內，把適合客戶的品牌、價位和類型的另一款電視機促銷的信息通過電子郵件主動發送給客戶;再例如，當客戶再一次回到網站，對電冰箱進行瀏覽行為時，可以在網頁上給客戶 A 推薦國產中等價位的冰箱，而對客戶 B 推薦進口高檔價位的商品。 這樣的個性化推薦服務往往會起到非常好的效果，不僅可以提高客戶購買的意願，縮短購買的路徑和時間，通常還可以在比較恰當的時機捕獲客戶的最佳購買沖動，也降低了傳統的營銷方式對客戶的無端騷擾，還能提高用戶體驗，是一個一舉多得的好手段。 縱觀國內外成功的電商企業，對用戶行為信息的分析和使用，無不在這個兵家必爭之地做大量投入。他們對數據戰略性的高度認識和使用，非常值得國內的電商學習和借鑒。