用戶行為路徑分析是互聯(lián)網(wǎng)行業(yè)特有的一類數(shù)據(jù)分析方法，它主要根據(jù)每位用戶在App或網(wǎng)站中的點(diǎn)擊行為日志馆衔，分析用戶在App或網(wǎng)站中各個(gè)模塊的流轉(zhuǎn)規(guī)律與特點(diǎn)瘟判，挖掘用戶的訪問或點(diǎn)擊模式，進(jìn)而實(shí)現(xiàn)一些特定的業(yè)務(wù)用途角溃，如App核心模塊的到達(dá)率提升拷获、特定用戶群體的主流路徑提取與瀏覽特征刻畫，App產(chǎn)品設(shè)計(jì)的優(yōu)化與改版等减细。
本文會(huì)對用戶行為路徑分析方法作一些簡單的探討匆瓜，更多的偏向于一些路徑分析業(yè)務(wù)場景與技術(shù)手段的介紹，起到拋磚引玉的作用未蝌，歡迎致力于互聯(lián)網(wǎng)數(shù)據(jù)分析的朋友們拍磚與批評驮吱。以后有機(jī)會(huì)可以繼續(xù)介紹分享與實(shí)際業(yè)務(wù)結(jié)合較多的用戶行為路徑分析案例。
一萧吠、 路徑分析業(yè)務(wù)場景
用戶行為路徑分析的一個(gè)重要終極目的便是優(yōu)化與提升關(guān)鍵模塊的轉(zhuǎn)化率左冬，使得用戶可以便捷地依照產(chǎn)品設(shè)計(jì)的期望主流路徑直達(dá)核心模塊。具體在分析過程中還存在著以下的應(yīng)用場景：
1纸型、用戶典型路徑識別與用戶特征分析
用戶特征分析中常常使用的都是一些如性別拇砰、地域等人口統(tǒng)計(jì)數(shù)據(jù)或訂單價(jià)、訂單數(shù)等運(yùn)營數(shù)據(jù)狰腌，用戶訪問路徑數(shù)據(jù)為我們了解用戶特征打開了另一扇大門除破。例如對于一款圖片制作上傳分享的應(yīng)用，我們可以通過用戶的App使用操作數(shù)據(jù)琼腔，來劃分出樂于制作上傳的創(chuàng)作型用戶瑰枫，樂于點(diǎn)贊評論的互動(dòng)型用戶，默默瀏覽看圖的潛水型用戶丹莲，以及從不上傳只會(huì)下載圖片的消費(fèi)型用戶光坝。
2、產(chǎn)品設(shè)計(jì)的優(yōu)化與改進(jìn)
路徑分析對產(chǎn)品設(shè)計(jì)的優(yōu)化與改進(jìn)有著很大的幫助甥材，可以用于監(jiān)測與優(yōu)化期望用戶路徑中各模塊的轉(zhuǎn)化率教馆，也可以發(fā)現(xiàn)某些冷僻的功能點(diǎn)。一款視頻創(chuàng)作分享型App應(yīng)用中擂达，從開始拍攝制作視頻到視頻的最終發(fā)布過程中土铺，用戶往往會(huì)進(jìn)行一系列的剪輯操作；通過路徑分析板鬓，我們可以清晰的看到哪些是用戶熟知并喜愛的編輯工具悲敷，哪些操作過于冗長繁瑣，這樣可以幫助我們針對性地改進(jìn)剪輯操作模塊俭令，優(yōu)化用戶體驗(yàn)后德。如果在路徑分析過程中用戶的創(chuàng)作數(shù)量與用戶被點(diǎn)贊、評論以及分享的行為密切相關(guān)抄腔，就可以考慮增強(qiáng)這款A(yù)pp的社交性瓢湃，增強(qiáng)用戶黏性與創(chuàng)作欲望理张。
3、產(chǎn)品運(yùn)營過程的監(jiān)控
產(chǎn)品關(guān)鍵模塊的轉(zhuǎn)化率本身即是一項(xiàng)很重要的產(chǎn)品運(yùn)營指標(biāo)绵患，通過路徑分析來監(jiān)測與驗(yàn)證相應(yīng)的運(yùn)營活動(dòng)結(jié)果雾叭，可以方便相關(guān)人員認(rèn)識了解運(yùn)營活動(dòng)效果。
二落蝙、 路徑分析數(shù)據(jù)獲取
互聯(lián)網(wǎng)行業(yè)對數(shù)據(jù)的獲取有著得天獨(dú)厚的優(yōu)勢织狐，路徑分析所依賴的數(shù)據(jù)主要就是服務(wù)器中的日志數(shù)據(jù)。用戶在使用App過程中的每一步都可以被記錄下來筏勒，這時(shí)候需要關(guān)注的便是優(yōu)秀的布點(diǎn)策略移迫，它應(yīng)當(dāng)與我們所關(guān)心的業(yè)務(wù)息息相關(guān)。這里可以推薦一下諸葛io管行，一款基于用戶洞察的精細(xì)化運(yùn)營分析工具厨埋；將諸葛io的SDK集成到App或網(wǎng)站中，便能獲得應(yīng)用內(nèi)的所有用戶行為數(shù)據(jù)捐顷。事實(shí)上揽咕，諸葛io認(rèn)為在每個(gè)App里，不是所有事件都有著同樣的價(jià)值套菜，基于對核心事件的深度分析需求，諸葛io推薦大家使用層級化的自定義事件布點(diǎn)方式设易，每一個(gè)事件由三個(gè)層次組成的：事件(Event)逗柴、屬性(Key)和屬性值(Value)。同時(shí)顿肺，諸葛io還為開發(fā)者們提供數(shù)據(jù)監(jiān)測布點(diǎn)咨詢服務(wù)戏溺，可以根據(jù)豐富的行業(yè)經(jīng)驗(yàn)為客戶提供個(gè)性化的事件布點(diǎn)咨詢和技術(shù)支持。
三屠尊、 漏斗模型與路徑分析的關(guān)系
以上提到的路徑分析與我們較為熟知的漏斗模型有相似之處旷祸，廣義上說，漏斗模型可以看作是路徑分析中的一種特殊情況讼昆，是針對少數(shù)人為特定模塊與事件節(jié)點(diǎn)的路徑分析托享。
漏斗模型通常是對用戶在網(wǎng)站或App中一系列關(guān)鍵節(jié)點(diǎn)的轉(zhuǎn)化率的描述，這些關(guān)鍵節(jié)點(diǎn)往往是我們?nèi)藶橹付ǖ慕铡＠缥覀兛梢钥吹侥迟徫顰pp應(yīng)用的購買行為在諸葛io中的漏斗轉(zhuǎn)化情況闰围。這款購物App平臺上，買家從瀏覽到支付成功經(jīng)歷了4個(gè)關(guān)鍵節(jié)點(diǎn)既峡，商品瀏覽羡榴、加入購物車、結(jié)算运敢、付款成功校仑，從步驟1到步驟4忠售，經(jīng)歷了其關(guān)鍵節(jié)點(diǎn)的人群越來越少，節(jié)點(diǎn)的轉(zhuǎn)化率呈現(xiàn)出一個(gè)漏斗狀的情形迄沫，我們可以針對各個(gè)環(huán)節(jié)的轉(zhuǎn)化效率稻扬、運(yùn)營效果及過程進(jìn)行監(jiān)控和管理，對于轉(zhuǎn)化率較低的環(huán)節(jié)進(jìn)行針對性的深入分析與改進(jìn)邢滑。其他的漏斗模型分析場景可以根據(jù)業(yè)務(wù)需求靈活運(yùn)用腐螟，諸葛io平臺中擁有十分強(qiáng)大的漏斗分析工具，是您充分發(fā)揮自己對于數(shù)據(jù)的想象力的平臺困后，歡迎參看一個(gè)基于漏斗模型的分析案例《漏斗/留存新玩兒法》乐纸。
路徑分析與漏斗模型存在不同之處，它通常是對每一個(gè)用戶的每一個(gè)行為路徑進(jìn)行跟蹤與記錄摇予，在此基礎(chǔ)上分析挖掘用戶路徑行為特點(diǎn)汽绢，涉及到每一步的來源與去向、每一步的轉(zhuǎn)化率侧戴∧眩可以說，漏斗模型是事先的酗宋、人為的积仗、主動(dòng)的設(shè)定了若干個(gè)關(guān)鍵事件節(jié)點(diǎn)路徑，而路徑分析是探索性的去挖掘整體的行為路徑蜕猫，找出用戶的主流路徑寂曹，甚至可能發(fā)現(xiàn)某些事先不為人知的有趣的模式路徑。從技術(shù)手段上來看回右，漏斗模型簡單直觀計(jì)算并展示出相關(guān)的轉(zhuǎn)化率隆圆，路徑分析會(huì)涉及到一些更為廣泛的層面。
四翔烁、路徑分析常見思路與方法
1渺氧、樸素的遍歷統(tǒng)計(jì)與可視化分析探索
通過解析布點(diǎn)獲得的用戶行為路徑數(shù)據(jù)，我們可以用最簡單與直接的方式將每個(gè)用戶的事件路徑點(diǎn)擊流數(shù)據(jù)進(jìn)行統(tǒng)計(jì)蹬屹，并用數(shù)據(jù)可視化方法將其直觀地呈現(xiàn)出來侣背。D3.js是當(dāng)前最流行的數(shù)據(jù)可視化庫之一，我們可以利用其中的Sunburst
Partition來刻畫用戶群體的事件路徑點(diǎn)擊狀況慨默。從該圖的圓心出發(fā)秃踩，層層向外推進(jìn)，代表了用戶從開始使用產(chǎn)品到離開的整個(gè)行為統(tǒng)計(jì)业筏；sunburst事件路徑圖可以快速定位用戶的主流使用路徑憔杨。通過提取特定人群或特定模塊之間的路徑數(shù)據(jù)，并使用sunburst事件路徑圖進(jìn)行分析蒜胖，可以定位到更深層次的問題消别。靈活使用sunburst路徑統(tǒng)計(jì)圖抛蚤，是我們在路徑分析中的一大法寶。
諸葛io不僅能夠便捷獲取布點(diǎn)數(shù)據(jù)寻狂，也為客戶提供了個(gè)性化的sunburst事件路徑圖分析岁经，并可為客戶產(chǎn)品制作定制化的產(chǎn)品分析報(bào)告。
2蛇券、基于關(guān)聯(lián)分析的序列路徑挖掘方法
提到關(guān)聯(lián)規(guī)則分析缀壤，必然免不了數(shù)據(jù)挖掘中的經(jīng)典案例“啤酒與尿布”。暫且不論“啤酒與尿布”是不是Teradata的一位經(jīng)理胡編亂造吹噓出來的“神話故事”纠亚，這個(gè)案例在一定程度上讓人們理解與懂得了購物籃分析（關(guān)聯(lián)分析）的流程以及背后所帶來的業(yè)務(wù)價(jià)值塘慕。將超市的每個(gè)客戶一次購買的所有商品看成一個(gè)購物籃，運(yùn)用關(guān)聯(lián)規(guī)則算法分析這些存儲(chǔ)在數(shù)據(jù)庫中的購買行為數(shù)據(jù)蒂胞，即購物籃分析图呢，發(fā)現(xiàn)10%的顧客同事購買了尿布與啤酒，且在所有購買了尿布的顧客中骗随，70%的人同時(shí)購買了啤酒蛤织。于是超市決定將啤酒與尿布擺放在一起，結(jié)果明顯提升了銷售額鸿染。
我們在此不妨將每個(gè)用戶每次使用App時(shí)操作所有事件點(diǎn)看成“購物籃”中的“一系列商品”指蚜，與上面提到的購物籃不同的是，這里的所有事件點(diǎn)擊行為都是存在嚴(yán)格的前后事件順序的涨椒。我們可以通過改進(jìn)關(guān)聯(lián)規(guī)則中的Apriori或FP-Growth算法摊鸡，使其可以挖掘存在嚴(yán)格先后順序的頻繁用戶行為路徑，不失為一種重要的用戶路徑分析思路丢烘。我們可以仔細(xì)考量發(fā)掘出來的規(guī)則序列路徑所體現(xiàn)的產(chǎn)品業(yè)務(wù)邏輯，也可以比較分析不同用戶群體之間的規(guī)則序列路徑些椒。
3播瞳、社會(huì)網(wǎng)絡(luò)分析（或鏈接分析）
早期的搜索引擎主要基于檢索網(wǎng)頁內(nèi)容與用戶查詢的相似性或者通過查找搜索引擎中被索引過的頁面為用戶查找相關(guān)的網(wǎng)頁，隨著90年代中后期互聯(lián)網(wǎng)網(wǎng)頁數(shù)量的爆炸式增長免糕，早期的策略不再有效赢乓，無法對大量的相似網(wǎng)頁給出合理的排序搜索結(jié)果。現(xiàn)今的搜索引擎巨頭如Google石窑、百度都采用了基于鏈接分析的搜索引擎算法來作為這個(gè)問題解決方法之一牌芋。網(wǎng)頁與網(wǎng)頁之間通過超鏈接結(jié)合在一起，如同微博上的社交網(wǎng)絡(luò)通過關(guān)注行為連接起來松逊，社交網(wǎng)絡(luò)中有影響力很大的知名權(quán)威大V們躺屁，互聯(lián)網(wǎng)上也存在著重要性或權(quán)威性很高的網(wǎng)頁。將權(quán)威性較高的網(wǎng)頁提供到搜索引擎結(jié)果的前面经宏，使得搜索的效果更佳犀暑。
我們將社交網(wǎng)絡(luò)中的人看作一個(gè)個(gè)節(jié)點(diǎn)驯击，將互聯(lián)網(wǎng)中的網(wǎng)頁看作一個(gè)個(gè)節(jié)點(diǎn)，甚至可以將我們的App產(chǎn)品中的每一個(gè)模塊事件看作一個(gè)個(gè)節(jié)點(diǎn)耐亏，節(jié)點(diǎn)與節(jié)點(diǎn)之間通過各自的方式連接組成了一個(gè)特定的網(wǎng)絡(luò)圖徊都，以下將基于這些網(wǎng)絡(luò)結(jié)構(gòu)的分析方法統(tǒng)稱為社會(huì)網(wǎng)絡(luò)分析。
社會(huì)網(wǎng)絡(luò)分析中存在一些較為常見的分析方法可以運(yùn)用到我們的路徑分析中來广辰，如節(jié)點(diǎn)的中心性分析暇矫，節(jié)點(diǎn)的影響力建模，社區(qū)發(fā)現(xiàn)等择吊。通過中心性分析李根，我們可以去探索哪些模塊事件處于中心地位，或者作為樞紐連接了兩大類模塊事件干发，或者成為大多數(shù)模塊事件的最終到達(dá)目的地朱巨。通過社區(qū)發(fā)現(xiàn)，我們可以去探索這個(gè)社會(huì)網(wǎng)絡(luò)中是否存在一些“小圈子”枉长，即用戶總是喜歡去操作的一小部分行為路徑冀续，而該部分路徑又與其他大部分模塊相對獨(dú)立。
以上為筆者在諸葛io團(tuán)隊(duì)中必峰，對各類產(chǎn)品進(jìn)行用戶行為路徑分析的總結(jié)與思考洪唐，一些工作仍在不斷地探索過程中，希望大家不吝賜教吼蚁。今后有機(jī)會(huì)可能會(huì)以案例方式分享如何做用戶路徑分析凭需，展示分析過程中的步驟與思路，希望能和大家多多交流肝匆。
本文由諸葛io數(shù)據(jù)科學(xué)家 吳揚(yáng) 原創(chuàng)
