我們可能因為相信虛假而受騙碟联，自然，我們也會因為相信真實而受騙

互聯(lián)網(wǎng)數(shù)據(jù)最重要的部分是用戶的行為分析狸捕，挖掘用戶偏好能更好的實現(xiàn)商業(yè)的價值热幔，同時乐设，異常的行為分析也是對用戶的一種安全防護措施。用戶行為簡單的可以分為五個要素：時間绎巨、地點近尚、人物、交互和內容场勤。在獲得網(wǎng)站或APP等平臺訪問量基本數(shù)據(jù)的情況下戈锻，對有關數(shù)據(jù)進行統(tǒng)計、分析和媳，從中發(fā)現(xiàn)用戶訪問網(wǎng)站或APP等平臺的規(guī)律格遭，并將這些規(guī)律與網(wǎng)絡營銷策略等相結合，從而發(fā)現(xiàn)目前網(wǎng)絡營銷活動中可能存在的問題留瞳，并為進一步修正或重新制定網(wǎng)絡營銷策略提供依據(jù)拒迅。

只有做了用戶行為分析才能知道用戶畫像、才能對用戶各種行為做一個初步的預判她倘，進而對行為產(chǎn)生一個長效的統(tǒng)計分析璧微。分析目的的一種是關注流失，尤其是對轉化有要求的網(wǎng)站硬梁。用戶行為分析幫助分析用戶怎么流失前硫、為什么流失、在哪里流失荧止。當你有了很多用戶行為數(shù)據(jù)屹电、定義事件之后，你可以把用戶數(shù)據(jù)做成一個按小時跃巡、按天危号，或者按用戶級別、事件級別拆分的一個表瓷炮，從而為后期的商務行為做一個參考葱色。

正常行為分析

正常行為分析的目的在于數(shù)據(jù)驅動增長，數(shù)據(jù)驅動增長的關鍵在于指標娘香。

硅谷公司用數(shù)據(jù)去實現(xiàn)驅動業(yè)務增長苍狰，主要有三個目標：

1)提升關鍵指標

2)改變產(chǎn)品體驗

3)優(yōu)化運營流程

如果細分，還可以分為：拉新烘绽、轉化淋昭、促活、留存和變現(xiàn)安接。

拉新的場景在于分析SEM(search engine marketing) 和 SEO (search engine optimizing) 的每個關鍵詞的 ROI(投資回報率:return on invest)翔忽。同時還有 各個合作伙伴的渠道導流情況。尤其是搜索引擎，關鍵詞帶來的流量是可觀的歇式。這些流量只能帶來用戶驶悟，至于是否達成商務行為，還要結合自身的數(shù)據(jù)進行統(tǒng)計材失。

轉化率是一個數(shù)據(jù)分析的重要指標痕鳍，與之相對應的一個詞是流失率。定義入口龙巨，統(tǒng)計事件只是一個起點笼呆，對于最終的結果只是一個借鑒，落地的還是決策旨别。一種提高轉化率的決策是诗赌，分析用戶從進入-注冊-驗證-登陸-使用的整個過程，通過漏斗分析秸弛，檢驗每個環(huán)節(jié)的流失率铭若，優(yōu)化流程，提高用戶轉化递览。

促活是對產(chǎn)品內容及流暢度的一個檢驗奥喻。通過分析用戶行為，統(tǒng)計用戶頁面停留非迹，完善用戶畫像，進而精準分析定位纯趋，從而個性化推薦愈加精準憎兽。

用戶流失，在時間的長河中是一種自然而然的事情吵冒。每個產(chǎn)品都有自己的壽命纯命，我們所做的只是延緩或者重生。這也是分析留存的一個主要的目的痹栖。通過對用戶行為的一個長期的追蹤亿汞，有了這些數(shù)據(jù)的支撐，分析哪些使用造成了流失揪阿，哪些使用更好的維護了用戶關系疗我，便能更好的維護一個商業(yè)的變現(xiàn)。

商業(yè)變現(xiàn)是檢驗一款產(chǎn)品是否成功的一個重要指標南捂，當然非盈利機構除外吴裤。一款產(chǎn)品會有它獨特的盈利點，找到并有效的接入才能維護產(chǎn)品的正常迭代溺健。商業(yè)變現(xiàn)有直接變現(xiàn)和間接變現(xiàn)之分麦牺，直接變現(xiàn)以直接打成交易為主，例如O2O等。間接變現(xiàn)通過廣告剖膳、導流等產(chǎn)生可觀資金流魏颓。

至于手段，我們后面會說吱晒。

增長黑客

數(shù)據(jù)驅動增長甸饱，關鍵在于提升關鍵指標、改善產(chǎn)品體驗枕荞、優(yōu)化運營流程柜候。如果沒有長期的數(shù)據(jù)統(tǒng)計分析，對于這些無異于盲人摸象躏精。這也即是我們常說的渣刷，數(shù)據(jù)是一切的基石。

提升關鍵指標矗烛，最好是一個轉化率辅柴，而不是UV、PV這種簡單的數(shù)字瞭吃，因為這些肯定會提升碌嘀；改變用戶體驗，主要在于細節(jié)的把控歪架，人以貌相股冗，除非是大家不得不用的工具型壟斷軟件，大部分軟件和蚪，UI是留住客戶的第一步止状，然后是產(chǎn)品使用體驗，流暢度攒霹、響應速度等怯疤；優(yōu)化運營流程，重點在于簡化催束，如無必要集峦，勿增實體，把那些太過于復雜的功能重新梳理抠刺，有些事直接一點反而更好塔淤。

產(chǎn)品決定了你獲取用戶數(shù)據(jù)的基本面。不同的用戶層面和產(chǎn)品形態(tài)也可能導致不論怎么努力就是無法快速獲取用戶的結果速妖。那么凯沪，什么樣的產(chǎn)品或者功能能快速獲取用戶呢？

1）用戶使用頻率高
2）用戶密度大
3）一個動作所覆蓋的人數(shù)

滿足了以上條件的產(chǎn)品买优，想要快速獲取用戶就很容易了妨马，下面是一個互聯(lián)網(wǎng)產(chǎn)品的用戶增長模型：AARRR模型挺举。

所謂AARRR用戶模型其實就是“獲取（Acquisition）”烘跺、“激活（Activation）”湘纵、“留存（Retention）”、“傳播（Referral）”滤淳、“收入（Revenue）”梧喷。從上面的AARRR模型圖我們也可以看到，其實它是一個漏斗脖咐，從用戶獲取到激活到留存铺敌，留存到傳播和收入就是一個自上而下的漏斗，越往下越窄屁擅。理想的境況下偿凭，我們都希望這是一個圓柱體，但顯然這是比較困難的派歌，而我們要做的就是精細化分析用戶獲取到收入的整個過程弯囊。

常用手段簡單介紹如下：

創(chuàng)造更多的著陸頁
付費廣告應該有針對性的鏈接到相應的著陸頁上，而不是主頁
建立定向的LINK-TRACKING(鏈路跟蹤)
刪除著陸頁上不重要的鏈接
使用qualaroo等調查工具得到客戶反饋
購買統(tǒng)計數(shù)據(jù)的工具
拆分用戶需求
大量的A/B Test
CTA（Call to Action 期望用戶進行的操作）使用更強的對比色
將CTA放在右側
在頁面的最下方重復你的CTA
在頁面上寫上你對用戶做出的保證（不會透露用戶信息等）
立刻顯示驗證（如填寫表單時)
……

增長黑客胶果，簡單來說就是建立一個增長黑客的坐標系匾嘱。增長黑客是通過快速的迭代試驗找到實現(xiàn)產(chǎn)品增長的有效方法。我們的終點是實現(xiàn)產(chǎn)品有效增長早抠，為了到達這個終點霎烙，我們需要在三個方面努力，第一點是找到努力的起點蕊连，第二點是找到努力的方向吼过，第三點是加快努力的程度。

用一個等式表示就是：起點+方向+行動=終點咪奖。增長黑客的革命性方法就在行動上。增長黑客的核心實際上類似于敏捷開發(fā)酱床，只不過增長黑客是以運營人員為中心羊赵，敏捷開發(fā)是以產(chǎn)品經(jīng)理為中心。

異常行為分析

基于深度學習的Action Recognition（行為識別）是目前AI研究的一個方向扇谣，也是當下發(fā)表論文比較多的一個領域昧捷。

目前談論比較多的大概有以下幾個方向：

混合代理方法檢測擁擠場景中異常行為
老年人動作識別和異常行為檢測
基于視頻的異常檢測
行人檢測和路徑分析
導航，包括監(jiān)控行為和檢測異常
醫(yī)療健康和其他相關領域異常行為的識別
人類活動識別（HAR）
智能家居行為預測

籠統(tǒng)的概括可分為：Structure罐寨、Inputs和Connection靡挥。

行為可分為個人行為和群體交互行為，在真實情境下鸯绿，異常行為的發(fā)生經(jīng)常伴隨猛烈的動作跋破，例如簸淀，突然速度加快；或是在恐慌情境下毒返，在一個局限的區(qū)域中混亂的運動租幕，與周圍人動作的對比。將人群行為作為一個Bag-of-words模型拧簸，通過靜態(tài)和動態(tài)代理的信息整合劲绪，來確定人群行為的異常。靜態(tài)代理用來處理某個特定的點盆赤，用來分析該點周圍的動作信息贾富。動態(tài)代理用來處理一個移動的目標，分析目標運動和周圍人的動作信息牺六。即是所謂的混合代理模型颤枪。

其他如活動識別被認為是一個序列標簽問題稻薇，而異常行為是基于與正常模式脫離標記的纫版。

基于視頻異常檢測最基本的方面，即視頻特征表示碌冶。大部分研究工作都是在尋找一種合適的表示方法庸追，以便在視頻流中霍骄，以可接受的誤報率，準確的檢測異常淡溯。然而读整，由于環(huán)境和人類動作的大量變化，這是個巨大的挑戰(zhàn)咱娶，由于高維度的數(shù)據(jù)特征帶來了較高的空間時間復雜度米间。深度學習算法的弱監(jiān)督特性可以幫助從視頻數(shù)據(jù)本身中學到表示方法，而不用手動地從某個特定場景下設計合適的特征膘侮，以此對視頻表示建模屈糊。

關于導航，深度學習這方面最近的研究已經(jīng)證實了從數(shù)據(jù)中直接學習特征的能力琼了，并且循環(huán)神經(jīng)網(wǎng)絡相關的研究已經(jīng)表明了序列到序列問題的典型結果逻锐，例如神經(jīng)機器翻譯和神經(jīng)圖像標題生成。受到這些方法的激勵雕薪，在給定一段較短的關于某個行人的歷史數(shù)據(jù)昧诱、其周圍的人和過去的行為，來預測行人的下一步動作所袁。這個方法的創(chuàng)新點在于其結合了關注模型盏档，這種模型使用了軟關注和硬關注，來映射從局部鄰域到關注的行人的未來位置的軌跡信息燥爷。關注權重（如硬連線）的一個簡單的近似值是如何與軟關注權重混合一起蜈亩，在有著幾百相鄰人的真實世界情境下使得模型更可靠懦窘。此外，這個架構可以直接應用于異常事件檢測中而不需要手工特征勺拣。

異常行為識別在醫(yī)療健康和其他相關領域也引起了很大的關注奶赠，特別是對老年人的身心健康，墜落及其他疾病药有、衰老等方面引起了越來越多的關注毅戈。基于墜落檢測技術的設備可以有效實時地監(jiān)控墜落事件的發(fā)生愤惰，并幫助受傷人員接受急救苇经。然而，對于墜落檢測和監(jiān)控宦言，傳統(tǒng)方法的內置分類器盡管可以達到一個相對高的檢測正確率扇单，但是其誤報率過高，進一步地奠旺，由于異常行為的傳感器數(shù)據(jù)在真實應用中很稀少蜘澜，這種方法必須面對這種不平衡問題。為了處理這個難題响疚，使用一種對于眼睛鄙信、手表等可穿戴物品的two-stage adaptive weighted extreme learning machine（AWELM）的方法來檢測和監(jiān)控墜落。這種方法忿晕，通過兩階段識別計劃装诡，實現(xiàn)了高檢測準確度和誤檢率之間的平衡；其次践盼，通過兩階段自適應權重方法鸦采，使得對于稀少的異常行為數(shù)據(jù)的不平衡學習方法變得有效；第三咕幻，使用極值學習機渔伯，提出一種輕型的分類方法，處理可穿戴設備的資源限制肄程，來加速訓練和更好的泛化锣吼，這使得大范圍的健康應用成為可能，特別是最終幫助老年人減少墜落事件的風險绷耍。

人類活動識別（HAR）在健康和社會保健領域也是一個相對活躍的研究課題∠式模基于HAR的深度攝像機褂始，從人類深度輪廓，通過傳統(tǒng)的分類器描函，比如Hidden Markov Model (HMM)崎苗，Conditional Random Fields等抽取的特征狐粱，識別人類活動。另外胆数，使用循環(huán)神經(jīng)網(wǎng)絡（RNN肌蜻，深度學習算法的一種）的HAR系統(tǒng)，利用多個隨時間變化的關節(jié)角度必尼，來表示時空特征矩陣（即時間上的多個身體關節(jié)角度）蒋搜，能夠可靠地識別12種人類活動，并且比HMM和DBN的性能要好判莉。

行為識別是深度學習還未完全攻克的領域豆挽，雖然現(xiàn)在已經(jīng)有了一些特殊的手段來統(tǒng)計分析，但還有很大的空間券盅。在沒有找到更好的模式去表達時帮哈，最妥帖的方式是真實記錄。