用户行为剖析目标按照不同的分类规范能够分红不同的类别

用户行为剖析目标按照不同的分类规范能够分红不同的类别。按照用户行为轨道将行为剖析目标分为渠道类目标、访问类目标、转化类目标、留存类目标及交际类目标5类目标。经过用户来源和用户行为，构成不同的标签，将用户贴上标签进行精细化运营和分层运营。

2. 用户数据收集

数据收集也叫数据埋点、埋码或者是打点，便是将一套数据收集代码埋入 APP/小程序/WEB 页面，用户在触发某一事情（阅读、点击等）时将该行为数据进行上报，然后构成用户行为数据表。

埋点方式分以下几个品种：

举个比方

某电商渠道首页有两个运营位，分别叫 “产品上新” 和 “猜你喜欢”，两个运营位里分别有新产品的轮播展现和经过算法引荐给用户的产品轮播展现。事务人员提出想要看这两个运营位内产品的点击次数和人数，而且区别出用户点击的是哪个产品。

已然 “点击新产品” 和 “点击引荐产品” 这两个事情都属于点击，那么在设计埋点的时候需求将这两个事情结组成一个埋点，并将运营位称号和“产品称号/ID” 特点放入该埋点中作为事情特点进行上报，以区别用户点击的运营位信息和产品信息。

用户标签/用户画像

用户全生命周期运营是精细化运营的要害，首要是把握什么人，在什么时间，处于什么阶段，需求准确且规范的数据支撑，需求事务数据和用户行为数据两品种型数据支撑。

1. 明确用户生命周期

用户全生命周期是指从用户第一次触摸产品开端到用户完全不用产品为止的整个阶段。以Saas行为，用户生命周期大致可分为：认知，考虑，选项，抉择购买，运用，续约，引荐，丢失召回等几个阶段。经过事务数据识别用户的要害动作，能够协助我们更好的依据AARRR模型确定用户全生命周期。

2. 描绘用户状况

在描绘用户状况的过程中，90%以上的数据依靠语用户行为数据。用用户数据判别哪个功用更好用，偏好哪个类型的产品，观察到用户在每个阶段丢失的原因，然后进行有针对性的优化和调整，提升转化率。

确定用户标签和用户画像

用户标签VS用户画像VS用户分群

• 用户标签——人为定义的，对用户特点和行为高度笼统和提炼的特征（例如：性别，年纪，行为爱好等）
• 用户画像——对用户个别的特征，特点描绘，一般输出形式是个别实例的描绘（例如：穿戴格子衬衫的小王）
• 用户分群——建议在同一类特征，特点上的人群。一般根据事务运营的需求，对多个标签筛选，找到相同特征或偏好的用户（例如：购买产品=AJ1，最近流量AJ1产品时间<30天）

从数据提取和开发的优先级视点看，用户标签首要分三层：事实标签、模型标签、猜测标签

1. 事实标签：来自原始的数据提取和计算（用户所在区域，年纪，购买偏好）
2. 模型标签：来源规矩的定义和模型计算（比方用户是高价值用户等猜测标签：参考已有的数据来猜测用户的行为和偏好（比方用户对科技感产品投入会增加）

搭建标签系统，能够构成更精确的用户画像，让事务人员对用户愈加了解；用户标签是用户画像的根底，用户画像是用户精细化运营的根底。

经过数据的积累建立的用户标签和用户画像，进而构成用户分群，对不同用户进行不同的运营战略，比方：当用户A的标签“营销灵敏型”“价格灵敏”“畅销品偏好”等标签时，推送活动折扣和畅销品信息转化更好；当用户B的标签是“新品偏好”“客单价高”“忠实用户”的标签时，推送高精尖新品的转化率会更高

用户标签指定规矩不难，可是维护和优化的成本较高；大多数用户标签会随事务场景和渠道发展变化，用户人物和用户信任度也会改变；所以需求对系统规矩进行定期信息同步。

• 更新周期：定期更新；实时更新；每日更新；不定期更新；
• 更新维度：产品价格改变，事务改变，目标改变
• 更新权限：运营人员，产品技能，数据剖析
• 标签类型：有用标签，一次性标签，废弃标签

四、用户分层

用户分层是在特定维度或目标下按照特定规矩规范，划分出不同行为特征的用户类型。

常见的用户分层模型有：

1. RFM模型（Recently + Frequency + Monetary）

R——衡量用户的新鲜度，消费时间越近的用户，越容易维系客户关系

F——频次，用户在段时间内购买的次数，购买次数越高，则忠实度越高

M——消费金额，提现用户购买力和企业的价值贡献