用戶行為路徑分析是互聯網行業特有的數據分析方法。它主要是根據用戶的點擊行為日誌，分析用戶在壹個App或壹個網站的各個模塊中的流轉規律和特征，挖掘用戶的訪問或點擊模式，從而達到壹些特定的商業目的，如提高App核心模塊的到達率，提取特定用戶群體的主流路徑，刻畫瀏覽特征，優化和修改App產品的設計等。
本文將對用戶行為路徑分析方法進行簡要論述，並介紹路徑分析的壹些業務場景和技術手段，起到拋磚引玉的作用。歡迎致力於互聯網數據分析的朋友拍磚批評。未來如果有機會，可以繼續推出更多與實際業務結合的用戶行為路徑分析案例。
壹，企業場景的路徑分析
用戶行為路徑分析的壹個重要終極目標是優化和提高關鍵模塊的轉化率，讓用戶按照預期的產品設計主流路徑輕松到達核心模塊。分析過程中還有以下應用場景:
用戶典型路徑識別和用戶特征分析常用於性別、地域等人口統計數據或訂單價格、訂單號等運營數據。用戶的訪問路徑數據為我們了解用戶特征打開了另壹扇門。舉個例子，對於壹個制作、上傳、分享圖片的應用，我們可以劃分為願意制作、上傳的創意用戶，願意喜歡評論的互動用戶，默默瀏覽、看圖片的潛水用戶，從不上傳、只通過用戶的app下載圖片的消費用戶。
產品設計優化改進的路徑分析對產品設計的優化改進有很大的幫助，可以用來監控和優化預期用戶路徑中各個模塊的轉化率，還可以發現壹些晦澀難懂的功能點。在壹個視頻創作分享App應用中，用戶從開始拍攝、制作視頻到最終發布視頻，往往會進行壹系列的編輯操作；通過路徑分析，我們可以清楚地看到哪些編輯工具是用戶熟悉和喜愛的，哪些操作過於繁瑣，可以幫助我們改進編輯操作模塊，優化用戶體驗。如果路徑分析過程中用戶的創作數量與用戶被贊、評論、分享的行為密切相關，可以考慮增強這款App的社交性，增強用戶的粘性和創作欲望。
3.產品運行過程的監控
關鍵產品模塊的轉化率本身就是壹個非常重要的產品運營指標。通過路徑分析監測和驗證相應的操作結果，便於相關人員了解操作效果。
二、路徑分析數據采集
互聯網行業在獲取數據方面有著得天獨厚的優勢，路徑分析所依賴的數據主要是服務器中的日誌數據。用戶使用App的每壹步都可以被記錄下來。這時候需要關註的是優秀的分銷策略，應該和我們關心的業務緊密相關。這裏可以推薦諸葛io，壹款基於用戶洞察的精細化運營分析工具；通過將諸葛io的SDK集成到壹個App或網站中，可以獲取應用中的所有用戶行為數據。事實上，諸葛io認為，並不是所有的事件在每個App中的價值都是壹樣的。基於對核心事件的深入分析，諸葛io推薦您使用分層定制的事件分發方式。每個事件由三個級別組成:事件、鍵和值。同時，諸葛io還為開發者提供數據監控和分發咨詢服務，可以基於豐富的行業經驗為客戶提供個性化的事件分發咨詢和技術支持。
三、漏鬥模型與路徑分析的關系
上面提到的路徑分析類似於眾所周知的漏鬥模型。廣義來說，漏鬥模型可以看作是路徑分析的壹個特例，針對的是少數人的特定模塊和事件節點。
漏鬥模型通常是對網站或App中壹系列關鍵節點轉化率的描述，往往是我們指定的。比如我們可以在諸葛io看到某購物App應用的購買行為的漏鬥轉化。在這個購物App平臺上，買家成功經歷了從瀏覽到支付的四個關鍵節點，即瀏覽、添加購物車、結算和支付。從第1步到第4步，關鍵節點體驗的人越來越少，節點轉化率呈現漏鬥狀的情況。我們可以對每個環節的轉化效率、運營效果、流程進行監控和管理，針對轉化率低的環節進行有針對性的深入分析和改進。其他漏鬥模型分析場景可以根據業務需求靈活使用。諸葛io平臺有壹個非常強大的漏鬥分析工具，是壹個讓妳充分發揮對數據想象力的平臺。請看基於漏鬥模型的分析案例，漏鬥/保留新玩法。
路徑分析不同於漏鬥模型。它通常會跟蹤記錄每個用戶的每壹條行為路徑，然後對用戶路徑的行為特征進行分析挖掘，涉及到每壹步的來源和去向，以及每壹步的轉化率。可以說，漏鬥模型預先人為地、主動地設定了幾個關鍵的事件節點路徑，而路徑分析是壹種探索性的方式，探索整體的行為路徑，找出用戶的主流路徑，甚至可能發現壹些事先未知的有趣的模式路徑。從技術角度來說，漏鬥模型計算和顯示相關轉化率簡單直觀，路徑分析會涉及壹些更廣泛的方面。
四、路徑分析的壹般思路和方法
1，樸素遍歷統計和可視化分析探索
通過對分布得到的用戶行為路徑數據進行分析，可以用最簡單直接的方式統計出每個用戶事件路徑的點擊流數據，用數據可視化的方法直觀的呈現出來。D3.js是目前最流行的數據可視化庫之壹，我們可以用Sunburst劃分來描述用戶組事件路徑的點擊狀態。從圖中心開始，壹層壹層向外推，代表用戶從使用產品開始到結束的整個行為統計；旭日事件路徑圖可以快速定位用戶的主流使用路徑。通過提取特定人或特定模塊之間的路徑數據，利用旭日事件路徑圖進行分析，可以定位更深層次的問題。靈活運用旭日路徑統計圖是路徑分析中的法寶。
諸葛io不僅可以方便的獲取分發的數據，還可以為客戶提供個性化的旭日事件路徑圖分析，可以為客戶的產品做定制化的產品分析報告。
2.基於相關性分析的序列路徑挖掘方法。
說到關聯規則分析，數據挖掘的經典案例“啤酒和尿布”是不可避免的。不管“啤酒和紙尿褲”是不是Teradata的壹個經理編造和吹噓的“童話”，這個案例在壹定程度上讓人了解和理解購物籃分析(相關性分析)的過程及其背後的商業價值。將超市中每個顧客壹次購買的所有商品視為壹個購物籃，利用關聯規則算法對數據庫中存儲的購物行為數據進行分析，即購物籃分析。發現10%的顧客同事買了紙尿褲和啤酒，所有買紙尿褲的顧客中有70%同時買了啤酒。所以超市決定把啤酒和尿布放在壹起，這顯著增加了銷售額。
在這裏，我們不妨把每個用戶每次使用App所操作的所有事件點，都看成是“購物籃”裏的“壹系列商品”。與上面提到的購物籃不同，這裏所有的事件點擊行為都有嚴格的事件順序。我們可以改進關聯規則中的Apriori或FP-Growth算法，使其能夠挖掘出具有嚴格順序的頻繁用戶行為路徑，這是用戶路徑分析的壹個重要思想。我們可以仔細考慮發現的規則序列路徑中體現的產品業務邏輯，也可以比較分析不同用戶群之間的規則序列路徑。
社交網絡分析(或鏈接分析)早期的搜索引擎主要是基於搜索網頁內容與用戶查詢的相似度或搜索搜索引擎中的索引頁面，為用戶找到相關網頁。隨著90年代中後期互聯網網頁數量的爆炸式增長，早期的策略已經不再有效，無法對大量相似網頁給出合理的排名搜索結果。當今的搜索引擎巨頭如Google、百度都采用基於鏈接分析的搜索引擎算法作為解決這壹問題的方法之壹。網頁是通過超鏈接鏈接在壹起的，就像微博中的社交網絡是通過關註行為鏈接在壹起的，社交網絡中有著名的、權威的、影響力很大的人，互聯網上也有重要性或權威性很高的網頁。在搜索引擎結果前面提供權威網頁，使得搜索效果更好。
我們把社交網絡中的人看作節點，把互聯網中的網頁看作節點，甚至把我們App產品中的每壹個模塊事件都看作節點。節點以各自的方式相互連接，形成特定的網絡圖。基於這些網絡結構的分析方法將統稱為社會網絡分析。
社會網絡分析中有壹些常用的分析方法可以應用到我們的路徑分析中，比如節點中心性分析、節點影響力建模、社區發現等等。通過中心性分析，可以探究哪些模塊事件處於中心位置，或者連接兩大類模塊事件成為樞紐，或者成為大部分模塊事件的最終歸宿。通過社區發現，可以探索這個社交網絡中是否存在壹些“小圈子”，即用戶總喜歡操作的壹小部分行為路徑，相對於其他大部分模塊是獨立的。
以上是邊肖為您分享的關於如何做用戶行為路徑分析的相關內容。更多信息可以關註環球常春藤分享更多幹貨。