“不仅要知道用户当下在想什么，更要知道用户背后在想什么，以及用户正在经历着什么。”

为了节省时间，降低风险，产品团队往往尽快将产品推向用户，快速试错，在这种场景下如何构造用户模型？

1）首先，整理和收集已经获得的任何可认知用户的经验和数据，将这些信息映射成为用户的描述信息（属性）或用户的行为信息，并存储起来形成用户档案

2）实时关注自身数据的波动，及时采取行动

3）记录用户的行为数据而不是单纯地为用户打标签

4）360°覆盖用户全生命周期的用户档案

用户的每一步成长都通过行为记录下来，基于用户所在生命周期的不同阶段，针对新用户、流失用户、活跃用户、沉默用户分别采取有针对性的拉新、转化、留存等运营策略。

1）事件是什么

就是用户在产品上的行为，它是用户行为的一个专业描述，用户在产品上的所有获得的程序反馈都可以抽象为事件，由开发人员通过埋点进行采集，通俗讲就是：将一段代码放入对应的页面/按钮，用户进入页面/点击按钮的本质是在加载背后的代码，同时再加载事件采集代码，这样就被SDK所记录下来了。（利用百度统计加入代码采集用户下载成功和失败事件）

2）事件的采集

事件：用户在产品上的行为

属性：描述事件的维度

值：属性的内容

采集时机:用户点击（click）、网页加载完成、服务器判断返回等。在设计埋点需求文档时，采集时机的说明尤为重要，也是保证数据准确性的核心。

举个例子，在采集过程中如果没有明确时机，当用户点击了注册按钮，由于用户输入了错误的注册信息实际没有注册成功，可能仍然会进行记录，这样在统计注册成功事件的时候就不是准确的。而正确的采集时机描述应该是“服务器返回注册成功的判断”。（日本官网采集的就是返回激活成功或者失败页面）

3）事件的分析人数

某一事件（行为）有多少人触发了次数：某一事件（行为）触发了多少次人均次数：某一事件（行为）平均触发多少次活跃比：在一个时间区间内，触发某一事件的人数占当前时间段内所有活跃人数的比

4）事件的管理

当事件很多时，可以对事件进行分门别类地管理。同时，可以从产品业务角度将重要的用户行为标注出来，以便可以在分析时方便、快捷地查找常用、重要的事件。

漏斗模型帮助你分析一个多步骤过程中每一步的转化与流失情况。

举例来说，用户下载产品的完整流程可能包含以下步骤：

展示–>点击–>下载–>安装–>体验

我们可以将如上流程设置为一个漏斗，分析整体的转化情况，以及每一步具体的转化率和转化中位时间

反映用户在网页上的关注点在哪里，尤其对于官网首页来说，信息密度极高，用户究竟是如何点击，如何浏览的效果图

按计算维度划分，热图可以分为点击热图和浏览热图。

1. 点击热图：追踪的是鼠标的点击情况，进行人数、次数统计并基于百分比进行热力分布，点击热图又分为两种，一种是鼠标的所有点击，一种是页面可点击元素的点击。前者可以追踪页面上所有可点击和不可点击位置的被点击情况，后者只追踪页面上可点击元素的点击情况。

2. 浏览热图（也称注意力热图）记录的是用户在不同页面或同一页面不同位置停留时间的百分比计算，基于停留时长。

留存定义和公式

1. 定义：满足某个条件的用户，在某个时间点有没有进行回访行为

2. 公式：若满足某个条件的用户数为n，在某个时间点进行回访行为的用户数为m，

那么该时间点的留存率就是(m/n)N-day留存，即第几日留存，只计算第N天完成回访行为的用户Unbounded留存（N天内留存），留存会累计计算N天内所有完成过回访行为的用户。-Bracket留存 （自定义观察期留存）N-day留存和Unbounded留存都是按照独立的天/周/月为观察单位计算，但有时候我们不希望受限于这种固定时间度量，我们希望划分为几个观察期第一个观察期：

次日

第二个观察期：第3日-第7日

第三个观察期：第8日-第14日

第四个观察期：第15日到第30日

3. 自定义留存

上述三种留存方式，都是对时间的限定，对留存的定义都是用户打开了APP或进入了网站

自定义留存是基于业务场景下的留存情况，比如阅读类产品会把看过至少一篇文章的用户定义为真正的留存用户，电商类产品会把至少查看过一次商品详情定义为有效留存初始行为：初始与回访是相对的概念。

4. 回访行为：与初始行为的设定是并且关系。用户的初始行为可以理解为上一次行为，回访行为即理解为下一次行为。对初始行为和回访行为的设定本质上是在进一步筛选用户群。

在某打车软件的一次增长分享会曾提到过“抢了红包的用户后来打了车的日留存”，即初始行为是抢了红包，回访行为是打了车。“抢了红包的用户打了车的3日留存”即初始行为是抢了红包，回访行为是打车，看这部分人的第三天留存。

定义：对活跃用户使用产品的习惯的分析，例如一个月使用了几天，使用大于一天，大于七天的用户有多少，例如某些产品上线了新功能，用户使用需要签到，可以由此分析出用户的使用习惯，评估新功能的吸引力和健康度。

作用：使用留存分析，了解产品和功能黏住用户的能力如何，用户喜欢哪个功能，不同用户在同一功能在适用上的差异，有助于科学评估产品，制定留存策略

举例：股票APP，已投资用户和未投资的用户触发功能【查看股票市场】的次数

行为路径分析分为漏斗分析和全行为路径分析。与漏斗分析模型不同，漏斗分析模型是分析既定的行为转化，例如电商产品，分析从查看产品详情到最终支付每一步的转化率。而全行为路径分析是对用户在APP或网站的每个模块的流转情况，挖掘用户的访问模式，从而优化产品或网站。

一般可用树形图表现，如下图，一个线上培训网站，用户大都会打开搜索课程，所以需要优化搜索课程。而在第一次搜索课程后，用户并没有搜索到想要的课程，又进行了第二次搜索，因此可以将用户搜索频率高的关键词设置成可点击元素，链接到用户使用频率高的相关课程。引导用户点击得到想要的结果。

用户分群是对某一特征用户的划分和归组，而分层，更多的是对全量用户的一个管理手段，细分用户的方法其实我们一直在用，比如我们熟悉的RFM模型：

RFM模型是从用户的业务数据中提取了三个特征维度：最近一次消费时间（Recency）、消费频率 (Frequency)、消费金额 (Monetary)。通过这三个维度将用户有效地细分为8个具有不同用户价值及应对策略的群体。

其他四个用户分群的维度：

1、用户属性：用户客观的属性，描述用户真实人口属性的标签，比如：年龄、性别、城市、浏览器版本、系统版本、操作版本、渠道来源等就是用户属性

2、活跃时间

3、做过，没做过

4、新增于：何时新增用户较多