商业分析 · 第 2 篇
用户行为分析
用户是一切商业的起点。无论公司的商业模式是什么，最终都需要回答一个问题：用户在我们的产品里做了什么，为什么这样做，我们能怎么优化？ 用户行为分析就是回答这个问题的系统方法论。
用户生命周期模型
每一个用户从第一次接触产品到最终离开，都会经历一个完整的生命周期。经典的用户生命周期模型包含以下阶段：
AARRR 海盗指标模型
AARRR（又称海盗指标）是由 Dave McClure 提出的增长分析框架，把用户生命周期拆分为五个阶段：
| 阶段 | 含义 | 典型指标 | 分析重点 |
|---|---|---|---|
| Acquisition（获客） | 用户从哪里来 | 各渠道新增用户数、CAC、渠道转化率 | 哪个渠道效率最高？获客成本是否可持续？ |
| Activation（激活） | 用户是否体验到核心价值 | 注册完成率、首次关键行为完成率、”Aha Moment”触达率 | 新用户流失卡在哪一步？激活路径是否通畅？ |
| Retention（留存） | 用户是否持续回来 | 次日留存、7 日留存、30 日留存、留存曲线形态 | 留存曲线是否收敛？核心功能的使用频率是否稳定？ |
| Revenue（变现） | 用户是否付费 | 付费转化率、ARPU、LTV、客单价 | 付费用户与免费用户的行为差异是什么？ |
| Referral（传播） | 用户是否推荐他人 | 邀请率、K 因子（每个用户平均带来的新用户数）、NPS | 什么样的用户最有传播意愿？传播渠道是什么？ |
分析师必知：AARRR 不是一个线性过程——用户可能在任何阶段流失，也可能跳跃式前进。你需要把它当作一个诊断工具：当某个指标出现异常时，快速定位问题出在生命周期的哪个阶段。
用户生命周期阶段划分
在实际业务中，我们通常把用户分为以下几类：
- 新用户：首次注册或首次使用（通常关注激活率）
- 活跃用户：在观察周期内有特定行为的用户（日活/周活/月活）
- 沉默用户：曾经活跃但最近未使用的用户（流失预警）
- 流失用户：超过一定时间未回访的用户（需定义流失标准）
- 回流用户：流失后又回来的用户（分析回流原因）
行为漏斗分析
漏斗分析是用户行为分析中最常用的方法之一。它把用户完成某个目标的过程拆解为多个步骤，观察每一步的转化率和流失率。
漏斗分析的基本步骤
- 定义目标行为：用户最终要完成什么？（比如下单、注册、提交简历）
- 拆解关键步骤：用户从开始到完成需要经过哪些环节？
- 计算各步转化率：每一步有多少用户进入，有多少用户流失？
- 定位瓶颈环节：哪一步的流失率最高？为什么？
- 提出优化假设：如何改善瓶颈环节的转化率？
电商下单漏斗案例
以电商场景为例，一个典型的下单漏斗如下：
| 步骤 | 用户数 | 步骤转化率 | 累计转化率 |
|---|---|---|---|
| 访问首页 | 100,000 | — | 100% |
| 浏览商品详情页 | 45,000 | 45.0% | 45.0% |
| 加入购物车 | 12,000 | 26.7% | 12.0% |
| 进入结算页 | 8,000 | 66.7% | 8.0% |
| 完成支付 | 5,500 | 68.8% | 5.5% |
从这个漏斗中可以看出：
- 首页 → 详情页的转化率只有 45%，说明超过一半的访客没有找到感兴趣的商品，可能是搜索/推荐体验有优化空间
- 详情页 → 加购的转化率只有 26.7%，是最大的瓶颈，需要分析商品页面的信息呈现、价格感知、评价展示等因素
- 加购 → 结算 → 支付的转化率相对较高，支付流程本身问题不大
漏斗分析的进阶技巧
- 分群对比：把漏斗按用户属性（新/老用户、不同渠道来源、不同设备）拆分，找出差异
- 时间趋势：观察漏斗各步转化率的时间变化，发现异常波动
- 路径分析：用户在漏斗之外还做了什么？是否存在迂回路径？
- 归因分析：流失用户最后做了什么动作？是关闭页面还是跳转到了竞品？
留存分析
留存是衡量产品健康度的最核心指标之一。一个产品如果留存不好，花再多钱获客也是在填无底洞。
留存率的计算方法
留存率 = 某一天/周/月回访的用户数 / 初始用户群的总用户数 x 100%
常用的留存指标：
| 指标 | 定义 | 应用场景 |
|---|---|---|
| 次日留存（Day 1） | 注册次日回访的比例 | 衡量新用户首次体验质量 |
| 7 日留存（Day 7） | 注册第 7 天回访的比例 | 衡量用户是否养成使用习惯 |
| 30 日留存（Day 30） | 注册第 30 天回访的比例 | 衡量中期用户粘性 |
| 周留存 / 月留存 | 以周/月为单位的留存 | 适合使用频率较低的产品 |
留存曲线的解读
留存曲线的形态能告诉你产品的健康状况：
- 曲线收敛于较高水平（比如 30 日留存 > 20%）：产品有核心价值，用户愿意持续使用
- 曲线持续下降趋近于零：产品没有找到 Product-Market Fit，用户用完就走
- 曲线先降后回升（”笑脸曲线”）：可能存在周期性使用模式，或者某些功能把用户拉回来了
提升留存的分析思路
- 找到魔法数字（Magic Number）：完成某个关键行为 X 次以上的用户，留存率显著更高。比如 Facebook 早期发现”7 天内加 10 个好友”的用户留存率远高于其他用户
- 新用户引导优化：分析流失用户在前 3 天的行为路径，找到他们”卡住”的地方
- 功能与留存的关联：哪些功能的使用与高留存强相关？是否可以引导更多用户使用这些功能？
- 流失预警模型：当用户的某些行为指标（如活跃频率、使用时长）出现下降趋势时，提前干预
RFM 模型
RFM 是用户价值分析的经典模型，通过三个维度对用户进行分层：
| 维度 | 含义 | 衡量方式 |
|---|---|---|
| R（Recency） | 最近一次消费距今多久 | 天数越少越好 |
| F（Frequency） | 消费频率 | 一定周期内的消费次数 |
| M（Monetary） | 消费金额 | 一定周期内的累计消费额 |
RFM 用户分群
将每个维度按高低分为两组（通常以中位数或业务阈值为分界），可以得到 2 x 2 x 2 = 8 类用户：
| 用户类型 | R | F | M | 运营策略 |
|---|---|---|---|---|
| 重要价值用户 | 高 | 高 | 高 | 维护关系、VIP 服务、专属权益 |
| 重要发展用户 | 高 | 低 | 高 | 提升购买频次、交叉推荐 |
| 重要保持用户 | 低 | 高 | 高 | 流失预警、召回活动 |
| 重要挽留用户 | 低 | 低 | 高 | 大额用户流失分析、定向优惠 |
| 一般价值用户 | 高 | 高 | 低 | 引导消费升级、推荐高价商品 |
| 一般发展用户 | 高 | 低 | 低 | 培养购买习惯、新手引导 |
| 一般保持用户 | 低 | 高 | 低 | 低成本维护、自动化关怀 |
| 一般挽留用户 | 低 | 低 | 低 | 低优先级、控制营销成本 |
实操建议：在实际业务中，RFM 的分界标准需要根据行业特点来定。高频消费（如外卖）的 F 阈值可能是”每周 3 单”，而低频消费（如家电）可能是”每年 1 单”。
用户分群（Cohort Analysis）
用户分群分析是把用户按某个共同特征分组，然后对比不同组在同一指标上的表现。最常见的是按注册时间分群的留存分析。
为什么需要分群分析
整体指标往往掩盖了真实情况。比如”本月 DAU 增长 10%”，可能是新用户大量涌入（但留存很差），而老用户实际在流失。分群分析能帮你看穿这种”虚假繁荣”。
注册月份 Cohort 留存表示例
| 注册月份 | 月 0 | 月 1 | 月 2 | 月 3 | 月 4 | 月 5 |
|---|---|---|---|---|---|---|
| 2025-01 | 100% | 42% | 28% | 22% | 19% | 18% |
| 2025-02 | 100% | 45% | 31% | 25% | 21% | — |
| 2025-03 | 100% | 48% | 34% | 27% | — | — |
| 2025-04 | 100% | 50% | 36% | — | — | — |
| 2025-05 | 100% | 52% | — | — | — | — |
从这张表可以看出：后期注册的用户留存率逐月提升（月 1 留存从 42% 提升到 52%），说明产品在持续改善新用户体验。这是一个积极的信号。
分群的其他维度
除了注册时间，你还可以按以下维度进行分群：
- 获客渠道：自然搜索 vs 付费广告 vs 社交传播，不同渠道用户质量差异
- 首次使用的功能：用户第一次体验了什么功能，与后续留存的关系
- 设备类型：iOS vs Android vs Web，不同平台的行为差异
- 地理位置：一线城市 vs 下沉市场的用户行为差异
- 用户画像标签：年龄、性别、职业等维度的行为差异
用户行为分析实战清单
当你接到一个”分析用户行为”的任务时，可以按以下步骤进行：
- 明确分析目标：老板想知道什么？是”为什么用户流失”还是”哪些用户最有价值”还是”如何提升转化率”？
- 定义关键事件：在你的产品中，哪些用户行为最重要？列出 5-10 个关键事件
- 画出行为漏斗：从用户进入产品到完成目标行为的完整路径
- 做留存分析：按时间和不同维度做 Cohort 分析，找到留存曲线的规律
- 做用户分群：用 RFM 或其他模型把用户分层，识别高价值用户和流失风险用户
- 输出洞察与建议：不止报告”是什么”，更要回答”为什么”和”怎么办”
本篇小结
- 用户生命周期模型（AARRR）帮你系统性地理解用户在产品中的完整旅程
- 漏斗分析用于定位转化瓶颈，关键是找到流失最严重的环节并深入分析原因
- 留存分析是衡量产品健康度的核心方法，关注留存曲线形态和”魔法数字”
- RFM 模型通过最近消费时间、消费频率、消费金额三个维度进行用户价值分层
- Cohort 分群分析帮你避免被整体指标误导，看到不同用户群体的真实表现
- 用户行为分析的最终目的不是”跑数”，而是输出可执行的业务洞察
下一篇我们将进入营收分析与预测，学习如何拆解收入结构、构建单位经济模型、预测未来营收。