大數據技術視域下對用戶行為數據的分析與應用思考

周學申

(天津聯合創展通訊器材有限公司,天津 300457)

1 大數據與用戶行為分析的關系

“大數據”是從信息技術領域構想出來的,并且它作為一種趨勢,逐漸傳播到科學和商業領域。大數據的價值體現在大自然中,它為人類理解復雜系統提供了新的思維方式。從理論上講,在足夠小的時間和空間范圍內,真實世界的數字化可以構建真實世界的虛擬數字圖像,反映承載真實世界行為的規律。大數據技術為用戶提供了一種真正可靠的分析方法,類似于檢測器,在實際使用中,可以靈敏地檢測出細微的變化以進行系統分析和檢測,并提供多種模型。因此,在大數據應用程序的實踐中,存在許多描述性和預測性分析應用程序。

筆者將大數據定義為一種服務型的無實體工具,它為企業和客戶創造價值,這些好處可以在廣泛的領域中感受到,不論是大型或小型公司。在大型公司中,有多種驅動程序來投資大數據技術。

分析業務和交易數據,在萬維網上收集信息,對客戶行為進行詳細了解,并在BTO模型上使用高級分析來確定制造商如何使用它,從而使發送者和銷售人員受到影響。當前,制造商正在使用大數據來改善保修管理和設備監控,并調整物流以將其產品推向市場。零售商使用多種方法與在線和離線客戶互動,以提供更具針對性的建議和更高的價值。科技公司使用大數據來分析數百萬個數據,以提供可靠且準確的語音交互,而銀行則使用大數據技術來改善欺詐檢測[1]。

2 基于大數據技術,用戶行為分析的方法

用戶行為顧名思義,是用戶在產品上產生的行為。用戶行為數據是從一次次的行為中而來的,行為數據是通過埋點進行監控,由開發完成監控程序或調用SDK完成。比如通過后臺分析一個人使用某種APP的時長、在那個模塊上的停留時間最長,可以對這個人的行為進行收集和統計[2]。

2.1 行為事件分析

行為事件分析方法主要用于深度研究某行為事件,以及對產品的影響以及影響程度。針對某一具體行為,全面的描述、對比,針對其異常表象深度下鉆分析各維度、確認導致該行為數據表現的原因。這種分析是目前較為常見的,經常運用于各種手機APP運營的分析中。通過對于用戶的行為事件進行解構,了解突如其來的瀏覽變化、用戶數量的變動的原因以及提出應對策略。

行為事件分析首先要確認歷史上是否有發生過類似事件,對比之前數據的相對表現,看看有無類似情況出現;分析者應該采用多事件對比法,對比各個具體模塊的數據是否存在大幅度變化,確認變化現象發生的范圍;在這之后的維度下鉆分析中,根據之前的結論分析對應模塊應該做了哪些調整、預測這些調整是否能更好的適應變動的環境;最后也是最關鍵的一步——交叉分析用戶自然屬性、行為屬性、媒體使用屬性等數據,深度分析用戶的態度產生原因,了解態度變化、行為變化的根本原因,為APP的調整做出反饋[3]。

2.2 留存分析

留存,是指用戶在App、網站等應用上使用過,并一段時間后仍有使用。留存分析模型是一種衡量用戶健康度/參與度的方法,超越下載量、DAU等這樣的虛榮指標,深入了解用戶的留存和流失狀況,發現影響產品可持續增長的關鍵因素,指導市場決策、產品改進、提升用戶價值等,它是衡量用戶是否再次使用產品的指標,也是每一個App賴以生存的指標,能夠反映任何一款產品健康度,是產品、運營、推薦效果的整體表現。如果一個App從來沒有留存用戶,那DAU將永遠是新增用戶,那么產品將無法運行下去,更別說新用戶成本付諸東流[4]。

比如一個APP的運營,必須要依靠大量的用戶,那么用戶數量的多少、用戶數量的變化情況是怎樣的,都可以用留存分析進行研究。因為貼合業務屬性、精細化留存過程將對留存數據更有價值和指導意義。通過留存分析,能夠剖析用戶留在產品的原因,從而優化產品核心功能提升留存。

2.3 漏斗分析

漏斗分析實質是轉化分析,是通過衡量每一個轉化步驟的轉化率,通過轉化率的異常數據找出有問題的環節并解決,進而實現優化整個流程的完成率。在產品初期處于與市場適配的階段時,通過漏斗分析找到用戶觸達的瓶頸,幫助用戶觸達產品核心價值,真實反映MVP與市場匹配程度;在產品中期處于用戶平穩增加的階段時,通過漏斗分析優化渠道,找到目標群體用戶;通過漏斗分析優化用戶在各模塊的體驗比如基礎的登錄模塊、產品核心價值模塊:如抖音的播放模塊、淘寶的購買模塊等;在產品后期處于用戶價值產出的階段時,通過漏斗分析可以改善用戶生命周期,可以優化用戶體驗、提高用戶生命周期,從而間接拉長用戶群體的價值產出的時間長度,減少高價值用戶群體的流失。分析者可以通過漏斗分析優化商業化模塊,像商品的購買過程、廣告的曝光點擊等,提高生命周期中單位時間產生的價值。

需要注意的是,一般來說漏斗分析是有序的,這個順序反映在關鍵節點的路徑上。在有序漏斗中,路徑越來越窄。換句話說,每個步驟中剩余的數據量不能大于前一步驟中剩余的數據量。如果不滿足此條件,則表明關鍵路徑的處理順序可能有問題,我們應該調整路徑順序[5]。

3 用戶行為分析的應用

3.1 智能推送服務

智能大數據推送的每一個階段都是根據用戶的性別、年齡、所在城市、喜好等方面來進行畫像的標簽進行篩選,從而達到一定的精準推送。但是這種推送較為粗獷,所以采用的是根據用戶所在的場景、地點、時間,結合他的畫像進行推送。這樣的智能大數據的推送在一方面的確給我們帶來方便。

可是,依然有人覺得智能大數據的推送,可能會讓我們錯過某一些感興趣信息。因為每個人隨著年齡的增長以及閱歷的增加,自然會在每一個階段有不同的需求。所以如果每次知識的推送是根據我們往常根據喜好來定,篩選的信息推送這樣不利于了解全方面的消息。因此,目前急需一種改良版的智能推動服務,能時刻調整自身以滿足不同人生階段對不同信息的需求[6]。

以筆者研發的“懶人模式”智能推送機制為例,它是基于用戶分析來進行個性化推送服務,幫助人們減少了檢索資料所需要的時間,在全國范圍內開創了無需用戶主動提交感興趣話題的推送模式。這種模式廣泛運用在抖音、快手等APP上,用戶無需按主題選擇視頻類型,而是以APP推送順序觀看,這個推送順序是根據用戶在每個視頻的停留時間、點贊及評論情況進行大數據統計分析之后的個性化精準推薦;這種推送的服務目前大有席卷全國所有APP的態勢。

3.2 預測功能

在談論收集,存儲和挖掘大數據時,最常見的例子是“股市預測”,“流行病預測”和“消費者行為預測”。預測是大數據的核心業務。因為所有非常規變更都必然擁有先兆癥狀,所以必須進行跟蹤。如果觀測者發現系統和變化之間的規律并推導出相應模型,則可以利用這個模型進行預測。大數據預測無法確定是否一定會發生某些事情,它只對事件的可能性進行描述,因此大數據預測具有及時性,活動性和規律性特征。大數據預測的優勢在于可以將非常復雜的預測問題轉換為簡單的解釋性問題,這是小數據統計收集無法實現的。從預測的角度來看,大數據預測結果用于處理簡單的結論和實際的業務目標,還可以在問題發生之前進行預防并為用戶提供完整的信息[7]。

例如我們每天都會在電視上看到的天氣預報,就是典型的大數據預測應用領域。天氣預報粒度已經從天縮短到小時,有嚴苛的時效要求。如果基于海量數據通過傳統方式進行計算,則得出結論時明天早已到來,預測并無價值,而大數據技術的發展則提供了高速計算能力,大大提高了天氣預報的實效性和準確性。

另一個例子是犯罪預測。通過分析一個地區的犯罪數量和類型收集到諸多的數據,這些數據有助于警察了解犯罪的性質。余震模式指出,當犯罪發生在一個地方的時候,就會有更多的犯罪出現在附近,這些犯罪活動的模式,就類似自然災害“余震”。當分析者把之前的犯罪代入方程式,就會產生在過去預測里發生了什么事。而現在該部門可以透過運算來分析識別犯罪模式,這系統的分析,讓暴力犯罪在這些地區連續遞減[8]。

3.3 開創激活數字經濟時代

用戶行為分析是信息技術發展的重要要素,也是信息過程的新階段,鼓勵了數字經濟的創造和繁榮。信息技術已從促進經濟發展的輔助設備轉變為引導經濟發展的重要引擎,創造了一種新的經濟模式——“數字經濟”。互聯網的迅速發展引發了一場社會經濟革命,改變了人類社會,并為個人提供了“互聯網支持”,提供諸如社交網絡,購物,教育和娛樂等服務。通過大數據技術和用戶行為分析,我們可以開發功能全面且具有較高社會效益的產品。這大大超越了時間和溝通與協作方面的限制。互聯網和電子商務業務正在逐漸興起,它使用互聯網連接世界范圍內任何地方的客戶和供應商,提供付款和信貸等服務,為用戶提供管理等支持幫助,并取得了顯著的成果。大減少了實際生活中耗時耗力的聯系,降低了交易成本,提高了客戶滿足,論壇經濟和經濟共享等新的經濟模式也因此發生了急劇的變化[9]。

4 中國行為數據分析發展方向

大范圍內,中國的互聯網數據已經得到了很好的開發和有效的營銷。一些互聯網公司正在國際主要水平上建立大規模的數據存儲和處理平臺,并在移動支付,在線信用研究和電子商務應用方面取得國際進步,引領了行業重大進展。但是在實際應用中,大數據的開發,特別是對用戶行為的詳細分析仍然不夠。行業中大數據應用的廣度和深度顯然不足,需要快速形成和發展生態運作系統[10]。

通過使用各種產品數據(例如市場、設計、生產、服務、重用等),可以建立更準確的行為數據分析模型,利用這種模型,公司可以更細化和個性化客戶需求,以便建立更精簡、更靈活和智能的生產系統,創建出例如產品銷售,精準服務和成本預測等不同的應用模型。