本书共分为6章
第1章：什么是用户行为数据以及它的重要性和价值。
第2章～第5章：怎么做用户行为分析：数据驱动增长金字塔——数据规划、数据采集、数据分析、数据应用。
第6章：数据驱动增长的实战案例。
一、用户行为数据
没有用户行为数据的困境
出行平台 VS 出租车公司
2015年夏天，最时髦的出租车司机会在方向盘左右架起三个手机支架，分别接入滴滴、快的和易到。从早到晚，三个平台的订单此起彼伏，司机乐此不疲地在三个平台上挑选补贴最“肥”的订单接单。
他们的眼睛在紧盯屏幕的同时，可能自己没有意识到，随着App上点击的行为越来越多，路边打车人招手的行为却越来越少。用户行为正在发生迁移，并在互联网上汇集成新的“流量”。
随着打车行为的数据被出行平台收集并研究，打车平台启动了“顺风车”“快车”和“专车”等新项目，并将用户按照购买力、出行目的等特性分层，用不同的优惠券和权益将分层后的用户分流到这些低、中、高档的新项目中，因此留给“出租车”项目的用户大幅减少。
当出租车司机从屏幕上抬起头，打算重新寻找路边“招手”的打车人时，才发现原来“扫街”就可以获得的乘客，已经找不到了。
出行市场的升级，受益的并不是拥有最多出租车资源的公司，而是出行平台，为什么？
因为出租车公司几乎没有用户行为数据。
用户行为每时每刻都在改变，如果我们不关注用户行为，就注定会被淘汰。
什么是用户行为数据？
用户行为数据的“5+1”要素
谁（Who）、何时（When）、在哪里（Where）、做什么（what）、怎么做（How）、做多少（How much）
用户行为分析的价值
价值一：理解用户需求，指导业务升级
1. 描述用户
------用数据来描述用户
将用户行为数据，用户属性数据和用户交易数据融合，描绘用户的360°画像。
下图是某企业用户360°画像，结合了用户的属性数据和行为数据，又通过模型推演出用户的偏好数据，形成用户看板。用户的属性数据来自于各类行为数据源。例如，用户的购买行为数据、用户触达渠道的数据等，根据这些用户的画像描述，企业可以根据不同的聚类选择任意用户群体，总结他们的需求
2.理解需求
------让数据帮我们做决策
传统方法：市场调查或者焦点小组的访谈，但是再准确的调研也难以模拟用户在购买决策过程中的真实行为。
互联网公司：在对某一种产品（或颜色或型号），拿不定主意的时候，会先上线一个预购商品页面，或者上线一个最后一步显示无货的商品页面。通过观察用户在页面的浏览、比较、预订或下单行为，结合用户所出的生命周期和用户画像，可以准确地判断出不同类型用户对产品的真实需求。
3.设计业务
------用数据描述业务流程，帮助发现业务瓶颈及通路
无论是创新业务的MVP（最小化可行产品）阶段，还是老业务的升级迭代阶段，仔细地监测、分析用户行为数据都十分有必要。例如，如何设计产品的新用户引导才能尽快让用户找到Aha（顿悟）时刻、爆款产品如何能恰当地出现在用户的注意力中、已有订单如何能快速被用户查看并便捷地引导“再来一单”。
在业务设计中，我们特别强调用户旅程地图(User Journey Map) 的概念，这是将一个人在与企业接触的过程中，为了完成某个目标所经历的旅程可视化的一种工具。借助用户流转地图，已经可以客观地将用户行为在已有业务流程上连贯地表示出来，方便业务管理者发现业务的瓶颈、找到新的通路。
4.重建关系
------维护动态关系，针对不同人群制定个性化的维护策略
交易只是与用户建立关系的起点，购买同一个产品的用户，可能因为感到满意，建立与企业的信任，也可能因为糟糕的购物体验，将企业“拉黑”。我们只有通过观察用户的行为数据，才能判断用户和企业关系的远近。这种远近关系是判断用户是否有可能，何时可能产生复购，是否会替企业传播正面口碑的重要依据。
因此，重建和用户之间的关系变成了企业经营的新课题。通过改进数字化的用户旅程，可以帮助我们重新构建企业与用户之间的关系。例如，根据会员系统中的用户行为数据，企业可以衡量用户与产品之间的动态关系，并针对不同类型的用户关系制定个性化的维护策略。
价值二：预测用户行为，引导业务创新
1.预测未来
预测未来实际上就是通过用户的既有行为预测用户选择，或者是通过各种活动引导用户选择。
举例，如果外卖平台能够获取你过去几年的外卖数据，那么完全可以基于这些数据预测你未来两周的外卖订单。实际上，你自己可能都未必清楚自己接下来想点什么外卖，但是通过分析你过去的行为，搭配相对应的外卖优惠券，外卖平台将很有可能帮助你决定“中午吃什么”这个“难题”。从群体预测到个体预测，体现了数字时代数据分析能力的进化。
2.精准营销
------“我知道广告费有一半是浪费了，但是我不知道是哪一半”
传统精准营销的问题：人工挑选特征人群包，虽然转化率提高了，但是投放的人群缩小的更多。------“我知道你把转化率提高了5倍，但你投放的人群缩小了10倍”。
互联网解决方案：结合“精准”和“高频”，进行营销方案推送。我确实把投放量缩小了10倍，但这样的浓缩人群包，按照不同的维度，我准备了1000个，已经将全量人群覆盖了10遍，而且随着用户行为数据的反馈，我还可以每天迭代生成1000个新的人群包，并用算法择优推送营销方案。”
3.评估用户价值
早期的客户价值评估方式：根据用户的历史消费金额来标识用户价值等级。
存在的问题？
企业发现，很多自己会员体系中的低等级会员，在竞品中却是消费多多的VIP会员，所以已经产生的购买数据，并不能代表用户的潜在价值。
新的用户价值评估方式：CLV（Customer Lifetime Value，客户生命周期价值），这是一种更高级的评估用户价值的方法，通过CLV的加和，企业看到的不仅是当下的经营收入，还可以看到自己拥有的未来价值，这对企业制定持续健康的成长战略非常重要。基于用户行为数据评估用户生命周期总价值，企业的关注点在空间维度可以从单一的交易环节放大至用户在平台互动的全流程，在时间维度可以从用户初次接触，延续到永远流失的完整生命周期。这是一种全新的企业经营视角，也是一种商业文化进步的体现。
二、数据规划----基于用户行为数据，规划指标体系
1.OSM模型
OSM模型可以帮助大家进行目标策略的拆解及衡量，使企业目标能够结构化清晰呈现。数据规划一定是围绕业务目标展开的。比如管理企业时会用到OKR（Objective and Key Results，目标与关键成果法）的目标管理工具，明确组织目标和协调组织工作，达成最终的企业目标。
- O（Objective 目标）：明确产品功能的目的。公司的核心目标：营收，利润。产品部门的核心目标：产品发展方向，产品规划。
- S（Strategy 策略）：清楚目标之后，为了达成目标，我们应当采取的各种策略。
- M（Measure 度量）：用户衡量我们的策略是否有效，反映目标的达成情况。度量涉及两个概念，一个是KPI（关键绩效指标），用来直接衡量策略的有效性；一个是目标值(Target)，需要预先给出数值，来判断策略是否能达到预期值。
2.UJM模型
UJM（User Journey Map）是用户旅程地图的意思，梳理用户旅程地图，可以帮助大家锚定数据规划的目标对象。
在这个地图中，基于用户视角，模拟用户在业务流程中的参与动作，并做完用户全生命周期的过程，可以称之为用户旅程。
下面以一个简化版电商产品的UJM模型为例介绍。梳理电商产品UJM模型的过程包括：拆解用户所处的每一个旅程的阶段、了解每个阶段中的用户行为、明确每个阶段中的电商产品目标、发现各阶段中电商产品与用户的接触点、从接触点里找到痛点和机会点
在整个用户旅程地图中，用户会反复在各阶段间相互跳转。我们需要为每个阶段设置对应的目标。通过UJM模型设置出的目标，就可以反哺OSM模型，判断OSM模型是否有遗漏。
OSM模型将迫使企业高层思考，现阶段最重要的目标是什么，哪些业务能承载这些目标。而业务部门则可以通过UJM模型，将公司战略目标、策略与业务流程快速耦合在一起，最终形成一个清晰、明确的指标体系，让数据语言变成公司上下协同的统一语言。
3.场景化
“场景化”是为了将战略目标下沉到一线工作人员的具体执行任务中。
只有OSM模型和UJM模型，在落地“数据驱动增长”的过程中还有一些掣肘。因为这个框架过于庞大，当我们想要快速切入、快速落地时，往往找不到明确的切入点，准确说就是不够具体，不是一个可以直接被执行的任务。
以策略 “通过线下导流到线上公众号”举例，线下导流的方式有很多，比如做线下活动，拜访客户等等，线下活动才是一个可以被执行的任务，也就是一个“场景”。
OSM+USM+场景化
20个通用型场景
场景化可以帮助大家更快速地推进指标体系落地。除了紧贴企业目标外，还要围绕用户旅程地图中的关键场景，逐层拆分成多级目标，对应相应的业务策略，以及衡量该目标达成的数据指标。这些对应的数据指标，就是构成数据规划的最小单位。
指标分级
指标分级涉及的技能会更高一点，更适合数据分析师，以帮助公司规划完整的指标体系，从而及时发现公司业绩的升高或者降低，以及公司业绩升高或者降低的原因。
当一级指标提升时，我们就要迅速检查是哪些二级指标有波动，快速找到一级指标提升的原因。发现是哪些二级指标有波动后，再通过三级指标拆解二级指标。以此类推，我们便能够解决日常业务中遇到的70%的问题。
三、数据采集—必备基石
数据采集的准确性会影响用户行为数据分析的效率和准确性。
数据采集中遇到的四类典型问题
- 前期业务沟通不明确，导致采集到的数据并不是业务人员想要的数据，反复沟通，反复返工
- 采集时机和口径对不齐，业务人员希望在某个节点采集数据，但是技术人员可能不理解为何要如此采集，导致没有对齐
- 采集点没有统一管理
- 版本迭代更新导致数据发生变化。实际中，新版本发布后的数据采集环境和旧版本经常会不一致，导致数据对比缺乏意义，难以衡量改版带来的变化
手动埋点
顾名思义就是借助埋点（写代码）来采集数据，在需要监测用户行为数据的地方加上一段代码，称之为Capture模式。
无埋点/全埋点
无埋点：前端自动采集全部事件并上报所有的数据，通过圈选来获取需要使用的事件，采用Record模式。
数据集成
仅采集数据并不足以支撑我们围绕用户进行全面的数据分析。
我们需要一个能够整合，处理和打通线上，线下多个来源的用户数据并以唯一的客户视角呈现的平台，即客户数据平台（简称CDP）。
客户数据平台包含的内容
-
用户行为数据采集: 通过ID映射将所有的用户行为数据都聚拢到每个用户身上
-
标签计算: 比如生命周期阶段、RFM（Recency、Frequency、Monetary）、活跃时间、渲染次数
-
分群营销: 针对精准的目标群体、符合特征的用户群，通过一定的触达渠道进行定向邀请
-
用户画像: 当用户标签足够丰富之后，就可以称之为用户画像，勾勒出用户完整的形态，甚至可以通过用户画像进行“千人千面”的个性化推荐
四、数据分析----需要花费较长时间但能产生巨大价值
书中提出业务导向的数据分析整体思路，即“用户流转地图—场景化—数据分析模型”。
用户流转地图将带领大家从全局视角出发，快速发现局部问题；场景化将带领大家将数据分析落地到具体的场景中；在具体场景中借助十大数据分析模型，以及其他数据分析方法进行具体的数据分析。
用户流转地图：全面展示业务流程，快速发现业务断点的工具。通过使用用户流转地图可以帮助业务人员概览业务全貌、洞察业务痛点、明确优化方向并规划迭代路径
此外，书中讲到了十大数据分析模型。
漏斗分析
漏斗分析是一套流程式的数据分析模型，通过将用户行为起始的各个行为节点作为分析模型节点，来衡量每个节点的转化效果，一般通过横向柱状图呈现。漏斗分析能帮助我们清晰地了解在一个多步骤的过程中，每一步的转化与流失情况，从多角度剖析对比，找出流失原因，提升转化表现。
用户分群分析
通过用户分群分析，可以回答“用户参加哪个活动后在产品内的活跃度更高”“用户之前活跃最近却沉寂的原因是什么”“每次走到最后一步就放弃注册的人群的共性特征有哪些”等各种以用户群体为对象的共性问题。同时，用户分群分析也是精细化运营的基础。当用户分群分析结合行为数据与业务结果数据后，运营人员可以通过RFM模型（Recency、Frequency、Monetary）等经典的用户分层模型，实现精细化运营。
定位流失原因案例
某企业级SaaS公司以微信中的H5落地页为获取线索的主要来源，在进行漏斗分析时发现使用iOS系统的用户从某周开始，其从“填写手机号”到“获取验证码”环节的转化率相比Android端低了3.1%。通过漏斗下钻分析及GrowingIO的用户分群功能，对“转化成功的用户分群”与“未转化的用户分群”进行维度对比，发现在某几款新型号的iPhone上的数据有明显差异。最终，确定问题为H5页面未对新款iPhone机型的屏幕大小做适配，导致客服头像盖住了“获取验证码”按钮。通过用户分群分析定位流失原因，该问题被解决后，转化率即刻回到前期的正常水平。
归因分析
归因分析是一种将销售功劳或者转化功劳，按一种或者一组分配规则，按劳分配给转化路径中不同接触点的数据分析模型。可以帮助我们深入了解用户转化路径，找到广告或渠道对用户转化的促成关系
用户购买某品牌口红的转化路径及归因分析
首先，用户在今日头条的信息流上浏览了该品牌口红的广告A，然后又去微博浏览了该品牌口红的广告B。1天后，用户又在小红书上参与了该品牌口红的促销活动A，但未下单。2天后，用户又收到了该品牌口红的优惠券短信。于是，用户最后在百度上搜索了该品牌口红的官网，完成了下单购买。
在这条转化路径中，如果按照ROI分析的逻辑，会把所有的权重算在百度搜索这一个渠道上，但这是典型的以偏概全。我们可以通过线性归因和位置归因模型，更科学地分析这条转化路径中各个接触点的功劳。比如，通过位置归因模型，我们就可以将各个渠道的贡献权重分为：今日头条占比40%、微博和小红书占比20%、百度占比40%，这样就不是百度搜索单独占比100%。
五、数据应用----带来最直接价值
应用好数据，可以调整并优化营销、运营、产品、服务、销售等企业与用户连接的各个触点，以提升LTV
A/B测试
A/B测试是一种通过一些客观指标，对比不同方案来衡量哪种效果更佳的评估方法。它的主要优势是在真实环境（即复杂的现实世界中），通过部分用户产生的用户行为数据和业务数据，验证不同的设计方案，最后分析、评估出最优方案再加以正式应用。
A/B测试的步骤
第一步：A/B测试策略制定
ICE模型
- Importan：重要性
- Confidence：信心指数
- Effort：难易程度
I、C、E 三个因子分别为 1 ~ 10分，每个人打分，然后相加，找到得分最高的策略进行 A/B 测试。
第二步：测试目标（评估指标）选择
以OSM模型为基础，从大目标（O）出发，找到能够达到该目标的策略（S），用合理的指标（M）去追踪策略是否能够达成业务目标
以“官网的核心注册按钮文案的A/B测试案例”为例，核心业务目标(O)是提升注册转化率，测试策略(S)是通过将官网注册按钮“免费试用GrowingIO”文案修改为“立即注册，体验产品demo”，衡量这个策略的核心指标(M)是注册按钮的点击率，相关指标是注册转化率。
第三步：科学分流
A/B实验最小样本量计算
www.evanmiller.org/ab-testing/…
第四步：A/A测试
为了确保样本的均匀分布，排除由于样本自身差异带来的影响，可以在A/B测试前进行A/A测试。
第五步：策略投放
第六步：数据监控
第七步：策略结果分析与执行
产品迭代
精细化运营
精细化运营意味着为不同的用户群体提供更细致的标准化产品。
结语
在数字化时代，用户行为数据将是激发企业创新活力的重要资源。企业对用户行为数据进行系统的规划、采集、分析和应用的能力，将决定了企业在商业竞争中成功与否的关键。
