几乎所有部门，都会用到用户分析的结论，所以用户分析，在整个分析体系中，是最基础的环节（如下图）。
今天就简单分享一下，用户分析该怎做。
一、用户分析做什么？
用户分析解答四个问题
- 用户特征是什么（我的用户是谁？）
- 从哪里获得用户（用户从哪里来？）
- 用户的活跃行为（用户做了什么？）
- 用户的行为预测（用户会到哪去？）
这样做完分析以后，就能对用户状况有清晰的了解，还能根据预测结果，做出针对性的服务/营销动作。用户分析，可谓是人人都喜欢看。
二、用户特征分析
用户特征分析，就是把用户基础的性别、年龄、职业、收入、家庭地址、兴趣爱好……等展示出来，告诉大家我们的用户是什么样的。但是这部分受数据来源局限，实际工作中，很多公司无法记录到足够多的真实数据。所以，有哪些数据就展示哪些吧，无法强求。
但是，有一项特征分析，是一定能做的，就是：消费分层。用分层分析法，对用户消费进行分层，识别出哪些用户消费很高，哪些很低。这个结果，在后边的各个分析中都能用到。并且，特定的消费分层机构，会影响到后边运营思路（如下图）。
传送门：九大数据分析方法：分层分析法
三、用户来源分析
用户来源分析，就是从获取用户角度，把用户来源渠道、转化路径，结合用户消费分层与用户特征进行分析。从而识别出：
- 哪个渠道获客效率更高
- 高价值的用户在哪里集中
- 获取用户的方式，是否能进一步优化
用户来源分析，对于广告投放、销售培训、市场推广都有重要意义，因此备受关注。
四、用户行为分析
用户行为分析，针对已经注册，具有ID的用户，分析其活跃行为，包括：
- 用户消费行为：用户买了多少钱、买了什么货、上次消费距今多久了
- 用户咨询行为：用户向客服咨询了什么问题，投诉了什么问题
- 用户互动行为：用户浏览了什么内容、点击了什么页面、看了什么直播
这里最重要的就是消费行为。大部分公司都是依靠用户消费赚取利润的，运营/营销的策略，也是从消费行为分析里推导出来的。更好的是：用户消费数据一定有完整的记录，所以可以做很多分析。比如经典的RFM模型，就是针对消费行为进行分析（如下图）。
用户咨询行为，一般是通过客服/门店收集的，即使传统企业也能拿到这部分数据。用户咨询数据量不会很大（发起咨询的用户，只占全量的1%左右），但是意义很大。因为会发起咨询，就说明用户有强烈的意愿。
如果咨询的是活动信息，就说明活动宣传有问题，用户看不懂。
如果咨询的是商品信息，就说明有些用户对该商品有特殊兴趣。
如果投诉的是产品质量，那就得赶紧处理，避免事态升级。
用户互动行为，在互联网行业很普遍(传统线下门店记录不到这些数据)。通过埋点数据，可以获得用户点击、浏览、观看等数据，这些数据，零散地看可能意义不大，但是汇总起来，能形成很有意义的分析。
比如：
- 分析用户在交易过程中行为，找到提升交易概率的关键
- 分析用户对内容点击浏览行为，找到用户的兴趣点以提升留存
- 分析用户对商品/活动信息的浏览行为，找到用户购买需求
在用户互动行为上，分析模型也很多。比如勾画用户站内行为的UJM模型，比如找用户关键行为的“魔法数字”分析方法等等。有机会再跟大家一一分享。
除了单独的用户行为分析，用户行为数据，可以作为建模的输入素材，训练更多的模型。
五、用户行为预测
用户行为预测包含宏观、微观两个层面。
宏观层面，针对用户群体总量进行预测，比如预测整体上用户会流失多大比例，用户增长到什么规模，活跃用户预计是什么水平。通过宏观预测，能指导企业整体经营计划的制定。预测宏观数据的方法相对简单，可以用之前介绍的时间序列方法，也能直接拟合曲线/按比例推算（如下图）。
微观层面，则是对每一个用户的行为进行预测，包括
- 预测用户是否消费：找出不消费的用户，进行激活
- 预测用户是否流失：对于高流失概率的用户，体现促活
- 预测用户需求：通过关联规则、协同规律，找用户可能购买的产品
这些模型能直接指导业务动作，意义很大。但是建模本身需要较多基础数据积累。而数据积累又恰恰是很多企业最大的软肋，所以这一部分分析，大家量力而行。
六、小结
今时今日，各个部门遇到点问题，都会问：
- 是不是用户不喜欢？
- 是不是没找对用户？
- 是不是用户行为有变化？
