为什么女人总爱逛街却什么也不买？为什么总有人喜欢晚上看淘宝？为什么有人总会买一些永远用不上的物品？为什么刷抖音总会上瘾，停不下来？

这些问题可能很多人都有过疑惑，但是在数据分析人的眼中，这些现象都可以溯源到一个本质上——用户行为事件。

你为什么上瘾？

“如果商业是一场战争，那么用户就是这场战争的绝妙武器。”

这句话估计很多人都听过，用户对于商业营销的重要性不言而喻；而对于数据分析而言，用户也是我们最关键和最重要的分析对象，用户就是钱口袋。

那么我们从用户行为模型的角度看一下，为什么你会沉迷抖音不能自拔：

抖音的用户行为路径其实与其他app和网站都是类似的，但是抖音在进行产品测试时，一定经过了ABtest的数据分析验证，才制定出了下面这几条能让人上瘾的产品策略：

1、促进用户重复行为——15s的视频时长限制

想必你在刷抖音的时候经常会反复观看同一个短视频，这是因为抖音视频将时长限制在 15 秒，通常不能完整的呈现一段配乐和内容；

因此会给人一种戛然而止的感觉，很多人会不由自主地多看几遍，甚至会对这些并不完整的视频记忆深刻。

2、提前预知用户感知——自动循环播放

抖音里的视频播放，其中一个重要的交互就是自动循环播放。

因为我们的大脑，会先接收到抖音视频的音乐和图像，接着才会去理性思考：这个视频讲了啥？我接下来要点赞还是要刷走它？

像抖音视频的自动循环播放，微信朋友圈里的小红点，更多 app 使用的那些色彩鲜艳、灵动漂浮的图标，都在人们“猝不及防”的情况下收割了注意力和时间。

3、用户积极反馈机制——红心点赞

在抖音里面，短视频通常会以短平快的积极反馈机制刺激你的大脑，让你在短时间内与视频做出交互反应：

比如红心点赞，这些颜色和出现的形式，可以及时给到点赞者一个积极的反馈，让人感觉点赞也是一件开心的事情。

这就是研究用户行为的魅力所在，而抖音已经满足了上面的这些要素，正在给用户带来不同程度、无法摆脱的奖赏和刺激，让一些人“行为上瘾”。

用户模型的魅力

其实所谓的用户行为模型，并不复杂、也不深奥，大家经常见到的路径模型、漏斗模型、RFM模型等等都是用户行为模型的例子。

比如用来分析用户某个行为特征路径，并找到其每个动作背后的行为逻辑的用户路径模型：

比如通过异常来追踪用户的某个行为或者业务过程的漏斗模型：

比如通过对用户的购买行为进行画像分析，并对用户实现分层的RFM模型：

下面我们就以漏斗模型为例，教大家怎么针对用户行为进行漏斗分析：

某购物APP最近的交易量明显下降，运营人员找不到原因，我们该怎么从用户角度去诊断异常数值呢？

最简单的方法就是根据用户行为数据建立事件模型，很多人可能第一时间想到的都是使用excel，将数据导入excel表格当中建立一些分析图表，例如：

然而现实情况是，大多数用户行为数据都是散落在各个业务系统当中，可能存在多个数据源、多个指标体系、多个数据表当中，excel面对这样庞杂而混乱的数据是非常难以处理的；

而且对于用户分析而言，excel普通的图表无法实现对用户行为的追踪，更不可能根据用户行为实现异常诊断，那么有没有什么办法可以解决这两个困难呢？

答案揭晓——使用专业的BI分析工具。例如数据分析当中比较专业的FineBI这类工具，下面我们将用FineBI进行一次完整的用户行为模型分析：

1、数据导入

首先Finebi的一大优点就在于对数据源的管理，FineBI是可以支持链接多个数据源和支持多数据形式导入，比如excel、数据库形式、Oracle、SQL等等；

此外FineBI还比较友好的一点在于可以通过建立不同的业务包，管理不同类型的数据，或者根据自己的需求，对不同的数据进行管理。

2、数据清洗

excel当中难以解决的数据清洗工作，其实在FineBI当中只需要通过编辑字段即可完成，比如常见的过滤功能、分组汇总功能、新增列、排序功能、合并功能等等；

我们在这一步只需要将所有数据当中的脏乱差数据进行去除，并且按照平台的维度进行分类汇总即可：

3、可视化操作

清洗完数据之后我们就可以在FineBI当中的仪表板操作界面进行可视化步骤了，比excel更加方便的是，FineBI已经将各种可视化功能进行了集合，因此只需要拖动字段名到横纵坐标轴，选择合适的图表类型即可：

因为我们想要看一下用户在不同阶段的行为特征数据，因此我们在图表类型当中选择漏斗图类型，这时候右侧的图表类型即可自动变化：

这时候我们发现，漏斗的样式似乎不是我们想要的样子，这是因为默认情况下，FineBI当中图表的字段排序是按照首字母排列的，而我们显然是不想要这样排序的，因此我们可以选择自定义排序：

然而，为了更好地体现在不同阶段用户的一个流失行为数据，我们最好将原数据表当中的UV与PV计算为“转化率”，在excel当中我们可能需要编写一个函数，而在FineBi当中我们只需要点击对应的指标，选择计算方式，其中包含了大多数常见的快速计算方式。

4、分析结论

通过一个简单的用户漏斗行为模型，我们很明显地可以看出来：

（1）从浏览商品到添加购物车这个阶段的流失率是最大的，这是很正常的情况，大多数人添加购物车之后不会全部付款；

（2）而比较异常的情况是，最后一个阶段从交易到付款成功竟然也存在较大的流失，这种情况是不正常的，说明很可能是用户在付款时遇到了问题，比如功能BUG等，建议告知产品测试进行优化；

总结

FineBI这种专业数据分析工具的好处，就是可以轻松建立各种复杂的数据模型，任何FineBI的初学者都可以学习掌握，即使不懂你也可以把该模板直接复制使用。

值得强调的是，行为事件分析方法是多种数据分析模型之一，它与其他分析模型存在无法割裂的关系。