大数据技术视域下对用户行为数据的分析与应用思考

周学申

(天津联合创展通讯器材有限公司,天津 300457)

1 大数据与用户行为分析的关系

“大数据”是从信息技术领域构想出来的,并且它作为一种趋势,逐渐传播到科学和商业领域。大数据的价值体现在大自然中,它为人类理解复杂系统提供了新的思维方式。从理论上讲,在足够小的时间和空间范围内,真实世界的数字化可以构建真实世界的虚拟数字图像,反映承载真实世界行为的规律。大数据技术为用户提供了一种真正可靠的分析方法,类似于检测器,在实际使用中,可以灵敏地检测出细微的变化以进行系统分析和检测,并提供多种模型。因此,在大数据应用程序的实践中,存在许多描述性和预测性分析应用程序。

笔者将大数据定义为一种服务型的无实体工具,它为企业和客户创造价值,这些好处可以在广泛的领域中感受到,不论是大型或小型公司。在大型公司中,有多种驱动程序来投资大数据技术。

分析业务和交易数据,在万维网上收集信息,对客户行为进行详细了解,并在BTO模型上使用高级分析来确定制造商如何使用它,从而使发送者和销售人员受到影响。当前,制造商正在使用大数据来改善保修管理和设备监控,并调整物流以将其产品推向市场。零售商使用多种方法与在线和离线客户互动,以提供更具针对性的建议和更高的价值。科技公司使用大数据来分析数百万个数据,以提供可靠且准确的语音交互,而银行则使用大数据技术来改善欺诈检测[1]。

2 基于大数据技术,用户行为分析的方法

用户行为顾名思义,是用户在产品上产生的行为。用户行为数据是从一次次的行为中而来的,行为数据是通过埋点进行监控,由开发完成监控程序或调用SDK完成。比如通过后台分析一个人使用某种APP的时长、在那个模块上的停留时间最长,可以对这个人的行为进行收集和统计[2]。

2.1 行为事件分析

行为事件分析方法主要用于深度研究某行为事件,以及对产品的影响以及影响程度。针对某一具体行为,全面的描述、对比,针对其异常表象深度下钻分析各维度、确认导致该行为数据表现的原因。这种分析是目前较为常见的,经常运用于各种手机APP运营的分析中。通过对于用户的行为事件进行解构,了解突如其来的浏览变化、用户数量的变动的原因以及提出应对策略。

行为事件分析首先要确认历史上是否有发生过类似事件,对比之前数据的相对表现,看看有无类似情况出现;分析者应该采用多事件对比法,对比各个具体模块的数据是否存在大幅度变化,确认变化现象发生的范围;在这之后的维度下钻分析中,根据之前的结论分析对应模块应该做了哪些调整、预测这些调整是否能更好的适应变动的环境;最后也是最关键的一步——交叉分析用户自然属性、行为属性、媒体使用属性等数据,深度分析用户的态度产生原因,了解态度变化、行为变化的根本原因,为APP的调整做出反馈[3]。

2.2 留存分析

留存,是指用户在App、网站等应用上使用过,并一段时间后仍有使用。留存分析模型是一种衡量用户健康度/参与度的方法,超越下载量、DAU等这样的虚荣指标,深入了解用户的留存和流失状况,发现影响产品可持续增长的关键因素,指导市场决策、产品改进、提升用户价值等,它是衡量用户是否再次使用产品的指标,也是每一个App赖以生存的指标,能够反映任何一款产品健康度,是产品、运营、推荐效果的整体表现。如果一个App从来没有留存用户,那DAU将永远是新增用户,那么产品将无法运行下去,更别说新用户成本付诸东流[4]。

比如一个APP的运营,必须要依靠大量的用户,那么用户数量的多少、用户数量的变化情况是怎样的,都可以用留存分析进行研究。因为贴合业务属性、精细化留存过程将对留存数据更有价值和指导意义。通过留存分析,能够剖析用户留在产品的原因,从而优化产品核心功能提升留存。

2.3 漏斗分析

漏斗分析实质是转化分析,是通过衡量每一个转化步骤的转化率,通过转化率的异常数据找出有问题的环节并解决,进而实现优化整个流程的完成率。在产品初期处于与市场适配的阶段时,通过漏斗分析找到用户触达的瓶颈,帮助用户触达产品核心价值,真实反映MVP与市场匹配程度;在产品中期处于用户平稳增加的阶段时,通过漏斗分析优化渠道,找到目标群体用户;通过漏斗分析优化用户在各模块的体验比如基础的登录模块、产品核心价值模块:如抖音的播放模块、淘宝的购买模块等;在产品后期处于用户价值产出的阶段时,通过漏斗分析可以改善用户生命周期,可以优化用户体验、提高用户生命周期,从而间接拉长用户群体的价值产出的时间长度,减少高价值用户群体的流失。分析者可以通过漏斗分析优化商业化模块,像商品的购买过程、广告的曝光点击等,提高生命周期中单位时间产生的价值。

需要注意的是,一般来说漏斗分析是有序的,这个顺序反映在关键节点的路径上。在有序漏斗中,路径越来越窄。换句话说,每个步骤中剩余的数据量不能大于前一步骤中剩余的数据量。如果不满足此条件,则表明关键路径的处理顺序可能有问题,我们应该调整路径顺序[5]。

3 用户行为分析的应用

3.1 智能推送服务

智能大数据推送的每一个阶段都是根据用户的性别、年龄、所在城市、喜好等方面来进行画像的标签进行筛选,从而达到一定的精准推送。但是这种推送较为粗犷,所以采用的是根据用户所在的场景、地点、时间,结合他的画像进行推送。这样的智能大数据的推送在一方面的确给我们带来方便。

可是,依然有人觉得智能大数据的推送,可能会让我们错过某一些感兴趣信息。因为每个人随着年龄的增长以及阅历的增加,自然会在每一个阶段有不同的需求。所以如果每次知识的推送是根据我们往常根据喜好来定,筛选的信息推送这样不利于了解全方面的消息。因此,目前急需一种改良版的智能推动服务,能时刻调整自身以满足不同人生阶段对不同信息的需求[6]。

以笔者研发的“懒人模式”智能推送机制为例,它是基于用户分析来进行个性化推送服务,帮助人们减少了检索资料所需要的时间,在全国范围内开创了无需用户主动提交感兴趣话题的推送模式。这种模式广泛运用在抖音、快手等APP上,用户无需按主题选择视频类型,而是以APP推送顺序观看,这个推送顺序是根据用户在每个视频的停留时间、点赞及评论情况进行大数据统计分析之后的个性化精准推荐;这种推送的服务目前大有席卷全国所有APP的态势。

3.2 预测功能

在谈论收集,存储和挖掘大数据时,最常见的例子是“股市预测”,“流行病预测”和“消费者行为预测”。预测是大数据的核心业务。因为所有非常规变更都必然拥有先兆症状,所以必须进行跟踪。如果观测者发现系统和变化之间的规律并推导出相应模型,则可以利用这个模型进行预测。大数据预测无法确定是否一定会发生某些事情,它只对事件的可能性进行描述,因此大数据预测具有及时性,活动性和规律性特征。大数据预测的优势在于可以将非常复杂的预测问题转换为简单的解释性问题,这是小数据统计收集无法实现的。从预测的角度来看,大数据预测结果用于处理简单的结论和实际的业务目标,还可以在问题发生之前进行预防并为用户提供完整的信息[7]。

例如我们每天都会在电视上看到的天气预报,就是典型的大数据预测应用领域。天气预报粒度已经从天缩短到小时,有严苛的时效要求。如果基于海量数据通过传统方式进行计算,则得出结论时明天早已到来,预测并无价值,而大数据技术的发展则提供了高速计算能力,大大提高了天气预报的实效性和准确性。

另一个例子是犯罪预测。通过分析一个地区的犯罪数量和类型收集到诸多的数据,这些数据有助于警察了解犯罪的性质。余震模式指出,当犯罪发生在一个地方的时候,就会有更多的犯罪出现在附近,这些犯罪活动的模式,就类似自然灾害“余震”。当分析者把之前的犯罪代入方程式,就会产生在过去预测里发生了什么事。而现在该部门可以透过运算来分析识别犯罪模式,这系统的分析,让暴力犯罪在这些地区连续递减[8]。

3.3 开创激活数字经济时代

用户行为分析是信息技术发展的重要要素,也是信息过程的新阶段,鼓励了数字经济的创造和繁荣。信息技术已从促进经济发展的辅助设备转变为引导经济发展的重要引擎,创造了一种新的经济模式——“数字经济”。互联网的迅速发展引发了一场社会经济革命,改变了人类社会,并为个人提供了“互联网支持”,提供诸如社交网络,购物,教育和娱乐等服务。通过大数据技术和用户行为分析,我们可以开发功能全面且具有较高社会效益的产品。这大大超越了时间和沟通与协作方面的限制。互联网和电子商务业务正在逐渐兴起,它使用互联网连接世界范围内任何地方的客户和供应商,提供付款和信贷等服务,为用户提供管理等支持帮助,并取得了显著的成果。大减少了实际生活中耗时耗力的联系,降低了交易成本,提高了客户满足,论坛经济和经济共享等新的经济模式也因此发生了急剧的变化[9]。

4 中国行为数据分析发展方向

大范围内,中国的互联网数据已经得到了很好的开发和有效的营销。一些互联网公司正在国际主要水平上建立大规模的数据存储和处理平台,并在移动支付,在线信用研究和电子商务应用方面取得国际进步,引领了行业重大进展。但是在实际应用中,大数据的开发,特别是对用户行为的详细分析仍然不够。行业中大数据应用的广度和深度显然不足,需要快速形成和发展生态运作系统[10]。

通过使用各种产品数据(例如市场、设计、生产、服务、重用等),可以建立更准确的行为数据分析模型,利用这种模型,公司可以更细化和个性化客户需求,以便建立更精简、更灵活和智能的生产系统,创建出例如产品销售,精准服务和成本预测等不同的应用模型。