开发产品的你，知道怎么看用户使用产品过程中的行为吗？

先看一段手机录屏（全程无声，放心播放）：

从这个录屏里我们可以用语言大概描述这个用户做了什么事情：

用户打开App进入首页，滑动到最下方查看精选推荐，被一个游戏手柄吸引并点击进入主题会场，浏览了游戏手柄的商品详情，然后依次返回主题会场、首页，之后又去搜索了键盘，从搜索结果中找到一个商品，点击进入后选择了具体的商品规格，最后在准备进行购买时触发了登录注册，没有登录又返回了商品详情。

当做实际的用户研究时，可以比较容易的观察到用户是如何使用我们产品的。但是如果想要通过数据记录所有用户的使用行为，就需要通过客户端埋点的方式，才能够详实地记录用户的旅程。

我们可以把我们所关注的产品使用行为都埋上点进行追踪，比如浏览首页、浏览搜索结果页、浏览商品详情页等等。按照行为发生的时间把这些节点串起来，就得到了一条线性的路径，代表有这样一个用户，依次触发了相应的行为。这就是这个用户的行为序列了。

通过这种方式，可以脱离屏幕录像的限制，提取出关键的信息，也就是我们最关注的用户行为序列。之后通过观察不同用户的行为序列，就能比较轻松地了解用户是如何使用我们产品的，比如用户有没有在什么地方迷路、徘徊，喜欢用什么功能查找商品等等。

让我们再展开一下，如果我们想看某日访问App的所有用户，不同功能之间的转化率差异，会怎样呢？比如，搜索的转化率和活动会场的转化率相比如何？

有的用户会先进入活动会场再进入搜索，有的会先进入搜索再进入活动会场。

为了简化一下这个问题，我们姑且假设100个人进入首页，80个人先搜索再会场、另20个人先会场再搜索，每种都只有10个人下单支付。

如果我们计算转化率的口径是：浏览过XX页之后支付成功的用户，那么这100个人都进入过搜索，也都进入过会场，所以搜索的转化率是(10+10)/100=20%，而会场的转化率也是(10+10)/100=20%，两者的转化效果一样。这个结论显然是有问题的。

从结果上来看，最终通过搜索下单支付的20个人里有10个，而通过会场下单支付的80个人里才有10个，这样看，搜索的转化效果要好一些。另外，先搜索再会场的转化率只有12.5%，而先会场再搜索的转化率有50%，那么会不会这种过程更符合用户认知？

当然，这里都是为了简化问题而设计的数据，不具备真实性，深入挖掘下去也没有意义，这套认知方法才是重点。

在去分析用户行为的时候，人为定义相互独立的转化路径，并通过末次触点归因的方式分析不同路径下的转化效果。根据业务场景的不同，也有可能需要采用其他的归因方式。将各个节点可视化之后，就得到了类似这样的树状节点：

从这张路径图解中，线性的行为序列变成了树状节点中的流动，比如上图中橙色的1-2-3就是一个用户的完整行为序列。可以想象，对于一个产品而言，每天都有海量的用户在这个虚拟的树状结构中流动着，有的流着流着就流失了，有的流着流着就转化了，我们要做的就是搞清楚用户是如何流动的，哪种流动的效率最高、对用户最有利，然后不断的调优。

不同路径之间不具备直接的可比性，只能作为参考。

毕竟跑到商场最深处买东西的人有着很明确的目的性，而在入口促销区买东西的人只是图便宜。这是天然的选择偏差，超市通过路径“选择”了用户。这种现象甚至可以被我们用来主动筛选用户，比如优惠券这种歧视性定价的经典方法，就是在通过路径选择用户。

搜索和活动会场就像一家大型商场的两个货架陈列区域，一个是按品类陈列的，一个是超市门口的促销货架，并且两者之间的商品有重合也很正常。

但是App和实体超市有一个重要的区别：空间的不连续性。

超市的空间必须是连续的，如果有5个区域线性排列，那么消费者在从A区走到E区之前，必须要依次经过B、C、D区。而App里的5个页面（销售区域），从A到E，可以不经过B、C、D，这种不连续的空间跨越只有App能做到。

这也意味着，用户在App内真实的行为路径实际是网状的，而不是树状的。比如从一个商品详情可以直接去往另一个商品详情或者店铺主页，支付成功之后可以直接返回首页、去往订单、去往新的商品详情，等等等等。

真实的用户行为是在以大量行为节点组成的空间中跳跃前进的。为了分析不同的问题，需要我们人为地抽象出合适的模型，简化问题，抓大放小，这样才能海量数据中挖掘出有价值的见解和洞察。数据是客观的，模型和抽象方法却是主观的，这是一门艺术。

你学会了吗？

本文原创，未经作者允许不可转载！

更多内容，欢迎关注作者微信公众号：产品研究笔记！