近两年来互联网金融产品层出不穷，市场同质化严重，如何通过有效的数据分析实现精细化管理并提升用户全生命周期价值，成为了互联网金融行业创新的新风向。

全文分为三大部分：

1. “行为数据”是基础：行为数据是宝藏却少有充分开采出价值；
2. “理财业务”是核心：让业务相关的各部门直接运用数据，加快在各部门间流转以创造价值；
3. “驱动增长”是目标：以用户为中心进行分析，经典分析场景重点关注。

一、“行为数据”是基础

１、主动行为+被动行为

用户行为，由自身素质和场景共同决定。回到用户行为数据上，不仅是流量的或者交易的结果，不仅包括用户的主动行为，还有被动行为，比如，在理财平台系统反馈回来告诉用户还没有充值，这就是一个被动行为，同样需要被采集，去分析。

２、影响行为的环境业务信息

我们强调，把更多心思放在影响环境的业务信息上，比如，在理财平台上，我们应该知道用户进入“我的帐户”页处于什么状态，用户当时有多少金额，当时在帐户存多少钱，有多少收益，他是认证还是没有认证，这些是我们后期去分析影响他转化的关键点，是我们后期去看到底他为什么没有做我想做的那个事情，要去看他背后环境的信息，业务的信息，或者某一个理财产品最近被看得非常多，可能仅仅是因为你在上面打了一个脚标，可能脚标就是一个促销等，其实这只是用户的从众心理，觉得不错就买了。

３、跨平台的行为打通

互联网是一个完整的生态，涉及到各个渠道，H5、APP、Web端等等，我们需要以一个唯一标识把用户打通，他在这一个端的行为可能受到另一个端的影响，我们需要把各个平台上的行为整合到一起才能有一个对用户更加完整的认知。所以这些行为数据是一个做数据驱动的基础。

为什么，在充值环节用户流失严重？

——【理财产品】案例分析

这个问题是2016年某金融产品客户提出的。

概括来说，理财类产品的用户行为大致是，注册→实名认证→绑卡→充值→投资，需要关注的，无非是注册转化充值，让更多的钱进来。

之前，客户也针对这一流失问题，花费很大的技术成本，进行过多次迭代，但提升却不是很理想。之后通过诸葛io的数据展现，我们分析出用户流失的真正原因。

行为数据显示，当用户点击“充值”后，会因“未实名认证、未绑卡”等原因，而导致多次失败，最终丧失耐心而白白流失掉。

二、“理财业务”是核心

１、定义关键有效的指标体系是数据驱动的第一步

理财产品的业务体系比较干净，通过各个渠道及推广方式获客，不同的路径有不同的转化率，然后到达理财项目。

（１）以业务为核心，做数据增长首先回归到业务上

围绕数据驱动或者做增长的第一步，需要对现有的状态有一个清晰的认知，有一套指标体系监控整个产品业务状态。

以理财产品为例，用户从访问到提现离开，不管新、老用户，当我们能够围绕业务将其行为梳理清楚后，就可以横向在每一个阶段对用户进行监控衡量的指标，在访问阶段我们会更加看重整个基本流量的数据，获客质量，你一定会发现，用户邀请来的新客质量整体上还是比推广活动带来的新客质量高。

（２）将公司内部各部门的目标在体系里进行梳理

如果各个部门能够从数据上来衡量自己的价值，能够更加清晰公司的核心价值所在；这样就做到了通过数据把整个公司的力量团结在一起，不断提升共同的目标。

２、用户活跃状态对业务数据的影响

（１）流量：精准衡量拉新/促活/召回

流量是大家比较熟悉的，通常会关注活跃用户数量和新增用户数量，那我建议大家更多的关注你的相对高质量的新增用户数量，关注你新增活跃占比的情况，关注你新增用户里面一次性用户的数量，这是能够更好的去衡量你流量的价值。

（２）转化：定位真正影响转化的人群

我们会去看这些绑卡转化率、投资转化率，这里面是有坑的；比如投资转化率，这个指标非常容易被大家忽略的就是用户的第一次转化率，因为在第一次转化的时候，对整个流程是陌生的，对平台的认知是刚刚建立的，再第一次转化时候的数据才能真实的反应产品设计的情况；如果用户是多次投资，转化率基本上反应的就是用户对业务员对项目的喜好程度。所以从路径转化的角度来讲我们务必需要关注首次的问题，尤其是理财产品或者金融领域。除了业务还有一个用户层级的转化，从小白用户转化为忠实用户，这是需要衡量的。

对于一些关键行为参与度的衡量，诸葛有一个模块是粘性分析，可以衡量某个功能某个行为，用户在一周里面触发的频次和天数，从而衡量他对我这个产品的依赖程度。

（３）留存：活跃各阶段的留存都衡量

留存说实话新增留存率现在看有的时候有点太粗了，用来做衡量是没有问题的，但是你想找问题就得做下钻，首先那些没有质量的用户的留存我建议大家最好不要看，毕竟流量里面虚的假的太多了，如果每次都让他去拉低你整个的留存的情况，那我觉得是毫无价值的，你都会错过那些真正有价值的用户。你其实有的时候要去看高质量新增用户的留存率，把他们的东西提升上去才是真的重要，有些刷量的用户怎么搞也提升不了。

活跃这个条件是可以被定义的，什么叫留存？咱们通常大家聊的用户留存就是他活跃了，当他启动过产品，我觉得这个用户来了算留存，现在这个不好说，还是那句话，技术上可以玩得花样比较多，那我更建议大家去定义一下留存的条件，比如他上来以后必须看过自己的帐户页或者看过一些理财产品，以这些条件定义他的留存会对我们有指导性。

留存分析的更进一步，就是用户对整个产品的依赖性，对你的使用频度越来越高这就是喜欢你。

所以，我们首先要有一个基本明确的目标，再做一个衡量，第二就是转化，当转化出了问题，很多时候都不一定是产品的问题，很多时候是用户流量的问题，我们只要分清是新增用户或者新增某一个渠道用户，就可能找到影响转化的人群，留存也是一样的，不同类型的活跃状态的用户我们的留存要拆开衡量的，这才能更方便的让我们发现潜在问题，甚至是一些价值点，这是各行各业都通用且极端重要的。

三、“驱动增长”是目标

１、以用户为中心 分析问题洞察价值

每个企业都希望能更深层次的了解用户，用户行为数据分析正是通过用户的每一次打开，每一次查阅，每一次跳转，每一次微小事件，帮助企业客户洞察用户。诸葛io具有更好理解用户的功能，比如用户行为路径分析，能够建立一个整体且真实的用户认知。

如何深入理解用户？

比如，企业客户改版上线了一个新功能，叫功能A，同时又优化了页面视觉设计，另外针对此次改版又进行了一次推广，最后留存没有变化，那么问题来了：功能A对这个留存有没有影响？

平常我们只能看到一个按时间线留存的情况，当多种条件混合在一起的时候，根本不能认定，到底是做了一次优化带来了用户体验更好？还是新功能A，用户体验更好？无从确定。

所以，需要把用户拆分出来，一类用户是使用过功能A的，并且用户不是从推广渠道来的，而且是一个老用户，并且在某一个时间段他活跃过，把这些条件组合在一起，和另一个没有触发过这些功能的用户拆分开来，然后看不同用户群的行为特点，留存的区别，漏斗的区别，交叉起来才能得出真正的结论。

２、三大分析模型帮你理解用户

（１）用户行为路径分析

指的是用户在进入产品以后的行为轨迹，用户用了哪些功能模块？用户使用的顺序是什么？通过分析用户行为路径，验证用户的使用是否和当初设计产品的逻辑是一致的。如果和产品设计逻辑偏差很大，就需要思考为什么？是设计的逻辑有问题？还是其他方面出现了问题？

如上图，在用户的一次启动中，94.6%的用户会搜索，搜索完77%的用户搜到了，开始看产品详情，其中又有62%的用户加到了心愿单，可能说明用户比较喜欢这种产品。

对群体行为的洞察，让我们拥有了一个全局视野，除了知道用户在怎么使用我们的产品，更重要的其实是对用户行为背后的动机解读。

（２）精细化用户分群

根据用户行为的特征将其按需拆分成不同属性的用户群，例如：做过A事件的人拆分成一个用户群，做过B事件的拆分成另一个群，看群体用户画像有什么区别，看他的留存和回访有什么区别。

精细化用户分群可以用能想到的任何维度找到目标用户，比如新增当日进行实名认证，查看且购买超短期理财产品的，来源为分众传媒（渠道）的用户群。

（３）单体用户行为跟踪

人是分析的最基本元素，需要清楚的知道每一个用户所处生命周期、活跃情况、环境信息等。有了用户群的画像以后，通过单体用户行为跟踪，我们就可以进一步追踪到个人身上，通过对个体用户行为的跟踪，可以查看用户具体是如何使用产品的。

用户充值遇到了哪些问题？

——【理财产品】案例分析

通过用户分群，可找到一些关键点，之后再细化就可以看用户到底如何使用的。用户能够帮助我们验证分析的猜想，第二，顺着用户的行为路径我们可以感受用户到底有怎样的需求，他身处怎样的场景，最后达到我们对用户理解的方式，并不是所有的用户都要看，只随即抽三五个即可，这是理解用户的最佳方式。以用户为中心做分析，还原使用场景，找到产品的问题点或核心价值。

３、经典分析场景重点关注

新、老用户对产品的不同期望：

新增用户对产品的期望和老用户对产品的期望完全不同，新增用户需要安全感，老用户需要新的活动收益点。

此前针对此问题进行了优化，不希望老用户直接跳出离开，有可能超过30%的老用户进来以后直接就跳到个人帐户页，这个过程企业更希望用户能够更多的留在首页查看热度商品，现在已有很多企业把今日收益等信息直接放在首页，用户可直接查看收益，注册后将有业务活动项目等促使用户转化。所以，将用户分层后逐步进行精细运营，让用户在其所在的层级之间做转化，以提升整个用户价值。

对于新手成长，从新手到最后复投，通常有两个阶段，一个是首投相关行为，整个绑卡充值的流程，决策时间，哪些品类对用户首投有影响，要进行不间断的监控，包括从试探性投资到放心充值。

用户对于当日到账、实时到账的感觉是不一样的，包括复投的分析，整个过程收益率的设计，是一个大场景，这个阶段特别重要，对于新用户的迭代和分析不容忽视，否则将导致用户新增数、留存度出现问题。

结语

最后，强调三点：

1. 用户行为，需要打通所有的数据孤岛，把数据串联起来；
2. 以用户为中心，包括分层和活跃状态，还有业务状态，包括用户生命周期是整个分析的核心；
3. 智能化，一些模型算法能够直接给企业客户提供改版分析、周期性的报告，以及优化关键点，使企业客户的各部门均有自己的看法去看数据，更好的优化自己的业务。

作者：邱千秋

本文由 @邱千秋 原创发布于人人都是产品经理。未经许可，禁止转载。