编辑导读：一个新功能上线后，有可能效果并没有达到预期，这时候就需要对用户围绕这个功能的操作行为进行埋点跟踪，获得更多的数据以便分析。本文作者将从自身工作经验出发，对此展开分析，希望对你有帮助。

我们的产品最近做了一个抽奖活动。活动挂在首页banner，抽奖前需要先完成任务。

第一周结束，我们统计了下参与数据，一个日活50000的产品，日均任务完成量是50。

由此可见，这个活动的效果非常之差了。这也是我们在做产品过程中常见的问题，一个新功能上线，效果却很一般，没有达成我们期望的功能效果。

如果放任这个功能不管，让用户继续这样使用，通常也很难获得更好的效果。故而在很多时候，我们需要对用户围绕这个功能的操作行为进行埋点跟踪，获得更多的数据，给予我们更多的分析维度。

就像这个活动的功能，只吸引到了活跃用户的0.1%，与我们一开始期望的10%的活跃用户参与相差甚远。我们就可以对点击活动banner的用户数量、点击同位置其他banner的用户数量、点击其他活动的用户数量、活动页面的跳出率等行为进行埋点，获取用户的行为数据。

通过多重数据的组合分析，我们发现活动本身并没有太大问题，但是20%的用户在等待活动页加载时就退出了，再结合活动页需要加载30秒的情况。我们发现活动页加载时间过长导致用户流失过多。由此我们便将功能的优化策略定为缩短活动加载时间。

优化完成后，参与活动的用户量从0.1%增加到了3%。证明本次优化方向正确。

一、破局：用户操作行为埋点

完成一个新功能，并不是简单开发上线就算完成。就像并不是抽奖活动上线，这个功能就代表成功。相反，新功能的上线仅仅只能算作一个功能完成过程的开始而已。

想要真正达成我们想要的效果，还有一个验证和调优的过程。

能帮助我们验证和调优的工具，就是埋点报表。在这里我们主要指代的是用户的行为埋点报表。

那么什么是用户行为？

用户行为就是用户在使用产品时，进行的一系列操作行为，包括用户从哪个渠道进入产品、进入每个页面前的上一个页面、离开页面后进入的下一个页面、在页面的停留时长、页面上每个按钮的点击情况、搜索情况以及在哪个页面离开产品等。用户的行为往往能够反映用户对产品的真实想法。通过对用户行为进行监测分析，可以让我们更加详细地了解用户的行为习惯，找到用户喜欢和不喜欢的内容，让功能更贴近于用户的喜好与习惯，增加用户使用产品的意愿。

不同的用户行为能够带给我们不同的信息。主要需要收集的用户信息包含以下3种：

1. 用户的来源渠道

主要包含用户下载APP或是进入网页的渠道。像是平常在刷抖音时，通常能看到APP广告推荐，通过给各渠道提供不同编码的安装包，用户在通过不同渠道进行下载安装时，可以通过安装包内置的ID来确定用户是通过哪一个渠道进行安装的。

用户的来源渠道能够帮助我们了解不同渠道导流的效果，帮助我们在后续的推广中选择效果更好的渠道；例如通过对APP来源的监控，发现通过抖音下载APP的人数是日均500人，而通过快手下载APP的人数是日均5人，我们就可以不必在快手继续推广，转而将更多的推广经费放到抖音渠道。

2. 用户的使用路径

用户的使用路径主要是指用户在进行某个功能操作时的一系列步骤，包含进入这个功能前在哪个页面、点击哪里进入该功能、离开功能页面后去了哪个页面等。我们可以通过对每个页面按钮和新开页面的请求进行埋点，记录用户新进入的页面url、上一个页面的url和点击进入的按钮ID。

在对某个功能进行分析时，我们可以将用户的每一步操作认定为一个关键环节，统计出每个环节的用户数量，两两比较，计算出转化率，转化率=每个环节的用户数/上一个环节的用户数。这样就可以明确指示出，我们在哪个环节流失用户最严重。

通过收集产品每个关键环节的转化率，建立起用户的遗失漏斗，从而直观地反映当前问题最严重的环节，以便于我们针对性去解决。

以抖音为例，我们为“刷抖音赢红包活动”这一行为设定了一条路径，即：用户进入首页-点击活动浮窗-点击做任务-刷抖音完成任务-回到活动页领取红包。

我们统计了活动的转化率。如下图所示：

上图很明显反映出，该用户路径的第一个环节，有30%的用户参与其中；但是在用户路径的第二个环节，仅有0.3%的用户参与其中，故而可知问题是出在这里。

在产品设计中，用户路径往往是我们根据自己的认知设计出的，有些时候用户的确会依照这条用户路径进行操作；也有很多时候，我们设定的用户路径由于某些原因会导致无法行进下去。这就促使我们必须要对这条路径进行转化率分析，从而量化出真实按照该路径行进的用户数和用户比例，同时找出每个关键环节的用户流失率，建立用户遗失漏斗，从而逐步改进，减少用户流失。

3. 用户的访问情况

用户的访问情况主要是指用户对某个页面的访问情况，包含用户的访问页面次数、访问时长、访问间隔天数、跳出率等。

用户的访问情况通常能够反映出用户对产品上某些特定页面的喜爱程度，我们根据用户不同的喜爱程度，提出相对应的运营策略。

运营策略大体遵循以下原则：

• 用户喜爱程度非常高的，我们就采用促进用户付费策略。
• 用户喜爱程度偏高的，我们就提升该内容在用户眼前出现的频次、或是推送相关的内容，以此继续提升用户的喜爱程度。
• 用户喜爱程度一般的，则要减少该内容在用户眼前出现的次数，为用户更喜爱的内容留出空间。
• 用户不喜爱的，则该类型的内容都不要出现在用户眼前。

如果将访问情况的颗粒度放大到这个程度，情况则就是这样。但在实际操作上，我们往往需要更细致的颗粒度来推断用户的情况。

我们将颗粒度再细化一下，分解到每个访问数据来看一看。

用户的访问次数是指用户进入某个页面的次数，通常是在用户进入页面的时候进行埋点记录。根据不同的场景有不同的统计方式，通常有两种统计方式，一种是用户进入该页面一次就算作一次访问，另一种是每个用户每天首次进入该页面才算一次访问。

例如在淘宝，想要了解某个用户对某件商品的喜爱程度，则可以将该用户每次进入商品详情页算成一次访问，通过统计了解到某用户一天不同时间段进入A商品的详情页10次，而进入其他商品详情页仅1-2次/天，则可判断出该用户很喜欢A商品，但对于购买犹豫不决，这个时候我们就可以通过首页推荐该商品，增加该商品在用户眼前出现的频次；或是推送该商品相关的优惠券等，以此来促使用户达成购买行为。

而在某些场景下，每个用户每天首次进入该页面计算一次访问即可。例如在淘宝双十一活动页，用户出于做任务的需要，会在双十一活动页和商家店铺页面不停跳转。这个时候我们统计双十一活动的日均活跃人次的时候，就只能在每个用户每天首次进入活动页面时计算访问次数，以此来判断活动效果。

用户的访问次数通常能够反映某个页面、某个功能乃至某款产品对用户的吸引程度，用户总访问次数越高，代表产品对用户的吸引程度越高。单个用户的访问次数越高，代表该用户对产品的喜爱程度越高。我们通过这个数据可以找到用户真实喜爱的内容，通常该数据也作为我们运营策略的依据存在。

用户的访问时长是指用户在浏览某个页面时停留在该页面的时间。通常是对用户进入页面和离开页面的时间进行埋点，在用户进入和离开页面时，客户端会给后台发送不同的请求，告诉后台用户当前的操作。通过后台对这两个操作的时间进行记录，两者相减得出用户在页面的访问时长。

这里会有一个特殊情况，即用户使用非正常手段离开该页面，例如用户在使用APP时，并非点击退出离开产品，而是直接在手机后台强行关闭某个应用。这个时候我们能够拿到用户进入页面的时间，但是无法准确获取用户离开该页面的时间。为了数据准确性，这个时候我们通常将用户认定为未在该页面停留。在埋点报表中，数据准确是首要要求，切不可为了数据好看而忽略准确性要求。

还是以淘宝为例，我们除了在刚刚统计某个用户在A商品上的访问次数外，还可以统计该用户在A商品详情页的停留时长。结合刚刚的访问次数，若用户在详情页的停留时长超过平均浏览商品详情页的时长，我们可以断定为用户喜爱该商品，进行刚刚所述的运营行为。

若用户在详情页停留的时间很短，甚至每次都仅仅停留几秒，我们就需要寻找用户其他动机，例如用户仅仅只是通过该商品找到这个店铺的其他商品。这个时候我们就可以通过在商品流或购物车中加入更明显的进入店铺的方式，以此来缩短用户进入店铺的路径，提升用户体验。

用户的访问时长能够为我们了解用户的想法提供部分数据支撑，让我们更明确用户进入页面的意图。通过分析该意图，我们可以找到让用户更快达成意图的路径，提升用户体验，达成我们提升用户留存等意图。

访问间隔天数是指用户两次访问某个页面之间间隔的天数。通常是对用户每天首次访问页面进行埋点记录，在用户每天首次访问时由客户端向后台发送请求，记录该用户本次的访问时间。再对比两次跨天的访问之间的时间，由后一次的日期减去前一次的日期，得出用户访问的间隔天数。

例如淘宝的双十一活动，我们希望用户从活动开始到活动结束，能够每天访问活动页面。

通过监控用户的访问间隔天数，我们发现某用户已经有一天时间没有访问活动页面，则可以对该用户进行促活短信推送，“您今天还没有上线撸猫，猫猫在焦急等待您的投食，给猫猫投食再升3级则可获得3.4的红包”等。

通过对用户的访问间隔天数进行监控，我们可以找到未达成我们期望的用户，并对该类型用户投放运营策略，以此推动用户上线，达成功能期望效果。

跳出率是指用户在某个页面离开产品的次数除以该页面用户总访问次数，即跳出率=页面离开行为次数/页面总访问次数。用户的离开行为包含两种，一种是用户依照产品规则，例如点击两次退出按钮，离开产品；另一种是用户通过手机清理后台强制离开产品。

这两种的统计方式有所不同，前一种正常对用户的离开行为进行监控，在用户进行离开操作时，由客户端向后台发送请求，记录用户离开的页面和时间即可。后一种则无法获取到用户的离开行为，只能通过用户进入页面后没有后续行为进行推测用户在该页面离开（后续行为包含离开行为或是进入别的页面等）。

以淘宝类电商平台为例，我们监控到在用户购买完商品后，有很大部分的用户都在这里选择离开产品，即购买成功页面的跳出率非常高。通过该数据，我们可以在购买成功页面增加用户常看的其他商品展示，增加用户继续浏览的意愿，从而留住用户。

对于一款产品而言，用户离开之后会不会有下一次访问是未知的，只有让用户在产品上停留的时间越多，我们能做的事情才越多，也越可能让用户成为我们的留存用户。故而跳出率是一个很重要的指标，它标示出用户离开产品的位置。通过对该位置进行优化，我们可以增加用户在产品的停留时长，促进用户留存。

二、总结

在上线一个新功能时，我们为了能够真正达成期望的效果，需要对功能不断进行数据跟踪及迭代优化。

能够真实反映功能效果的则是用户行为。故而我们需要对各类用户行为进行埋点统计。

通常我们会对用户的来源渠道、用户的使用路径、用户的访问情况进行埋点统计。

• 用户的来源渠道帮助我们合理筛选最优推广渠道。
• 用户的使用路径帮助我们降低用户流失。
• 用户的访问情况帮助我们了解用户的行为习惯，优化产品以及定制更好的运营策略。

总之，伴随着每一个功能都应该设计相应的埋点报表。在功能上线后，我们都需要对埋点数据进行跟踪，在出现问题时将多维度的信息进行组合，对功能进行正确迭代，才能让功能发挥最大的效果。

作者：蜂蜜乌龙茶；微信公众号：产品旅程

本文由 @蜂蜜乌龙茶 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议