本文作者为我们介绍了产品的运行路径，分析了行为数据并给出了一些相应的优化方法。

一、主要路径分析所有能够推广产品，促进用户使用，增强用户粘性和留存，用户自我传播，让用户付费的行为都可以称为运营。在运营上，我们可以利用AARRR增长模型，将产品运营路径分为激活、注册、留存、订购、传播，然后对每条路径进行分析，优化产品和运营策略。

1. 激活

不同的行业和模式有不同的激活方式。比如我们之前做的运动app的激活方式就是从跑团和微信微信官方账号导入用户。先在微信群里沉淀目标用户，然后利用大型马拉松的名额吸引他们号召用户下载app报名。

而对于B2B电商平台来说，用户激活主要以推送和客服推广为主。因为进入平台需要一定的资质证书，而用户在网上自发注册的较少，所以采用推送模式激活的相对成本较高。

2. 注册

用户在注册时，往往会因为某个步骤描述不清或者流程复杂，需要上传的文档太多而迷失。这时候我们就可以用漏斗来分析用户流失严重的是哪一步，然后分析具体原因再优化产品。

3. 留存

用户激活注册后，我们需要看用户的留存率，每个应用对留存时间的定义都不一样。例如:

对于社交软件，3天不登录，可能会被标记为失联用户；

对于我们现在做的医药电商，一般用户的购买周期在15天左右，所以我们把超过15天没有下单的用户称为流失用户。对于流失的用户，我们一般是拿送优惠券，促使他重新下单。

4. 营收

我们需要明白，作为一个电商平台，只有在平台提供的商品价格、品类、物流服务有吸引力之后，用户才愿意下单。

如果用户在需要购买产品的时候没有下单，多半是因为自己的产品与竞争对手相比，在价格和服务上不够吸引人。这时候我们就需要通过爬虫抓取竞争对手的商品数据，然后适当调整自己的定价，做一些营销活动来吸引客户。

5. 传播

因为我们的获客成本比较高，让用户自己传播也是一种可行的营销方式。有鉴于此，我们已经邀请好友领券，鼓励用户帮我们拉新品。

二、行为数据分析

分析的目的是了解用户的使用习惯、使用路径、使用频率，从而发现用户更喜欢使用哪些功能，验证产品用户体验是否良好，线上运营活动是否受欢迎。

在做行为数据分析之前，我们需要先做埋点，可以是第三方埋，也可以是我们自己埋。各有利弊，这个需要结合公司来决定。

下面是我们之前做的埋点表和每个用户行为记录的字段。埋点主要分为点击事件和页面曝光两大类，然后根据页面曝光事件统计页面的停留时长和用户的路径。

每次触发事件时用户需要记录的字段(具体来说，根据公司需要收集的数据):

source; //来源 001-app 002-pclogined; //是否已经登录 1-是，0-否typeUser; //用户的类型 001-采购商 002-供应商userId; //用户的idcodePage; //页面对应的代码numEvent; //事件编号nameEvent; //事件名称codeEvent; //事件代码typeEvent; //事件类型timeEvent; //事件发生的时间purchaserId; //采购商idip; //作用是解析地址或识别客户province; //事件发生的省份city; //事件发生的城市os; //操作系统,android或iofrs; //生产厂商 如：华为，OPPO，苹果，VIVOtypeUnit; //设备型号 如：荣耀R10，OPPO R7，iphone X，VIVO X20versionSystem; //系统版本 如：android 5.0wifi; //是否使用wifi，1-是，0-否firstId; //一级idsecondId; //二级idfromPage; //上一页toPage; //下一页url; //parameter; //参数，同一事件可能包含多个参数property; //属性，与参数对应proJson; //KEY-VALUE对的JSON形式remark; //备注

埋点记录的类型和规则

需要分析哪些行为数据

对于电商平台，主要分析点有:

1.用户注册路径:分析每个注册步骤的转化率，分析转化率低的步骤中的原因，然后优化产品。

2.用户的购买路径:首页-搜索-购物车-订单提交页面-支付页面。通过各路径的转化率，可以分析用户流失在哪个阶段最严重，进而分析用户流失的原因。

比如之前我们分析过，从购物车到订单提交页面的用户流失特别严重。后来经过分析，我们发现商家设置的近期购买金额过高，导致用户无法达到购买金额提交订单。我们和商家协商降低最低购买金额后，转化率提高了不少。

3.分析线上营销活动的用户点击率，以及将活动加入购物车所购买的商品数量，从而判断活动的好坏。

4.分析哪些功能是用户经常使用的，哪些是不常用的。我们应该努力把常用功能做到最好，以增强我们的核心竞争力。

比如通过数据分析，我们得出用户购买商品最常用的功能是搜索，很少通过推荐或分类加入购物车，所以我们花更多的经验去优化搜索功能。

三、用户分群分析

在数据分析中，我们需要对具有共同特征的用户进行分类管理，然后针对不同类型采取相同的营销方式。

我们将根据RFM模型对它们进行分类:

R（Recency）代表下单离当前的时间，距离越近代表客户约优质；F（Frequency）代表下单的频率，频率越高代表用户对我们平台约认可；M（Monetary）代表下单的金额，消费金额体现用户的消费潜力。然后根据不同的指标然后给予打分。

比如我们会将时间段设置为三个月(因为一般用户的购买周期较长，但具体时间需要根据不同行业而有所不同)，对最晚下单时间进行评分，从当前时间起6天内下单的为5分，7到12天内下单的为4分，以此类推。

根据用户的订单频率，订单大于5的打5分，订单4分，以此类推。

根据用户购买金额，5000元以上打5分，4000元以上打4分，以此类推。

打分后，我们计算每个用户的分数。计算分数后，我们可以根据分数将用户分成不同的组:

分组后可以针对不同的群体使用不同的营销策略，对于高价值用户通常不需要管理。

对于低贡献用户，需要分析——是用户本身的购买力不强，还是平台的产品优惠力度不够大。如果产品折扣力度不够，可以互相推送优惠券，让用户回到平台购买。如果用户购买力不足，我们需要激发足够的购买欲望。

本文由@ADK原创发布。每个人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。