用户行为路径分析同样是重要的数据分析模型，它为企业实现理想的数据驱动与布局调整提供科学指导，对精准勾勒用户画像也有重要参考价值。用户访问APP／网络，如同参观画展，观众是感受和传达画展参展方和展品的目的受众体，图画的展现布局不同，每一位观众根据自身喜好形成特有的参观顺序。为让观众沿着最优访问路径前进，需要策展者结合观众需求进行布局调整。这种自主式的数据分析方法，让产品人员用户画像，科学进行数据分析。

什么是用户行为路径？

用户路径分析，顾名思义，用户在APP或网站中的访问行为路径。为了衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，时常要对访问路径的转换数据进行分析。

以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或者期望中的路径。

用户路径分析模型的价值

用户路径的分析结果通常以桑基图形式展现，以目标事件为起点／终点，详细查看后续／前置路径，可以详细查看某个节点事件的流向，总的来说，科学的用户路径分析能够带来以下价值：

第一，可视化用户流，全面了解用户整体行为路径；

通过用户路径分析，可以将一个事件的上下游进行可视化展示。用户即可查看当前节点事件的相关信息，包括事件名、分组属性值、后续事件统计、流失、后续事件列表等。运营人员可通过用户整体行为路径找到不同行为间的关系，挖掘规律并找到瓶颈。

第二，定位影响转化的主次因素，产品设计的优化与改进有的放矢。

路径分析对产品设计的优化与改进有着很大的帮助，了解用户从登录到购买整体行为的主路径和次路径，根据用户路径中各个环节的转化率，发现用户的行为规律和偏好，也可以用于监测和定位用户路径走向中存在的问题，判断影响转化的主要因素和次要因素，也可以发现某些冷僻的功能点。

用户路径应用场景

谈到用户路径的真实应用场景，许多企业通过第三方数据分析平台来实现，下面结合笔者实际工作中，所接触的企业案例的数据分析场景为例来介绍。

（注：因涉嫌商业机密，以下场景模拟真实应用场景而设，数据均为虚拟。）

中商惠民：启动APP后，为何只有 30 % 商超客户交易成功？

中商惠民是中国最大的社区O2O服务平台。在一次评估客户总体转化率过程中，通过漏斗分析发现，从登录惠配通APP后，提交订单的商超客户仅有 30 %，接下来可以通过用户路径客户流失的原因所在。通过用户路径分析模型，清晰展示了商超客户的动作走向，为判断客户流失原因重要方式之一。

中商惠民运营人员选取若干事件对客户购买路径进行深度分析。图中显示，用户登录APP后，约有40 %的客户会点击Banner，30 %的客户会直接进行商品搜索，约10%的用户会浏览商品列表，约 5 %的客户直接退出APP。

运营人员进一步看4类用户的提交订单的情况，直接进行“搜索商品”的用户进行提交订单比例最高，超过 90 % ；与其形成鲜明对比的是，尽管“点击Banner”是更多客户登录APP后的首选动作（约占总客户的40 %）但是这部分用户群体在浏览商品列表后，仅仅30%的用户提交订单，说明Banner内容布局有着比较糟糕的用户体验，则将此作为首选优化与改进的方向。

某电商：“未支付订单”超过30分钟自动取消，刺激用户支付

除了零售行业以外，用户行为路径在电商行业分析也应用广泛。某电商网站客户通过用户路径分析，看出有两条主要的路径：（图略，与上图效果类似。）

一是启动App-搜索商品-提交订单-支付订单；

二是启动App-未支付订单-搜索相似商品-取消订单。

通过第一条用户路径相关数值显示，客户提交订单后，大约75%的用户会支付，而高达25%的用户没有支付订单；第二条用户路径显然是一条有明确目的——为未最终敲定的商品而来的用户，因为在打开app后直奔“未支付订单”，但是路径中显示此用户再次“搜索相似商品”，这一行为可以判断客户可能存在比价行为，表明价格一定程度上影响了这部分用户的支付欲望，这是一批“价格导向”的客户。

对此，该电商运营人员采取针对性措施：（1）“未支付订单”超过30分钟则自动取消；（2）将支付页面附近放置优惠券领取。

当该电商新版本上线后，再次通过用户路径分析模型，发现客户在提交订单后，由于30分钟的时间限制，有更多的客户愿意立即支付订单；同时未支付订单大大降低，说明在支付支付页面附近放置优惠券的方式刺激到对价格敏感的客户。因此这也是一次很成功的改版。

总之，用户真实的选购过程是一个交缠反复的过程，每一个路径背后都有不同的动机。通过用户行为路径能够清晰看到用户行为特点与背后原因。若与其他分析模型配合，会产生更佳效果，通过数据分析能够快速找到用户动机，从而引领用户走向最优路径或者期望中的路径。

关于神策数据

神策数据（https://sensorsdata），一家专业的大数据分析服务公司，致力于帮助客户实现数据驱动。公司推出深度用户行为分析产品神策分析（Sensors Analytics），支持私有化部署、基础数据采集与建模，并作为PaaS平台支持二次开发。此外，还提供大数据相关咨询和完整解决方案。目前已赢得中国银联、聚美优品、百联、中邮消费金融、广发证券、参考消息、中商惠民、米其林、趣店、融360、纷享销客、共享单车、秒拍、36氪等众多行业领先企业认可。希望更深入了解神策数据或有数据驱动相关问题咨询，请咨询4006509827，由专业的工作人员为您解答。

了解更多数据分析行业应用案例

2016年金融领域前景广阔，未来市场规模仍将高速增长。金融领域用户男女比例趋于平均，男性偏爱证券股票，女性偏爱支付和购物。不同配置的手机在金融领域受欢迎程度有所不同，大屏、电池容量高、像素高等指标的手机受追捧。不同细分市场用户特征及用户行为差异明显，精准定位用户、精细化运营将成为移动互联网业务发展的核心竞争力。林克艾普对金融用户数据进行监测统计，帮助您有效了解数字消费者在智能手机上的行为轨迹。

据林克艾普舆情监测数据显示，我各类互联网金融产品(服务)的网民认知度分布中，“第三方支付”的网民认知度最高，占比76.3%，其次为“基于互联网渠道的金融产品销售”与“P2P个人借贷”，分别占比41.9%与39.3%。电子商务的兴起较早，第三方支付率先获得用户认知，近两年来线下支付场景的丰富，第三方支付应用功能的增多，第三方支付的网民认知度相对较高。基于互联网渠道的基金销售以及P2P个人借贷近两年在互联网巨头以及资本的推动下，网民认知度提升较快。

据林克艾普舆情监测数据显示，网民对互联网金融产品(服务)信息获取的诸多方式中，“亲友介绍”的接受度更高，占比45.1%，因此，其推广方式应以用户的口碑宣传为主，并辅以专家解读。其次为“专家介绍”、“媒体报告”，分别占比20.4%、18.2%。

据林克艾普舆情监测数据显示，超过六成的互联网金融用户以每月固定收入投资于互联网金融产品，占比64.3%。18.3%的用户投资资金来自于“其他理财资金转移”。根据大多数互联网金融用户的投资资金来源，互联网金融产品(服务)的一次性投资规模较小，投资门槛低，灵活性相对较高，更能吸引工薪阶层。

据林克艾普舆情监测数据显示，移动支付相关性最强的领域为：团购、火车票预订、综合电商、出行预订、微商，说明移动支付与电商和零售产业链环节中的应用具有高度的相关性，且涉及到出行和用餐的领域，用户通过移动支付的消费行为已经覆盖了衣食住行等多个领域，可见移动支付已然成为人们日常生活中付款的主要方式。

据林克艾普舆情监测数据显示，招行、工行和民生银行用户偏爱食品电商、品牌电商等，他们购买力较强，且追求品牌，注重生活品质。民生银行在微商领域较为突出，建行用户在各领域偏爱程度比较平均。各手机银行应用受欢迎程度较平均，此类用户更关注日常生活用品的购买，且关心价格差异。

2016年中国互联网金融产品(服务)的网民渗透率达62.5%，超过七成网民使用过互联网金融产品。林克艾普舆情分析认为，当前第三方支付发展进入成熟期，增长速度放缓，互联网金融产品渗透率的提升主要来自P2P个人借贷、众筹融资、理财APP等互联网金融模式的发展。在资本推动和中国网民投融资和支付需求逐步释放的大背景下，互联网金融产品的渗透率将进一步提升。

应用背景：

在产品迭代过程中，通常需要根据用户的属性进行归类，也就是通过分析数据，对用户进行归类，以便于在推送及转化过程中获得更大的收益。

分析方法：

RFM分析（Recency，Frequency，Monetary）

分析工具：

SPSS（数据分析的重量级应用，与SAS二选一）

一.RFM基础知识

所谓探索性分析，主要是运用一些分析方法从大量的数据中发现未知且具有价值信息的过程。

常用的探索性分析方法包括：RFM分析、聚类分析、因子分析、对应分析等。

RFM的含义：

R（Recency）：客户最近一次交易时间的间隔。

R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

F（Frequency）：客户在最近一段时间内交易的次数。

F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。

M（Monetary）：客户在最近一段时间内交易的金额。

M值越大，表示客户价值越高，反之则表示客户价值越低。

RFM分析就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。

RS：基于最近一次交易日期计算的得分，距离当前日期越近，得分越高。例如5分制。

FS：基于交易频率计算的得分，交易频率越高，得分越高。如5分制。

MS：基于交易金额计算的得分，交易金额越高，得分越高。如5分制。

RFM总分值：

RFM=RS*100+FS*10+MS*1

RFM分析的主要作用：

识别优质客户。可以指定个性化的沟通和营销服务，为更多的营销决策提供有力支持。

能够衡量客户价值和客户利润创收能力。

RFM的假设前提：

假设交易的可能性：

最近交易过的客户 >最近没有交易过的

交易频率高的客户 >交易频率低的

交易金额大的客户 >交易金额小的

二.分析实践

RFM接受的数据格式有两种：

交易数据：每次交易占用一行，关键变量是客户ID、交易时间、交易金额。

客户数据：每次交易占用一行，关键变量是客户ID、交易总金额、最近交易日期、交易总次数。

我们通常采用交易数据的格式进行分析。因为交易数据可以整理成客户数据，而客户数据无法还原成交易数据。即用交易数据的字段可以得到客户数据的字段，反之不行。

具体是“交易数据”还是“客户数据”根据数据源文件的格式而定。

变量：选择各个变量。

分箱化：评分的总分是多少。

保存：生成哪些新的变量，可以自定义名称。

输出：可以全部勾选，为了能全面的解读RFM分析结果。

确定后，生成了四个新的变量：

崭新-得分：最后一次交易的时间间隔得分；

频率-得分：交易总次数得分；

消费金额-得分：交易总金额得分；

RFM得分：RFM得分

三.结果解读（最重要的环节）

该图主要用来查看每个RFM汇总得分的客户数量分布是否均匀。

我们期望均匀的分布，若不均分，则应该重新考虑RFM的适用性或尝试另一种分箱方法（减少分箱数目或随机分配绑定值）。

“RFM热图”是交易金额均值在RS和FS绘制的矩阵图上的图形化表示，

用颜色深浅表示交易金额均值的大小，颜色越深，表示相应矩阵块内的客户交易金额均值越高。

如本例随着RS和FS的分值增大，颜色越来越深，说明客户最近一次交易时间越近、交易次数越多，其平均交易金额越高。

该图是最后一次交易时间、交易总次数、交易总金额之间的散点图。

通过散点图可以清晰直观的看到三个分析指标两两之间的关系，便于指标相关性评估。

本例中，交易总次数和交易总金额存在较为明显的线性关系，而最后一次交易时间和另外两个分析指标之间的相关性较弱。

四.RFM分析应用

为客户分组，即将三个指标分别分为“高”和“低”两种，高于均值的为“高”，低于均值的为“低”。

因此有三件事要做：

计算出各个指标得分的平均值；

将各个变量高于平均分的定义为“高”，低于平均分的定义为“低”；

根据三个变量“高”“低”的组合来定义客户类型；

如“高”“高”“高”为高价值客户。

第一步，先计算各个指标的平均值。

一定要勾选平均值，否则输出结果中没有“平均值”。

现在我们得到了各个变量的平均分：3.33，2.99，3.01。

第二步，将各个变量高于平均分值的定义为“高”，否则为“低”。

按照1-2-3-4-5的步骤设置高于平均值的为“2”，也可以设置为“高”

同理去设置FS和MS。

设置后结果如下：

可以在变量设置里设置标签，1代表“低”，2代表“高”，也可以在“重新编码到不同变量”里面设置时就直接定义为“高低”，而不是“1和2”。

第三步：通过各个变量的高低组合，确定客户类型。

第三区域：可以是公式，也可以是具体的数字，其实这里就是输出结果。

第四区域：表示满足的条件。

同理在“变量设置”里对标签就行设置就行。

最终分析结果如下：

通过RFM方法，我们根据用户的属性数据分析，对用户进行了归类。在推送、转化等很多过程中，可以更加精准化，不至于出现用户反感的情景，更重要的是，对产品转化等商业价值也有很大的帮助。

作者：膝盖哥，是一枚“跪着提需求”的产品经理。常说“不用不用，真的不用了，我跪着就好！”

本文由 @膝盖哥 原创发布于人人都是产品经理。未经许可，禁止转载。

通过1张数据分析表格帮你建立活跃用户的数据统计及分析方法。

一、你对活跃用户的定义是什么？

前几天在一个3-5年运营人的群里，突然聊到了活跃用户统计的问题，突然发现很多人对于什么是活跃用户的概念还很模糊，大多数运营数据分析平台上都直接给出了一个活跃用户的数字，那么什么是活跃用户呢？这里我们继续通过虚荣指标和可执行指标这2个指标的差异来区分下对活跃用户的认知。

虚荣指标：阶段时间内凡有访问行为的用户都可以记为活跃用户；

可执行指标：阶段时间内用户产生了代表对产品认可程度的高频行为才算活跃用户，如每日多次访问、收藏、留言、点赞、付费等相关行为代表用户对产品的认可程度。

虚荣指标的定义方式只能看到一个表面繁荣的数字，数字背后并不代表任何用户特征，而通过可执行指标对用户进行筛选，对高访问次数、高访问时长、高留言次数、高购买次数等不同特征的用户进行统计，一方面提升非活跃用户的相关行为，另一方面活跃用户是做裂变活动时的目标种子用户。

概括来说，增长黑客在衡量“活跃度”时，会通过访问次数、访问时长、收藏指数和相关影响因素几个维度来判断用户的活跃情况，并按连续活跃天数和阶段内任意活跃天数2个时间维度对用户活跃度进行整体分析。

二、这张活跃用户统计表格要怎么用？

这张表格横向分为3个活跃度评价因素，分别是访问次数、访问时长、收藏指数，同时对活跃度的影响因素单独计算，这个表格里列出了领红包、打卡、等级、来源渠道4种影响因素，可以根据用户行为特征具体计算。

1.通过日访问次数评估用户活跃度

访问次数代表用户每日使用产品的频次，我们需要对所有访问次数大于1次的用户做平均访问次数的计算，或者设定一个固定值，例如连续7天每日用户平均访问次数为3-5次，那么4就可以做为固定值，或者运营者认为每日访问次数大于2次就可以计算为活跃用户，那么2就可以做为固定值。

基于访问次数的平均值或固定值（A），我们需要对每日大于1次，小于A*50%的用户，每日访问次数大于A*50%并小于A的用户，以及日访问次数大于A的用户进行统计。

统计的目的在于通过访问次数将用户分层，高于A值的用户是绝对的活跃用户，对于没有达到A指的用户可以通过运营活动重点提升日访问次数。

其实，无论是访问次数A值还是下面说到的使用时长B值、收藏指数C值，在增长黑客的数据分析中，都代表着用户下一步关键行为指标，例如可以通过分析付费用户的日访问特征、使用时长，或者下单前浏览过几个页面，来确定这个关键行为指标，并以此做为目标。

当然，这是比较复杂的计算方法，刚接触数据分析的同学可以按照求平均值或设定固定值的方式来确定A值。

2.通过日访问时长评估用户活跃度

与通过访问次数计算用户活跃度的方式相同，找出用户使用时长的衡量值B，通过B对用户进行筛选分组。

3.通过“收藏指数”评估用户活跃度

所谓收藏指数是指真正体现产品价值的用户使用行为，与产品的北极星指标相关。一般来说，用户产生收藏行为代表着对产品内容的认可，如某篇文章，某件商品，所以诸葛io将其定义为“收藏指数”。

在实际统计中，“收藏指数”需要根据产品所在行业进行针对性定义，例如社区类产品要统计有过发帖、回帖行为的用户，资讯类产品要统计日浏览文章大于5篇（举例）的用户，电商类产品要统计日浏览商品大于5件（举例）的用户。

同样，通过对“收藏指数”的定义，计算出相关用户行为的衡量标准，我们称其为C值，在衡量维度上，C值为活跃用户必须满足的条件，继而可以筛选出高出C值50%、100%甚至更多的用户数量。

4.找出用户活跃度的影响因素

通过活动、打卡等运营行为，会对用户的活跃度有所影响，在影响因素这项分析上，需要统计不同特征用户的活跃度人数，例如领取红包后1-3天的活跃用户变化情况，与非领取红包用户的活跃度进行对比，再比如连续打卡3天、5天的用户在活跃度上的变现差异。

以上是4项用户活跃度的衡量方式，在统计时，首先需要筛选出满足条件的用户数量，然后计算满足条件用户在整体用户中的占比。

除衡量活跃用户外，还需要统计1日、3日、7日、30日活跃用户数据，在按日期的分析上，诸葛io建议通过2种日期统计方式：

一种是连续1日、2日、3日……30日活跃用户占比，连续活跃用户有发展为种子用户的潜力，需要重点维护；

另一种是阶段时间内任意天数的活跃情况，例如7日活跃用户中任意1天、2天、3天活跃的用户占比，用于区分同样阶段时间内的不同活跃度指标。

总结：增长黑客和精细化运营的概念在国内备受推崇，而活跃用户是增长裂变的基础，活跃用户分析的目的在于通过活跃度指标发现优质用户，并对优质用户建立相关用户群组，进行重点维护。

以收藏指数为例，加入购物车商品的数量越多，用户购买转化的可能性就越大，筛选出加入购物车1件、3件、5件等不同数量的用户，针对不同用户设计营销活动，例如加入购物车5件以上商品，在常见的抽奖活动中就可以设计“购物车商品免单”的活动主题，但购物车商品面单对于加入购物车1件商品的用户吸引力并不大。

活跃用户统计一方面是查看用户对产品使用的反馈，评估产品的用户健康度，另一方面通过活跃用户统计实现用户分组的精细化运营，为相关运营策略提供参考依据。

|内容来源： 诸葛io数据教练 版权归其所有 百家号-新社汇and微会动袁帅 转载发布 侵权告知删

百家号-【袁帅数据分析运营】运营者：袁帅，会展业信息化、数字化领域专家。新社汇平台联合创始人，微会动平台创始人。永洪数据科学研究院MVP。认证PMP项目管理师、数据分析师、网络营销师、SEM搜索引擎营销师、SEO工程师、中国电子商务职业经理人。畅销书《互联网销售宝典》联合出品人。

一、携程实时用户数据采集系统设计实践

随着移动互联网的兴起，特别是近年来，智能手机、pad等移动设备凭借便捷、高效的特点风靡全球，同时各类APP的快速发展进一步降低了移动互联网的接入门槛，越来越多的网民开始从传统PC转移至移动终端上。但传统的基于PC网站和访问日志的用户数据采集系统已经无法满足实时分析用户行为、实时统计流量属性和基于位置服务（LBS）等方面的需求。

我们针对传统用户数据采集系统在实时性、吞吐量、终端覆盖率等方面的不足，分析了在移动互联网流量剧增的背景下，用户数据采集系统的需求，研究在多种访问终端和多种网络类型的场景下，用户数据实时、高效采集的方法，并在此基础上设计和实现实时、有序和健壮的用户数据采集系统。此系统基于Java NIO网络通信框架（Netty）和分布式消息队列（Kafka）存储框架实现，其具有实时性、高吞吐、通用性好等优点。

1、技术选型和设计方案：

一个典型的数据采集分析统计平台，对数据的处理，主要由如下五个步骤组成：

图1、数据平台处理流程

其中，数据采集步骤是最核心的问题，数据采集是否丰富、准确和实时，都直接影响整个数据分析平台的应用的效果。本论文关注的步骤主要在数据采集、数据传输和数据建模存储这三部分。

为满足数据采集服务实时、高效性、高吞吐量和安全性等方面的要求，同时能借鉴互联网大数据行业一些优秀开源的解决方案，所以整个系统都将基于Java技术栈进行设计和实现。整个数据采集分析平台系统架构如下图所示：

图2（数据采集分析平台系统架构）

其中整个平台系统主要包括以上五部分：客户端数据采集SDK以Http(s)/Tcp/Udp协议根据不同的网络环境按一定策略将数据发送到Mechanic(UBT-Collector)服务器。服务器对采集的数据进行一系列处理之后将数据异步写入Hermes(Kafka)分布式消息队列系统。为了关联业务服务端用户业务操作埋点、日志，业务服务器需要获取由客户端SDK统一生成的用户标识（C-GUID），然后业务服务器将用户业务操作埋点、日志信息以异步方式写入Hermes(Kafka)队列。最后数据消费分析平台，都从Hermes(Kafka)中消费采集数据，进行数据实时或者离线分析。其中Mechanic(UBT-Collector)系统还包括对采集数据和自身系统的监控，这些监控信息先写入Hbase集群，然后通过Dashboard界面进行实时监控。

（1）基于NIO的Netty网络框架方案

要满足前面提到的高吞吐、高并发和多协议支持等方面的要求。我们调研了几种开源异步IO网络服务组件（如Netty、MINI、xSocket），用它们和NginxWeb服务器进行了性能对比，决定采用Netty作为采集服务网络组件。下面对它进行一些概要介绍：Netty是一个高性能、异步事件驱动的NIO框架，它提供了对TCP、UDP和文件传输的支持，Netty的所有IO操作都是异步非阻塞的，通过Future-Listener机制，用户可以方便的主动获取或者通过通知机制获得IO操作结果。

图3（Netty框架内部组件逻辑结构）

Netty的优点有：

a、功能丰富，内置了多种数据编解码功能、支持多种网络协议。

b、高性能，通过与其它主流NIO网络框架对比，它的综合性能最佳。

c、可扩展性好，可通过它提供的ChannelHandler组件对网络通信方面进行灵活扩展。

d、易用性，API使用简单。

e、经过了许多商业应用的考验，在互联网、网络游戏、大数据、电信软件等众多行业得到成功商用。

Netty采用了典型的三层网络架构进行设计，逻辑架构图如下：

图4（Netty三层网络逻辑架构）

第一层：Reactor通信调度层。该层的主要职责就是监听网络的连接和读写操作，负责将网络层的数据读取到内存缓冲区中，然后触发各种网络事件，例如连接创建、连接激活、读事件、写事件等，将这些事件触发到Pipeline中，再由Pipeline充当的职责链来进行后续的处理。

第二层：职责链Pipeline层。负责事件在职责链中有序的向前（后）传播，同时负责动态的编排职责链。Pipeline可以选择监听和处理自己关心的事件。

第三层：业务逻辑处理层，一般可分为两类：a. 纯粹的业务逻辑处理，例如日志、订单处理。b. 应用层协议管理，例如HTTP(S)协议、FTP协议等。

我们都知道影响网络服务通信性能的主要因素有：网络I/O模型、线程（进程）调度模型和数据序列化方式。

在网络I/O模型方面，Netty采用基于非阻塞I/O的实现，底层依赖的是JDKNIO框架的Selector。

在线程调度模型方面，Netty采用Reactor线程模型。常用的Reactor线程模型有三种，分别是：

a、Reactor单线程模型：Reactor单线程模型，指的是所有的I/O操作都在同一个NIO线程上面完成。对于一些小容量应用场景，可以使用单线程模型。

b、Reactor多线程模型：Rector多线程模型与单线程模型最大的区别就是有一组NIO线程处理I/O操作。主要用于高并发、大业务量场景。

c、主从Reactor多线程模型：主从Reactor线程模型的特点是服务端用于接收客户端连接的不再是一个单独的NIO线程，而是一个独立的NIO线程池。利用主从NIO线程模型，可以解决一个服务端监听线程无法有效处理所有客户端连接的性能不足问题。Netty线程模型并非固定不变的，它可以支持三种Reactor线程模型。

在数据序列化方面，影响序列化性能的主要因素有：

a、序列化后的码流大小（网络带宽占用）。

b、序列化和反序列化操作的性能（CPU资源占用）。

c、并发调用时的性能表现：稳定性、线性增长等。

Netty默认提供了对GoogleProtobuf二进制序列化框架的支持，但通过扩展Netty的编解码接口，可以实现其它的高性能序列化框架，例如Avro、Thrift的压缩二进制编解码框架。

通过对Netty网络框架的分析研究以及对比测试（见后面的可行性分析测试报告）可判断，基于Netty的数据采集方案能解决高数据吞吐量和数据实时收集的难点。

》》点击阅读全文

DT时代，数据的重要性，相信所有企业和ITers都是深有体会的。互联网企业想要长效发展，一定离不开对于自身门户平台的管理和数据分析。用户特征分析用户数据分析的一个指标。

人口学变量:如年龄、性别、婚姻、教育程度、职业、收入等。通过人口学变量进行分类，了解每类 人口的需求有何差异。

用户目标:如用户为什么使用这个产品?为什么选择线上下载?了解不同使用目的的用户的各自特征， 从而查看各类目标用户的需求。

用户使用场景:用户在什么时候，什么情况下使用这个产品?了解用户在各类场景下的偏好/行为差异。

用户行为数据:如使用频率，使用时长，客单价等。划分用户活跃等级，用户价值等级等。

态度倾向量表:如消费偏好，价值观等，看不同价值观、不同生活方式的群体在消费取向或行为上的差异。

在产品的增长分析当中，想关注符合某些条件的一部分用户，不仅想知道这些人的整体行为（访问次数，访问时长等），还希望知道其中差异较大的细分群体。用户分群方法，能帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的原因，探索实现用户增长的途径。

用户分群的应用场景

在日常的数据工作中，我们经常接到这样的需求：想关注符合某些条件的一部分用户，不仅想知道这些人的整体行为（访问次数，访问时长等），还希望知道具体是哪些人符合这些条件。然后查看这些人的数据导出用户名单，针对性的发送tips消息。有时还想进一步查看某些人在使用某功能上的具体操作行为。

用户分群，就是用来满足这类需求的工具方法，它能帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的原因，探索实现用户增长的途径。

如用户画像分群，核心价值在于精细化的定位人群特征，挖掘潜在的用户群体。使网站、广告主、企业及广告公司充分认知群体用户的差异化特征，根据群体的差异化特征，帮助客户找到营销机会、运营方向，全面提高客户的核心影响力。

用户分群

类型一：不分群，如全量活跃用户投放，群发短信等，缺点是没有针对性，容易引起用户反感。

类型二：用户基本信息分群，如根据用户注册的信息分群。相比不分群，这种方法已具备一定的针对性， 但是由于对用户不是真正了解，产生不了很好的结果预期。

类型三：用户画像分群，如年龄、性别、地域、用户偏好等，画像建设的焦点是为用户群打“标签”。

一个标签通常是人为规定的高度精炼的特征标识，最后将用户分群的标签综合，即可勾勒出该用户群的立体“画像”。画像分群让我们真正了解了用户的某些特征，对业务推广帮助很大。

类型四：根据用户行为进行分群，此阶段会在画像分群的基础上关注用户的行为特征, 如根据用户的注册渠道和活跃习惯，制定不同的营销推广策略。

类型五：聚类和预测建模分群，聚类建模可以根据用户的综合特征指标，将用户分为不同的群体，如将用户划分为娱乐型、挂机型、社交型、办公型等；

预测建模即尝试去猜测用户下一步的态度与行为（例如想知道什么，想做什么）。正因如此，它对将复杂的行为过程变为营销自动化，是十分有帮助的。

常见的用户分群维度

1. 统计指标：年龄，性别，地域

2. 付费状态：免费，试用，付费用户

3. 购买历史：未付费用户，一次付费用户，多次付费用户

4. 访问位置：用户使用产品的区域位置

5. 使用频率：用户使用产品的频率

6. 使用深度：轻度，中度，重度用户

7. 广告点击：用户点击了广告 vs 未点击广告

常用的聚类分群方法介绍

上面介绍了一些关于分群的方法和思路， 接下来重点讲解一下用户聚类分群，聚类分群可分为层次聚类（合并法，分解法，树状图）和非层次聚类（划分聚类，谱聚类等），而较常用的互联网用户聚类方法为K-means聚类方法和两步聚类法（均为划分聚类）。

聚类分析的特征：

简单、直观；

主要应用于探索性的研究，其分析的结果可以提供多个可能的解，选择最终的解需要研究者 的主观判断和后续的分析；

不管实际数据中是否真正存在不同的类别，利用聚类分析都能得到若干类别的解；

聚类分析的解完全依赖于研究者所选择的聚类变量，增加或删除一些变量对最终的解都可能产生实质性的影响;

研究者在使用聚类分析时应特别注意可能影响结果的各个因素；

异常值和特殊的变量对聚类有较大影响；

当分类变量的测量尺度不一致时，需要事先做标准化处理。

聚类分析的弱点：

聚类是一种无监督类分析方法，无法自动发现应该分成多少个类；

期望能很清楚的找到大致相等的类或细分市场是不现实的；

样本聚类，变量之间的关系需要研究者决定；

不会自动给出一个最佳聚类结果。

聚类分析的应用过程：

一、选择聚类变量

在选取特征的时候，我们会根据一定的假设，尽可能选取对产品使用行为有影响的变量，这些变量一般包含与产品密切相关的用户态度、观点、行为。

但是，聚类分析过程对用于聚类的变量还有一定的要求：

1、这些变量在不同研究对象上的值具有明显差异；

2、这些变量之间不能存在高度相关。

首先，用于聚类的变量数目不是越多越好，没有明显差异的变量对聚类没有起到实质意义，而且可能使结果产生偏差；

其次，高度相关的变量相当于给这些变量进行了加权，等于放大了某方面因素对用户分类的作用。

识别合适的聚类变量的方法：

1、对变量做聚类分析，从聚得的各类中挑选出一个有代表性的变量；

2、做主成份分析或因子分析，产生新的变量作为聚类变量。

二、聚类分析

相对于聚类前的准备工作，真正的执行过程显得异常简单。数据准备好后，导入到统计工具中跑一下，结果就出来了。这里面遇到的一个问题是，把用户分成多少类合适？

通常，可以结合几个标准综合判断：

1、看拐点（层次聚类会出来聚合系数图，一般选择拐点附近的几个类别）；

2、凭经验或产品特性判断（不同产品的用户差异性也不同）；

3、在逻辑上能够清楚地解释。

三、找出各类用户的重要特征

确定一种分类方案之后，接下来，我们需要返回观察各类别用户在各个变量上的表现。根据差异检验的结果，我们以颜色区分出不同类用户在这项指标上的水平高低。其他变量以此类推。最后，我们会发现不同类别用户有别于其他类别用户的重要特征。

四、聚类解释和命名

在理解和解释用户分类时，最好可以结合更多的数据，例如，人口统计学数据、功能偏好数据等等。然后，选取每一类别最明显的几个特征为其命名，大功告成。

K-means聚类应用案例

在本案例中，我们首先来看最常用的K-Means聚类法（也叫快速聚类法），这是非层次聚类法当中最常用的一种。

因其简单直观的计算方法和比较快的速度（相对层次聚类法而言），进行探索性分析时，K-Means往往是第一个采用的算法。并且，由于其广泛被采用，在协作沟通时也节省了不少用于解释的时间成本。

1、K-means的算法原理：

a、随机取k个元素，作为k个簇各自的中心。

b、计算剩下的元素到k个簇中心的相似度，将这些元素分别划归到相似度最高的簇。

c、根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。

d、将全部元素按照新的中心重新聚类。

e、重复第4步，直到聚类结果不再变化，然后结果输出。

假设我们提取到原始数据的集合为(X1, X2, …, Xn)，并且每个Xi为d维的向量， K-means聚类的目的就是，在给定分类组数k（k ≤ n）值的条件下，将原始数据分成k类，S = {S1, S2, …, Sk}，在数值模型上，即对以下表达式求最小值（μi 表示分类Si 的平均值）：

2、用户分群背景和目标:

某产品覆盖社会各种群体（不同年龄、不同行业、不同兴趣等），需要将大盘用户进行一定细分，然后针对性的开展运营活动。

3、聚类变量选取:

用户画像特征、用户状态特征、用户活跃特征

4、 聚类分析和结果：

通过相关性分析和变量重要性分析，剔除部分效果差的变量，然后对剩余11个变量进行多次训练（目标聚类个数，参与的变量，组内个体差异容忍度），最终得出聚类结果。

5、结果解读和命名：

聚类1：低端低龄群体

聚类2：学生活跃群体

聚类3：职场高粘性群体

聚类4：职场低粘性群体

聚类5：高龄低活跃群体

两步聚类和k-means聚类效果对比

前面谈到的K-Means聚类法有简单、直观和快速的优点。但是其缺点是只能采用数值型变量，不能包含类别变量，并且对异常值非常敏感，离群值很容易严重影响聚类结果。

并且，当数据集比较大（在腾讯，这种情况很常见），不能把所有数据点都装进内存的时候，K-Means就无法在单机上运行。

而两步聚类法则克服了以上缺点，可以包含类别变量和数值型变量，并且当硬件条件不足或数据集非常大时，都能顺利运行。

这种两步聚类法可以看成是改进版BIRCH聚类算法和层次聚类法的结合，先用BIRCH算法中的“聚类特征树”做预聚类，形成子类，然后把子类作为输入，做层次聚类。

1、两步聚类的原理：

第一步：预聚类过程：

构建聚类特征树（CFT），分成很多子类。

开始时，把某个观测量放在树的根节点处，它记录有该观测量的变量信息，然后根据指定的距离测度作为相似性依据，使每个后续观测量根据它与已有节点的相似性，放到最相似的节点中，如果没有找到某个相似性的节点，就为它形成一个新的节点。

在这一步当中，离群点将会被识别并剔除，不会像在K-Means当中那么容易地影响结果。

第二步：正式聚类：

将第一步完成的预聚类作为输入，对之使用分层聚类的方法进行再聚类（以对数似然函数作为距离的度量）。

每一个阶段，利用施瓦兹贝叶斯信息准则（BIC）评价现有分类是否适合现有数据，并在最后给出符合准则的分类方案。

2、 两步聚类的优点：

a、海量数据处理；

b、自动标准化数据；

c、能够处理分类变量和连续变量的混合数据；

d、可自动丢弃异常值或者将异常值归入最近的类。

e、可自动确定或者根据业务需要人工指定分类数目；

3、两步聚类的效果对比：

对第六点同样的数据进行两步聚类，得到模型最优结果如下：

4、两步聚类结果解读：

聚类1：低端低龄群体

聚类2：学生或新入职场高活跃群体

聚类3：青年低活跃群体

聚类4：青年挂机群体

聚类5：职场办公群体

聚类6：高龄低活跃群体

业务案例 – 通过K-Means聚类

业务案例 – 通过K-Means聚类，挖掘特殊行为模式的客户群

1、业务需求

在本案中，产品经理希望了解登录不活跃用户的行为模式，并且能针对不同的行为组合，对庞大的用户群体进行细分，从而关注不同群体的不同需求，甚至挖掘垂直领域需求，从而在产品或运营侧采取措施，拉活沉默用户，提高DAU。

2、分析目标

a、发现使用行为模式异于大盘典型用户的细分群体

b、粗估每个细分群体的用户数量

c、了解每个细分群体的行为特征和用户画像

d、基于上述结果，在拉活方面，提出产品或运营建议或明确进一步探索的方向

3、分析过程

a) 特征提取

分析聚焦于用户的点击行为。在本例中，考虑到用户行为的典型性，选取了4个完整的周，共28天的数据，并且时间窗当中无任何节日。

另外，考虑到计算性能和探索性分析需要反复迭代的场景，只从大盘当中随机抽取千分之一的用户作为代表。

b) 特征筛选

在特征提取阶段一共提取了接近200个功能点的点击数据。但是这些特征当中，有些覆盖面非常低，只有百分之一的用户在28天当中曾经使用，这些低覆盖的特征会首先被去除。

另外，前面谈到高度相关的变量也会干扰聚类过程，这里对所有特征对两两进行计算皮尔逊相关系数，对高相关特征（相关系数大于0.5）则只保留其中保留覆盖面最广的特征，以便最大限度地体现用户差异。

c) 特征改造-探索

经过上面两步后，笔者曾进行过多次聚类探索，但无一例外，聚类结果都呈现出一个超级大类搭配数十个非常小的小类（几个或十几个用户）。这样的结果，显然与我们的分析目标是想违背的。

其一，这里挖掘出的小群体体积太小，从业务角度来说没有价值；其二，超级大类基本等同与大盘用户，没有能找出其中的用户差异。

为什么会有这样的结果呢，主要是因为点击行为基本上遵循的是幂率分布，大量用户集中在低频次区间，而极少量用户却会有极高的频次，这样在典型的聚类算法中，高频次用户都会被聚集成人数极少的小类，而大量的低频词用户就会被聚集成一个超级大类。

对于这种情况，典型的解决方法是对频次取对数，使幂率分布转化为近似的正态分布再进行聚类，在本次研究中，取自然对数后，聚类效果仅有少量改善，但仍然停留在一个超级大类加上若干人数极少的小类的情况。

背后原因，是点击行为数据的特点之一：核心功能和热门项目点击人数极多，而相对冷门的功能则有大量的0值。这样的情况下，取对数是没有改善的。

回到本次分析的目标当中，我们需要“发现使用行为模式异于大盘典型用户的细分群体”，如果丢弃这些冷门功能只看热门选项，则无法找出一些相对小众的行...

对一家互联网公司来说，如果没有设置单独的数据运营岗，那么用户运营是和数据最贴近，也必须是最了解用户的。

用户运营核心的方法论就三个：拉新，促活和留存。拉新可以作为渠道推广单独讨论，而促活和留存则相辅相成。

非运营岗，或者其他类型的运营，通常只会注重一个活跃数据的果，而不会注意活跃数据的因。我们在这里就抽丝剥茧，教大家比较快速地了解活跃体系。

互联网公司对活跃用户的定义大同小异，主要以用户打开APP一次记为一个活跃用户。

按此基础可以在时间维度引申出周活跃用户，月活跃用户。即在一个自然周内打开一次APP，则本周为周活跃用户。月活跃用户同理。

我们假设有一款新产品，这是它四个月内的活跃数据。嗯，看来不错。

产品专注的市场领域不同，活跃用户数天差地别。一款小众的垂直领域产品和泛社交类产品，单纯看活跃用户数，你很难界定它们好坏。

好的数据指标，都应该是比例或比率。

我们设定一个新指标，活跃率：某一时间段内活跃用户在总用户量的占比。

按照时间维度引申，有日活跃率DAU，周活跃率WAU，月活跃率等MAU。

例：月活跃，本月活跃用户在截止月末的总注册用户中占比。

一般而言：活跃用户数，看的是产品的市场体量。活跃率，看的是产品的健康度。

实际得承认，不同产品，用户需求（高频或低频）不同，活跃率也有差异。用户运营更多的职责是监控活跃率的变化，并且提升它。

看，我们的活跃用户数上升，活跃率下降，这对新产品来说很正常。你不能要求每一个用户都使用我们产品不是？

别急，我还没补刀呢。

我们统计了注册用户数，那么我们也可以统计出本月新增用户数，很简单，两个月相减。

是不是看出来什么了？

要知道，按照活跃的定义，新注册的用户肯定是打开APP的用户，他也一定是活跃的用户。

所以，我们拿每月的注册总用户数减去新增用户数，计算老用户数。并且将新老用户的活跃率独立出来。

指标拆分后，我们发现老用户的活跃率比预期低。实际在产品早期、渠道投入资源推广、或一次成功的病毒营销后，因为新增用户数量的暴涨，总是会带动活跃数的上升。

A产品打算在五月份做大投入，在APP上进行活动，希望用户大力参与，同时在B渠道进行推广。在常规的统计指标中，发现活跃数据上升。事后分析发现活跃为新增活跃，老用户的活跃数据没有显著上升。配合其他活动数据，证实活动效果较差。

C产品获得投资后，通过大规模的烧钱推广，获得一个正向的活跃数据反馈。此时活跃有不小可能是由新增用户撑起的。产品自身的打磨若不好，老用户活跃率不会提高，这也是我们常说的留存概念。导致钱白白浪费不少。

产品进入稳定期后，有了一定用户规模，新增活跃一般对活跃数据就不会有大的影响了。那么以新老用户区分活跃统计就够了？我们简单定义三个场景：

用户A下载产品后，把玩了一段时间，发现这是他想要的功能，爱不释手，成为发烧用户；

用户B下载产品后，看了几眼就不再使用。产品2.0发布后，觉得有个新特性不错，于是回来继续使用，逐渐成为活跃份子；

用户C从网上看到随便下载的，用了产品觉得一般，吐槽几句并且卸载，不再使用；

用户包含各种类型，反应了不同群体的特征和想法。在使用整个产品的周期中，我们应定义更全面的指标：

流失用户：

有一段时间没有再打开产品，那么我们就视为流失用户，根据产品的属性，可以按30天，60天，90天等划分。

不活跃用户：

有一段时间没有打开产品，为了和流失区分开来，需要选择无交集的时间范围。比如流失用户是60天以上没打开产品，那么不活跃则是0～60天没打开。

回流用户：

有一段时间没用产品，之后突然回来再次使用，则称为回流用户。回流用户是活跃用户，且是由流失用户或不活跃用户唤回而来。

活跃用户：

一段时间内打开过产品。

忠诚用户：

也可以叫超级活跃用户，长期持续使用产品，比如连续四周，或者一个月内15天等。

现在我们发现，不论是活跃用户还是不活跃用户的维度，都一下子丰富了起来。

通俗的理解一下用户活跃的变化

上文ABC的三位用户活跃路径为：

A：新增—活跃—忠诚

B：新增－不活跃－回流－活跃－忠诚

C：新增－不活跃－流失

回到一开始那款产品的数据，我们将分解后的新指标统计出来。（定义忠诚用户一个月内有15天活跃；流失用户为两个月没打开过）

（以上数据以月末当天的统计为准）

你看，指标开始变得复杂了。产品有长期使用的忠实用户，也有流失用户。有用户回来继续使用，也有用户不怎么爱用产品。

数据是为了方便讲解随手编的。实际的情况可能会更复杂，可以根据情况灵活应对。

用户活跃可以简化为一个最简单的公式：新增用户的数量要大于流失用户的增加量。可以想成一个水池，运营会一直往里灌水，但是水池也会漏水，如果漏水速度太大，那么水池就干了。一款产品可能因为市场竞争、拉新乏力导致新增用户数下降，也可能因为产品改动，运营策略失误造成后续流失用户变多。

将数据制作图表：

(活跃用户和不活跃用户可以拆分出来，周活跃同理)

用户运营们可以按照日、周、月维度维护三张报表，监控活跃数据的变化（建议花更多精力在周报表上）。

如果是一个好的用户运营，他会继续思考：每天有多少活跃用户变得不活跃？有多少忠诚用户变得不活跃？又有多少流失用户被我们唤回来等，并且分别是什么原因引起的。

怎么样更详细的监控活跃数据的变化呢？我们引入桑基（Sankey）图的概念。

这时，活跃数据比单纯的表格清晰多了，而且我们也能够显著观察到不同活跃层的变化。万千变化，存乎一图。 有了数据和趋势，我们应该聚焦更多精力到怎么去应用在运营和业务上。

观察忠诚用户，发现他们有什么特征，为什么爱用我们产品。同样的道理，我们也能观察流失用户；

忠诚或流失用户是否在推广渠道上有显著差异（配合新增留存数据）。

某一段时间回流用户增加，是产品更新，市场推广，还是活动营销？

本周，变成不活跃的用户比以前多，要不要做一次用户访谈看下原因？

活跃的用户用Push营销，流失的用户用短信营销，这是不是一个好方法？

以上种种，皆是用户运营需要考虑，也是要和各部门协同解决，贯彻整个产品一生的运营方向。

活跃类指标有一个显著特点需要明白，它们都是后见性的指标，也就是事情发生后我们才能观察到。比如我们发现某一段时间流失数据（假定两个月没打开APP为流失）上升，往前倒推两个月，发现当时刚好展开一次活动，那么我们有理由相信活动造成了一批用户卸载，可惜运营此时已经无能无力。先见性预防比后见性观察对运营更重要。

根据不同的用户活跃状态，依据产品的特性能采取很多运营手段。这是精准化运营的第一步。接下来则是划分用户层次等，进行更精准的运营，不过那是另外的话题了。

据某第三方平台近期调研结果显示，在金融创业领域，2013年一家互联网金融创业公司的投资获客成本区间为300-500元，而2016年则涨为1000-3000元；在电商领域，新用户的获取成本，是维护一个老用户的3倍到10倍……

如今，高居不下的获客成本让互联网、移动互联网创业者们遭遇新的“天花板”，甚至陷入“纳不起”新客的窘境。而花费极高成本所获取的客户，可能仅打开一次APP、或完成一次交易，就流白白流失。随着市场饱和度上升，绝大多数企业亟待解决如何增加客户黏性，延长每一个客户的生命周期价值。因此留存分析分析模型备受青睐。

一、什么是留存分析

留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。留存分析可以帮助回答以下问题：

一个新客户在未来的一段时间内是否完成了您期许用户完成的行为？如支付订单等；

某个社交产品改进了新注册用户的引导流程，期待改善用户注册后的参与程度，如何验证？

想判断某项产品改动是否奏效，如新增了一个邀请好友的功能，观察是否有人因新增功能而多使用产品几个月？

有人会疑惑：为什么要做留存分析，直接看活跃用户百分比不行吗？当然不行！如果产品目前处于快速增长阶段，很有可能新用户中的活跃用户数增长掩盖了老用户活跃度的变化。按初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影响。通过留存分析，你可以将用户按照注册时间分段查看，得出类似如下结论：“三月份改版前，该月注册的用户 7 天留存只有 15%；但是四月份改版后，该月注册的用户 7 天留存提高到了 20%。”

二、神策分析留存分析模型特点与价值

神策分析留存分析根据实际需求灵活配置条件。可针对事件属性，根据具体需求筛选初始行为或后续行为的细分维度。另外，还可以针对用户属性筛选合适的分析对象。那么，留存分析有哪些价值呢？

第一，留存率是判断产品价值最重要的标准，揭示了产品保留用户的能力。

留存率反映的实际上是一种转化率，即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程。随着统计数字的变化，运营人员可看到不同时期用户的变化情况，从而判断产品对客户的吸引力。

第二，宏观上把握用户生命周期长度以及定位产品可改善至之处；

通过留存分析，可以查看新功能上线之后，对不同群体的留存是否带来不同效果? 可以判断产品新功能或某活动是否提高了用户的留存率？结合版本更新、市场推广等诸多因素结合，砍掉使用频率低的功能，实现快速迭代验证，制定相应的策略。

三、神策分析留存分析应用场景

场景一：游戏行业提升活跃、留存——如何精准找到玩家“流失点”？

游戏的生命周期的时长差异、玩家的游戏粘度，直接体现了游戏的竞争能力和盈利能力。玩家对游戏的直观感受、游戏难度曲线、游戏节奏的松弛、游戏福利等游戏内涵都能够导致游戏玩家流失。正确找到玩家流失原因，是促进玩家、活跃挽留玩家的第一步。《迷城物语》是如何在神策分析做到这一点的？下面为《迷城物语》在删档测试期间的相关应用情景。（注：以下配图所涉及的数据，均为模拟真实应用场景下的虚拟数据）

在神策分析的平台上，可统计流失玩家的等级分布，判断玩家流失与关卡设置的相关性。

图1 玩家在首次登陆游戏之后的8周流失情况分析

上图显示，100～110级、80～90级是玩家流失较多的关卡。为精准导致玩家流失的关键因素，需要每个环节、具体场景进行深入追踪与分析，下略。

场景二：了解新用户的留存

运营人员可以根据新用户启动 App 的时间按日或按月进行分组，得到同期群，观察该群体用户发生投资的7日留存、14日留存或30日留存(可自由选择)，通过比较不同的同期群，可以获知，从总体上看用户留存的情况是否越来越好了。也可以点击“曲线标识”按钮，就可以看到每天留存率的变化趋势了。

图 2 新用户群体七天留存趋势变化

对于 7 日或者 30 日仍留下来做投资的用户，显然是一批忠诚度非常高的用户，什么样的用户群体有这么高的留存率？以 4 月 10 号这天的新用户为例，一共有 1931 个新用户，在第 7 天有 68 人留下来了，点击“68”这个数字，我们进入了用户列表界面。

这里值得强调的是，神策分析支持用户路径分析结果的人群明细查看。迄今为止，神策数据所有用户行为分析中的人群明细均可查看，如下图。

图3 第 7 天用户留存 68 人基本信息明细

这里我们能够看到留存下来的用户的一些详细的基础信息，比如借款次数，借款金额、年龄等，通过总借款次数以及借款金额，可进行用户质量评估；通过年龄可以分析到金融平台吸引的群体用户的年龄分布。

若想深度挖掘高留存用户有哪些共性特征、具体操作流程，以作为后序产品优化与改进的借鉴，则可使用用户分群功能，命名为“ 4-10 号 7 日留存用”然后通过用户路径等其他分析模型进一步深度分析。

中商情报网讯：8月20日中国互联网络信息中心发布第42次《中国互联网络发展状况统计报告》，报告显示，截止2018年6月，中国网民规模达到8.02亿人，2018上半年新增网民数量为2968万人，与2017年相比增长3.8%，互联网普及率为57.7%。

在2018上半年中国网上银行用户规模及使用情况中，数据显示，2018上半年中国网上银行用户规模为4.17亿人，与2017年末相比增长1804万人，在整体网民数量中网上银行用户数比例达到52%。

数据来源：cnnic、中商产业研究院整理

而在手机网上银行方面，数据显示，2018上半年中国手机网上银行用户规模为3.82亿人，与2017年末相比增长1203万人，占手机网民数量的48.5%。近年来，随着智能手机技术的快速完善，人们对手机依赖度的提高，越来越多的工作娱乐交际等都可以在手机上完成。2018上半年使用手机网上银行的用户数量达3.82亿人，而全国网上银行用户规模为4.17亿人，占比高达91.6%。

数据来源：cnnic、中商产业研究院整理