用户行为分析平台
一般而言，数据分析依赖于专业的BI人员先进行报表产出，运营再依据产出的报表进行分析，对于长期稳定的业务，报表总会慢慢覆盖尽可能多的维度，但是依然会存在多种组合维度指标的追加。如果在业务经常变化的情况下，报表覆盖的维度就没法做到及时有效，报表产出周期动辄几天，且数据口径方面会存在运营和BI人员之间的理解误差，数据准确性依赖于报表产出人员的水平，这样会严重影响数据驱动的时效性和顺畅性。并且该种方案不利于培养运营人员的数据意识，试问，如果一个简单的数据分布查看都要提需求等排期，那么谁还愿意到处拿数据说话呢？
数据产品的价值就在于此，降低数据的使用门槛，让数据能更加方便、快捷、准确的为业务人员使用。
一、需求背景
之前写过 构建数据指标体系，在文章中，数据指标体系搭建好之后就需要通过ETL过程进行数据开发，然后通过ads层输出数据，再经由superset进行报表展示，开发周期长不说，预定义的维度还有限，没法一次覆盖所有的分析场景，且业务处于快速迭代期，经常需要进行报表的调整，只能按照需求管理的方式慢慢添加报表，更加致命的是，由于口径和维度的调整，往往需要经常修改报表逻辑，耗费时间长，技术含量低，响应周期慢。
基于此种情况，构建一套人人可用，简单高效的用户行为分析平台就非常有必要了。
为什么叫用户行为分析平台？因为在当前的电商场景下，我们分析的对象绝大多数都是用户的行为，比如下单、支付、留存等等，所以叫做用户行为平台。
用户行为分析与B分析有哪些区别?
分析对象不一样:用户行为分析,顾名思义,主要分析对象是用户,是运营部门最关心的对象;BI可以分析商品、销售、供应链、会员、财务等场景,也包含用户。
数据来源不一样:用户行为分析通过在App、Web、小程序等进行埋点获取用户生命周期中的行为数据;B是通过接入各个部门信息系统中的数据再进行分析,包含支付、会员、供应链、进销存、CRM、
财务等等。
作用价值不一样:用户行为分析通过数据洞察用户行为,从而提高拉新、转化、留存等各个环节的RO,B是通过数据融合、分析、可视化为公司搭建自上而下的数据分析体系,最终目标是提高各个层级决策的科学性和实时性。
二、解决的问题
主要解决的问题应该分为两部分：
- 对于分析师而言
- 提升写报表效率，常规需求可通过点选快速产出报表
- 固化分析模型，将一些成熟的分析模型产品化之后赋能给业务人员
- 可以进行一部分探索性的分析工作
- 对于业务人员
- 降低数据需求的响应周期
- 部分常规需求可以自主完成，不用通过分析师
- 部分高阶用户可以进行多种维度的组合分析用来探索性的数据分析
核心而言，解决的就2个问题，第一，提高数据需求的效率，第二，固化分析模型进行业务赋能。
三、产品目标及抓手
针对要解决的核心问题，我们定下的目标是能够覆盖60%的常规数据需求。
通过数据分析模型的覆盖，事件的覆盖度。
四、产品调研及分析
目前市场上该类产品其实有很多，这里选择两家典型的产品进行分析。
主线问题是，他们是如何快速实现数据分析需求的？
五、产品实现思路
5.1 底层数据模型
这里的数据采集，本质上就是把用户的行为抽象为一个个的事件，或者说将业务过程合并到一张行为表event中。
事件模型是目前数据分析的基础，用来描述用户的一次行为，该模型用以规范并结构化用户的行为日志。
通过事件模型，我们可以这样来描述用户的一次行为：
简单来说，事件模型 = 谁 在什么时间 在哪里 做了什么事，基于事件模型，通过app上的埋点技术，我们可以采集结构化的用户行为日志，并存储在数据库中用以分析。
使用4w来描述用户的一次行为，这里所说的行为就是事件，事件可以是多种多样的，比如用户的访问是一种事件，出价、下单、支付同样是一种类型的事件，埋点采集的就是我们所定义的事件，我们所分析的也是用户所做的每一种事件。
数据结构采用event-user-item模型
• 单边，双边用户
单双边是针对产品有多个身份使用用户时才会进行区分。单边用户，即仅有一 类用户的产品，如健身产品Keep，聊天工具 QQ 等 ; 双边用户如 O2O 产品，用户可能是普通消费者，也可能是商家用户。需要根据产品的不同，提前对用 户识别和相应属性进行设计。
• 缓慢变化维
如果遇到一些会发生变化的属性，比如用户的 VIP 等级，不能只作为用户属 性传进用户表中，还需在事件表中，记录一个 “当前发生事件 VIP 等级” 这个 属性。因为当前会员等级的统计，和发生事件时用户的会员等级统计是两种情况。
5.2 分析模型
相关的分析模型主要通过sql拼接的最小成本方式实现，为此牺牲了一定的功能，待后续产品使用量提升之后会继续推进优化。
5.3 产品易用性逻辑
初期未考虑太多产品易用性的设计，后期参照简约至上，对产品的易用性进行了一些改进。
5.4 其他
是一款数据分析产品，其主要作用是让运营、产品等非专业人员能够通过点选的方式进行自助式的数据分析，让每个人都能够及时、准确且便捷的进行业务数据分析。
其次，提供的并不仅仅是分析工具，还提供分析模型，比如日常工作中常用的分析思路如留存、复购、漏斗、用户行为路径等固化为模型，使用者只需要选定对应的分析模型，再通过点选所需内容，即可快速得出所需结果。
六、产品结果评估
产品目前的结果评估并不理想，主要原因
在项目的推进过程中，犯了很多的错误，
- 错失项目推进加速器
- 未考虑不同人群的易用性设计，初期推广错了人群
- 错失关键窗口期
七、后续规划
需求池：
- 虚拟事件
- 事件和属性的注释
- 底层数据模型优化，使用ck的大宽表模型
- 场景库
- 新的分析模型
路线图：
用户行为路径，分布分析，场景库，事件和属性的注释
八、总结
总的来说，这款产品是在技术思维主导下设计的一款数据产品，初期的不顺利主要是产品的易用性上设计的不够好，切入场景不够，所以，产品的推广和定位一定一定要明确。
最后，数据产品首先是一款产品，然后才是数据的属性，万不可本末倒置。