代驾app系统开发如何推动出行服务的智能化与便捷化
1511
2023-02-15
小程序用户行为统计分析（微信小程序用户量主要来自什么用户的数量）
本篇文章给大家谈谈小程序用户行为统计分析，以及微信小程序用户量主要来自什么用户的数量对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
今天给各位分享小程序用户行为统计分析的知识，其中也会对微信小程序用户量主要来自什么用户的数量进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
一、项目需求
本案例的数据为小程序运营数据小程序用户行为统计分析，以行业常见指标对用户行为进行分析，包括UV、PV、新增用户分析、留存分析、复购分析等内容。
项目需求如下：
1.日访问量分析，并观察其走势
2.不同行为类型的访问量分析
3.一天中不同时间段的访问量分析（时间段按小时划分）
4.每日新增用户情况分析
5.用户留存分析
6.复购分析
7.商品排行榜分析
8.利用sqoop将数据分析结果导入mysql存储
二、数据介绍
1.用户行为信息表
2.查看具体的数据格式
a.用户信息：head -n 3 behavior.txt
b.去除首行，首行为标题行，hive导入数据时不需要此行：
sed -i "1d" behavior.txt
三、创建表
创建用户行为表(需结合数据格式)
四、用户行为分析：pv/uv
1.日访问量分析，并观察其走势
2.不同行为类型的访问量分析
3.一天中不同时间段的访问量分析（时间段按小时划分）
五、获客分析
获客分析：观察每日新增用户情况。新用户的定义：第一次访问网站
六、用户留存分析
留存定义：
1月1日，新增用户200人;
次日留存：第2天，1月2日，这200人里面有100人活跃，则次日留存率为：100 / 200 = 50%
2日留存：第3天，1月3日，这200名新增用户里面有80人活跃， 第3日新增留存率为:80/200 = 40%; 以此类推
留存分析结果如下：
例：2019-11-28日的新增7610个用户，次日这些新增用户有6026个再次访问网页，留存率为79.19%，第4天，有5980个用户再次访问，留存率为78.58%
七、复购分析
指在单位时间段内，重复购买率=再次购买人数/总购买人数。
例如在一个月内，有100个客户成交，其中有20个是回头客，则重复购买率为20%。
此处的回头客定义为：按天去重，即一个客户一天产生多笔交易付款，则算一次购买，除非在统计周期内另外一天也有购买的客户才是回头客。
1.用户的购买次数统计
2.复购率计算
八、商品排行榜信息
1.商品的销售数量top10，排名需考虑并列排名的情况
2.商品的浏览次数top10，排名需考虑并列排名的情况
3.商品的收藏次数top10,排名需考虑并列排名的情况
4.城市购买力排名
九、利用sqoop将数据分析结果导入mysql存储
1.在mysql创建一张表，字段类型、顺序都和hive中的表一样
2.测试sqoop连接mysql是否成功
3.利用sqoop将数据分析结果导入mysql存储
4.mysql中查询导入结果，看结果是否正确
前置条件：在用户心理分析有一个专业术语：叫“均匀悬浮注意”，意思是需要像一个旁观者一样在观察者被访对象和观察对象发生了什么，“均匀悬浮注意”一样适用于我们的产品。由于分析不能受到个人主观意愿影响，需要形成较为客观、事实的分析，截止今天为止我并没有下过一次单，也不参与各种吐槽环节。
分析目的：通过多维度分析，找出项目中运营、程序、流程上存在的不足点，提出可行性建议。
一.用户行为及分析
先引入一句话--“ 一个产品对于用户的意义存在于他对这个产品所产生的反应之中 ”，你也可以理解为--不同的用户对同一个产品会产生不同的反应，产品经理必须通过各种设计手法， 缩短或改良使用者对产品的认知过程 。
我在南山办公，所以对南山的同事能观察到的行为举止包括有语言、表情、肢体语言、情绪等方面的因素，对于在福田的同事，我只能通过他/她在群里的吐槽进行表象的分析。以下列举出出现较多的场景：
场景一： A同事抱怨点了餐，在小程序上付了1元，但是却没有拿到他想要的那份餐品，于是另外一个B同事和A解释到可能是在一个测试时间段点的餐，所以数据被忽略了。A同事无法理解，我为什么付了钱却给不了我想要的东西。
分析：
A虽然是我的同事，但首先他也是一个用户，作为一个用户，A同事的抱怨理由依据都非常充分。
B同事也是我的同事，这个时候他扮演的角色是开发，在B看来你在测试时间段点的餐我也有充分的理由不计算到我实际的配送份额内。
这个场景引出1个问题：制造期望控制期望
1.针对"制造期望/控制期望"这个问题还原场景：A用户打开了小程序，小程序页面展示的是主流点餐页面，此时，在A用户的心理已经产生我可以选择餐品的感知，当A用户点击了下单之后，小程序制造了一个"确认订单"的期望，并且这个期望通过小程序的交互被用户所感知及反馈到大脑中，最后A用户支付了这1块钱，完成一个订单的销售闭环，此时此刻，我们给到A用户的期望---明天中午我能吃到通过小程序下单的那顿"雪菜小黄鱼套餐"。
2.A用户的期望是在对产品认知的过程当中一步一步的建立起来的，用户会在认知产品的场景当中，一直做着同一个事情---无限接近他所期望结果的操作。
结论：通过分析可以知道在场景一中我们做到了第一步，通过小程序制造了A用户能吃上饭的期望，但是制造了期望总要去兑现，如何去控制这个期望让它得以实现，需要解决的问题是我们的线上线下运营能力，沟通是否顺畅，如果中间缺失了一环，那么这种情况可能还会出现。
通过这个结论我提出了一个建议： 特别是在当前程序并非完善的情况下， 沟通变得很有必要 ，打破沟通的屏障才能让整个项目运作更顺畅。其实作为旁观者的我来说，场景一中的根本问题是沟通问题，如果A同事提前知道测试时间段内下单的数据无效，就可以完全避免这个问题。同样，我们也不能要求我们的用户去适应我们带出来的问题，如果A同事这种情况发生在正式上线的情况，这个小程序会从此在A用户的小程序列表里消失，所以在项目运营层面来说，应该增强各个部门之间的沟通，只有内部沟通顺畅了，才能更加容易的切入我们中，实现“控制期望”。
场景二： 部分同事抱怨点餐截止时间不合理，这里我先不给出截止时间是否合适的结论，还是那句，客观的分析，成型的产品不应该是产品经理个人执念的产物，而是遵循市场规律设计出的产品才是好的产品，否则产品生命周期会提前结束。
首先来看看某个同事A做的调查，
A同事：“你觉得提前点餐，你能接受吗？”
路人甲：“可以”
好，到这里为止我认为类似这种引导性问卷已经没有必要往下看了，因为这种问卷是基于引导式的场景提问了，除非这个场景是用户自己提出的，否则基于一个引导性场景做出的调研后面得到的反馈和数据是没有意义的。
点餐本身是个随机事件(何时在哪个平台点哪个店铺的哪个餐品)，既然是随机事件，那么调研之初就不能用这种直接切入的访谈/提问/问卷去做调研，如果是假设对方会提前点餐的前提下去做调研或者只能二选一，那么你调研的结论应该是和你的商业论证呈现惊人的一致或大概率一致。
这种随机事件调研最好的办法是观察/数据采集/数据分析，不需要去提问，因为用户的行动是不会说谎的，你只要观察或者用数据得出结论即可，一旦用引导性方式提问，将会影响被受访者的本身意愿/甚至带偏。
在以前还没有做出外卖小程序之前，我得出南山这边点餐的数据(随机抽样，6个同事包括我自己,每个同事抽取12月的随机6个样本，因为当时大家都不知道年后要做外卖小程序，所以抽样规避了引导性的问题)：
点餐时间样本：
1号调研对象：11:03 11:15 11:13 11:10 11:06 11:08
2号调研对象：11:00 10:58 10:55 11:02 11:03 10:58
3号调研对象：11:11 11:15 11:08 11:11 11:12 11:07
4号调研对象：11:22 11:40 09:30 11:08 11:24 11:05
5号调研对象：11:30 11:35 11:10 11:16 11:10 11:10
6号调研对象：11:10 10:55 11:12 11:08 10:55 11:20
从抽样数据来看，用户点餐时间最早时间09:30 ，最晚时间11:40，排除掉拐点3个方差范围外的离散点(09:30)，得出结论，点餐高峰期和前期做外卖小哥接头采访(参考2020-03-05发布的《取餐柜调研分析》案例二第13条，如下图)的结论惊人相似，再把外卖小哥调研的12:30时间往前推40分钟(配送时间)，得出结论，点餐高峰期是11:00-11:40，这个时间段也符合我们以上6个抽样调查结果的结论。
到这里为止，我们可以看到，用户的习惯点餐时间在11:00-11:40，和我们设置的点餐截止时间不吻合。
再看看我们是否可以通过我们的产品设计控制来达到改变用户习惯的效果，下面继续分析。
首先，得知道用户习惯从何地/从何时而来，这里直接给出答案
1.用户习惯，在最初的需求解决方式中形成
2.用户习惯，在新的需求解决方式中展现
3.用户习惯，在新的需求解决方式中改变
然后回头看看，我们的这个项目是否满足以上三条，不着急，一条一条来分析。
在最初的需求中，外卖平台的上线是用来解决用户维度里面的“懒-贪-装”中的 “懒” (参考我《直播/视频行业分析》一文中所提到)
自此之后，外卖平台的上线已经解决了核心问题--- 如何将远距离的餐品直接送到用户手中 ，之后外卖平台核心的需求没有改变，那么就没办法满足以上第2、第3条。再回过头看看，核心的需求已经被美团、饿了么等各大平台占领了，那么用户习惯就已经被这两大巨头培养起来了，如果这时候我们需要通过我们产品设计来培养用户新的用户习惯会 出现两种结果 ：
1.用户被层层的规则限制，呈现出漏斗形过滤，用户在每层漏斗中被筛选转化(可以参考电商的转换模型)， 最终到达支付闭环的用户占比很少 ，这里指的规则包括所有和现在主流平台不一致的业务。
2.假设用户习惯被培养起来了，但是出现的复购概率不高。引用美团的数据，一个用户点同一家店的频率为3次/月，这意味着，大概一个星期会吃一次这个店的餐品。
然后这里举一个场景的例子：用户A平时使用美团/饿了么外卖点餐，习惯点餐时间一直保持在11:00-11:40，然后突然有一天，用户想起来要吃我们《塘食》的外卖，结果点进去发现此时已超过点餐时间，无法点今天的餐(因为我们的点餐截止时间不在当天11:00-11:40之内)，此时用户只有两种选择，第一，点击右上角关闭小程序，第二，出现这种情况的时候，我们的小程序本身针对这种情况是有提示用户可以去浏览每周的其他餐品，于是用户就点了进入“每周餐品”的页面进行浏览，再之后的操作无法确定也无法控制。很显然，以上两种操作都对我们小程序很不利( 用户流失 )，因为我们没法控制用户在这种情况下会产生哪种情绪，会对小程序进行哪些操作，那换然之会进入到支付步骤的用户数更不能明确，如果我们有足够时间做埋点，可以大胆猜测这个数据会很惨淡。
那么回归我们的“外卖小程序”场景当中，我们解决了用户什么需求？ 核心需求还是没有改变 ，远距离餐品送到用户手中，那么我们的餐品是定点进行领取，那么我们的目标用户就限定了在取餐点的短距离范围之内，如果一个餐品需要一个用户走很远的距离去取，那么这个和最初的需求所冲突，所以产品也会自动排除掉了一部分用户
总结了以上分析得出以下结论：
1. 假设用户距离我们取餐点太远，那么没有解决核心需求，远距离的用户直接会被过滤掉 。
2. 没有新的核心需求在市场上出现，培养用户习惯会导致用户被层层筛选
3. 小程序现有规则大概率影响到我们用户的复购率
到此，对于场景二的分析也完毕，得出的结论也比较残酷，虽然这只是我们自己公司的内测阶段，但在产品经理的这个岗位里有一句话“产品如果连自己都不能感动，又怎么能感动市场呢？”换言之，只有当我们自己用都觉得用得很舒服的时候，才有可能获得市场的认同。
针对场景二以上得出的结论，提出个人的一些建议：
1.基于我们的取餐点附近进行重点的推广，比如南山可以推广赛西周边的几栋写字楼，距离远的用户很难驱动。
2.我们的点餐截止时间可以设置在11:00左右，根据数据分析得出结论，用户提早点餐或在11点前点餐概率很低，因为这个本身是个随机事件，在用户眼里，我什么时候点餐-点哪家的餐-点哪个餐品需要三个步骤，我们不能认为用户都会点塘食的基础上做假设。
3.优化一些点餐的流程，从业务流程上优化，比如缩短用户可感知的产品的路径(比如如何能获取到我喜欢的餐品在哪一天会出现)，会复购的用户一般都是我们的忠实用户，所以我们应该更重视这部分用户的使用。
二、餐品本身
核心竞争力是产品 ，在我们这个项目当中，指的就是我们的餐品，下面列举2个关于餐品的实际场景进行分析
场景一： 我一直在观察着是否有部分同事不会点小程序的餐，想验证下这部分同事具有怎样的共性，结果我发现有三个同事是不点的(当然在利招下发通知必须点后，我可以认为这是外部环境因素而对产品数据结果造成影响，不过没关系，我还有前三天的数据可以做分析)。
A同事，看到餐品从楼下被领上去，会好奇凑上去看餐品的卖相，没表达任何不满或者嫌弃的意思，但没有点餐
B同事，被其他同事问及为啥不点的时候，直接来了句“这看上去一点都不辣”
C同事，我还是比较喜欢重口味的，这个我吃不下
结论： 以上就是三位不同的同事，他们具有的共性就是对餐品本身不感兴趣，我们主推的是江浙菜，那么必定会有一部分的用户不是目标群体，这部分用户在小程序浏览的餐品时候已经被过滤掉，自然不会产生订单，那么针对我们的餐品，我们是否需要做调整，如果不做调整我们该如何在运营上如何快速定位我们的目标用户呢？继续往下分析
建议：
如果我们需要做调整？ 那么我们可能只有一种可能，就是通过市场调研，了解我们目标区域内用户的主流菜系，对应做出调整。
如果我们不调整？ 那么我们需要让我们自己的产品被标签化，让用户更容易感知我们主推的菜系，那么会在具有相同属性的用户群体当中进行裂变，而且产品的标签化是产品运营中必不可少的因素，显然在小程序当中，用户并不能通过快速浏览我们的主页获得这层信息，如果我们能在产品当中给用户打下某个烙印，第一，有助于用户快速识别我们到底是做什么菜系的，第二，我们可以把更多精力集中到我们这部分用户的反馈当中，无需花时间、成本、精力去照顾我们的非目标用户。
场景二： 然后我们看看那些点了餐的同事的真实反映，这种反映包括语言、表情、肢体语言，我认为这些是最真实的体现，而在群里发表的意见并不一定是用户本身的真实意愿，所以在南山的同事我只考量这些客官因素
A同事，(猪脚饭)，味道不错，就是分量少了点(还是笑着在评价)
B同事，这个饭分量太少了，吃不饱(带有抱怨的语气)
C同事，这个价格如果有优惠还行，外面的话就不是这个量了
D同事，这条鱼也太小了吧(脸上略有不满）
这些同事都很充分的角色代入了，没有因为是公司餐品而掩饰不满，非常好，我需要这种客观反馈
结论: 对小范围内抽样调研，如果出现反馈具有很多同一属性的问题，那么这个问题如果投放到市场，会被无限放大，直指餐品存在一个问题：量少
建议： 对于多少，每个人评判标准不一，到底是多是少，需要量化，前期如果无法使用一些高额成本的量化工具，可以用某些固定容器作为参考标准进行量化生产，然后收集反馈，继续优化，再收集反馈，达到一个较为理想且大部分用户都能接受的一个量，然后通过这个量倒推成本，再对产品定价进行修改，希望定价方面要经过计算，不要靠感觉，这样以后万一定价出现问题，也容易追查到哪个评估的环节出了问题。 餐品是我们的核心竞争力， 价值需要由用户来评判，我们首先给到的是优质的餐品，再去想别的事情(身边已有较多这种案例，哪怕是网吧楼下卖炒粉的，核心竞争力是这个炒粉是否满足广大用户的口味)
三、场景流程
对于用户来说，大概的场景是这样的：
1.某时刻我在小程序上点了某一天的某一个餐品
2.在某时刻我看到路边有人在做外卖推广，于是我扫码尝试去点个餐
我们只需要针对这两个场景去做分析就好了，复购/朋友圈/搜索的这部分用户符合第一个情况，拉新/递推符合第二种情况，基本上不存在第三种。
对于第一种，自己不做分析，自己分析自己的设计存在主观因素，当局者很迷，只能对提出的问题作出解答，为什么这样设计之类的问题，至于好不好不分析。
针对第二种，市场部在策划跟进，在这当中我也从市场部的得到了比如说易拉宝、产品外观设计这块的一些资料，但是具体如何推广的流程还没有具体获知，下面我举一些例子，通过市面上较为成功的案例倒推我们现在存在的一些问题
案例一：
下面是一个电饭煲(俯视图)
这个画面需要表达的是三个事情，第一，我可以控制温度，第二，我可以控制时间，第三，如果你想提起来，我还有个把手，至于怎么调整温度、时间，怎么拎起把手无需我做过多的说明。
分析： 反问一句，你是如何从画面中感知这些要素的，为什么你在调整温度时，会顺其自然顺时针去扭动，其实这个是用户心理模型当中的感知造成的，这里不深究，简言用一句，就是最简单的设计表达用户可感知的事情，所有多余不是核心的元素只会让用户在认知层面出现感知困难，比如我以前提过最好不要用弹幕形式做背景一样，视觉信息量大，变相没重点，用户潜意识会产生一种这个背景没有一个中心思想去表达，人的心里都是这样的，越复杂的事情越抗拒去看。
结论： 现在处于拉新阶段，无需把太多元素暴露给用户，先让自身产品打上一个“最硬核、最简洁”的标签(包括视觉、solgan、公司logo等)，易于形成品牌记忆，举几个简单的例子，一句话搓中用户的，梅赛德斯--"The best or nothing "，携程--"携程在手，想走就走"，碧桂园--"给你一个五星级的家"，产品需要不断更新迭代，我们只需要一个亮点，让用户铭记于心就好。
四、个人建议
我们每天都会想到很多好玩的东西，每天可能都会发现市场上存在的空缺及机会，在商言商，我们有好的想法，就要想办法落地，落地需要更多的观察市场、分析市场、揣摩市场，站在产品岗--我需要站在一个较为客观的维度去给大家分析项目，时间宝贵，避免少走弯路，前期的调研分析必不可少，只有分析透彻了，才能做出顺应市场的产品。
本文目录一览：
HIVE大数据实战项目---用户行为分析
相关精彩专题链接： 数据成就更好小程序用户行为统计分析的你一、项目需求
本案例的数据为小程序运营数据小程序用户行为统计分析，以行业常见指标对用户行为进行分析，包括UV、PV、新增用户分析、留存分析、复购分析等内容。
项目需求如下：
1.日访问量分析，并观察其走势
2.不同行为类型的访问量分析
3.一天中不同时间段的访问量分析（时间段按小时划分）
4.每日新增用户情况分析
5.用户留存分析
6.复购分析
7.商品排行榜分析
8.利用sqoop将数据分析结果导入mysql存储
二、数据介绍
1.用户行为信息表
2.查看具体的数据格式
a.用户信息：head -n 3 behavior.txt
b.去除首行，首行为标题行，hive导入数据时不需要此行：
sed -i "1d" behavior.txt
三、创建表
创建用户行为表(需结合数据格式)
四、用户行为分析：pv/uv
1.日访问量分析，并观察其走势
2.不同行为类型的访问量分析
3.一天中不同时间段的访问量分析（时间段按小时划分）
五、获客分析
获客分析：观察每日新增用户情况。新用户的定义：第一次访问网站
六、用户留存分析
留存定义：
1月1日，新增用户200人;
次日留存：第2天，1月2日，这200人里面有100人活跃，则次日留存率为：100 / 200 = 50%
2日留存：第3天，1月3日，这200名新增用户里面有80人活跃， 第3日新增留存率为:80/200 = 40%; 以此类推
留存分析结果如下：
例：2019-11-28日的新增7610个用户，次日这些新增用户有6026个再次访问网页，留存率为79.19%，第4天，有5980个用户再次访问，留存率为78.58%
七、复购分析
指在单位时间段内，重复购买率=再次购买人数/总购买人数。
例如在一个月内，有100个客户成交，其中有20个是回头客，则重复购买率为20%。
此处的回头客定义为：按天去重，即一个客户一天产生多笔交易付款，则算一次购买，除非在统计周期内另外一天也有购买的客户才是回头客。
1.用户的购买次数统计
2.复购率计算
八、商品排行榜信息
1.商品的销售数量top10，排名需考虑并列排名的情况
2.商品的浏览次数top10，排名需考虑并列排名的情况
3.商品的收藏次数top10,排名需考虑并列排名的情况
4.城市购买力排名
九、利用sqoop将数据分析结果导入mysql存储
1.在mysql创建一张表，字段类型、顺序都和hive中的表一样
2.测试sqoop连接mysql是否成功
3.利用sqoop将数据分析结果导入mysql存储
4.mysql中查询导入结果，看结果是否正确
"外卖小程序"分析报告
这几天一直在暗中观察同事们对这次"外卖小程序"项目的一些反馈，下面我会站在一个产品经理的角色对以下四个部分进行：用户行为分析、餐品本身、场景流程、个人建议前置条件：在用户心理分析有一个专业术语：叫“均匀悬浮注意”，意思是需要像一个旁观者一样在观察者被访对象和观察对象发生了什么，“均匀悬浮注意”一样适用于我们的产品。由于分析不能受到个人主观意愿影响，需要形成较为客观、事实的分析，截止今天为止我并没有下过一次单，也不参与各种吐槽环节。
分析目的：通过多维度分析，找出项目中运营、程序、流程上存在的不足点，提出可行性建议。
一.用户行为及分析
先引入一句话--“ 一个产品对于用户的意义存在于他对这个产品所产生的反应之中 ”，你也可以理解为--不同的用户对同一个产品会产生不同的反应，产品经理必须通过各种设计手法， 缩短或改良使用者对产品的认知过程 。
我在南山办公，所以对南山的同事能观察到的行为举止包括有语言、表情、肢体语言、情绪等方面的因素，对于在福田的同事，我只能通过他/她在群里的吐槽进行表象的分析。以下列举出出现较多的场景：
场景一： A同事抱怨点了餐，在小程序上付了1元，但是却没有拿到他想要的那份餐品，于是另外一个B同事和A解释到可能是在一个测试时间段点的餐，所以数据被忽略了。A同事无法理解，我为什么付了钱却给不了我想要的东西。
分析：
A虽然是我的同事，但首先他也是一个用户，作为一个用户，A同事的抱怨理由依据都非常充分。
B同事也是我的同事，这个时候他扮演的角色是开发，在B看来你在测试时间段点的餐我也有充分的理由不计算到我实际的配送份额内。
这个场景引出1个问题：制造期望控制期望
1.针对"制造期望/控制期望"这个问题还原场景：A用户打开了小程序，小程序页面展示的是主流点餐页面，此时，在A用户的心理已经产生我可以选择餐品的感知，当A用户点击了下单之后，小程序制造了一个"确认订单"的期望，并且这个期望通过小程序的交互被用户所感知及反馈到大脑中，最后A用户支付了这1块钱，完成一个订单的销售闭环，此时此刻，我们给到A用户的期望---明天中午我能吃到通过小程序下单的那顿"雪菜小黄鱼套餐"。
2.A用户的期望是在对产品认知的过程当中一步一步的建立起来的，用户会在认知产品的场景当中，一直做着同一个事情---无限接近他所期望结果的操作。
结论：通过分析可以知道在场景一中我们做到了第一步，通过小程序制造了A用户能吃上饭的期望，但是制造了期望总要去兑现，如何去控制这个期望让它得以实现，需要解决的问题是我们的线上线下运营能力，沟通是否顺畅，如果中间缺失了一环，那么这种情况可能还会出现。
通过这个结论我提出了一个建议： 特别是在当前程序并非完善的情况下， 沟通变得很有必要 ，打破沟通的屏障才能让整个项目运作更顺畅。其实作为旁观者的我来说，场景一中的根本问题是沟通问题，如果A同事提前知道测试时间段内下单的数据无效，就可以完全避免这个问题。同样，我们也不能要求我们的用户去适应我们带出来的问题，如果A同事这种情况发生在正式上线的情况，这个小程序会从此在A用户的小程序列表里消失，所以在项目运营层面来说，应该增强各个部门之间的沟通，只有内部沟通顺畅了，才能更加容易的切入我们中，实现“控制期望”。
场景二： 部分同事抱怨点餐截止时间不合理，这里我先不给出截止时间是否合适的结论，还是那句，客观的分析，成型的产品不应该是产品经理个人执念的产物，而是遵循市场规律设计出的产品才是好的产品，否则产品生命周期会提前结束。
首先来看看某个同事A做的调查，
A同事：“你觉得提前点餐，你能接受吗？”
路人甲：“可以”
好，到这里为止我认为类似这种引导性问卷已经没有必要往下看了，因为这种问卷是基于引导式的场景提问了，除非这个场景是用户自己提出的，否则基于一个引导性场景做出的调研后面得到的反馈和数据是没有意义的。
点餐本身是个随机事件(何时在哪个平台点哪个店铺的哪个餐品)，既然是随机事件，那么调研之初就不能用这种直接切入的访谈/提问/问卷去做调研，如果是假设对方会提前点餐的前提下去做调研或者只能二选一，那么你调研的结论应该是和你的商业论证呈现惊人的一致或大概率一致。
这种随机事件调研最好的办法是观察/数据采集/数据分析，不需要去提问，因为用户的行动是不会说谎的，你只要观察或者用数据得出结论即可，一旦用引导性方式提问，将会影响被受访者的本身意愿/甚至带偏。
在以前还没有做出外卖小程序之前，我得出南山这边点餐的数据(随机抽样，6个同事包括我自己,每个同事抽取12月的随机6个样本，因为当时大家都不知道年后要做外卖小程序，所以抽样规避了引导性的问题)：
点餐时间样本：
1号调研对象：11:03 11:15 11:13 11:10 11:06 11:08
2号调研对象：11:00 10:58 10:55 11:02 11:03 10:58
3号调研对象：11:11 11:15 11:08 11:11 11:12 11:07
4号调研对象：11:22 11:40 09:30 11:08 11:24 11:05
5号调研对象：11:30 11:35 11:10 11:16 11:10 11:10
6号调研对象：11:10 10:55 11:12 11:08 10:55 11:20
从抽样数据来看，用户点餐时间最早时间09:30 ，最晚时间11:40，排除掉拐点3个方差范围外的离散点(09:30)，得出结论，点餐高峰期和前期做外卖小哥接头采访(参考2020-03-05发布的《取餐柜调研分析》案例二第13条，如下图)的结论惊人相似，再把外卖小哥调研的12:30时间往前推40分钟(配送时间)，得出结论，点餐高峰期是11:00-11:40，这个时间段也符合我们以上6个抽样调查结果的结论。
到这里为止，我们可以看到，用户的习惯点餐时间在11:00-11:40，和我们设置的点餐截止时间不吻合。
再看看我们是否可以通过我们的产品设计控制来达到改变用户习惯的效果，下面继续分析。
首先，得知道用户习惯从何地/从何时而来，这里直接给出答案
1.用户习惯，在最初的需求解决方式中形成
2.用户习惯，在新的需求解决方式中展现
3.用户习惯，在新的需求解决方式中改变
然后回头看看，我们的这个项目是否满足以上三条，不着急，一条一条来分析。
在最初的需求中，外卖平台的上线是用来解决用户维度里面的“懒-贪-装”中的 “懒” (参考我《直播/视频行业分析》一文中所提到)
自此之后，外卖平台的上线已经解决了核心问题--- 如何将远距离的餐品直接送到用户手中 ，之后外卖平台核心的需求没有改变，那么就没办法满足以上第2、第3条。再回过头看看，核心的需求已经被美团、饿了么等各大平台占领了，那么用户习惯就已经被这两大巨头培养起来了，如果这时候我们需要通过我们产品设计来培养用户新的用户习惯会 出现两种结果 ：
1.用户被层层的规则限制，呈现出漏斗形过滤，用户在每层漏斗中被筛选转化(可以参考电商的转换模型)， 最终到达支付闭环的用户占比很少 ，这里指的规则包括所有和现在主流平台不一致的业务。
2.假设用户习惯被培养起来了，但是出现的复购概率不高。引用美团的数据，一个用户点同一家店的频率为3次/月，这意味着，大概一个星期会吃一次这个店的餐品。
然后这里举一个场景的例子：用户A平时使用美团/饿了么外卖点餐，习惯点餐时间一直保持在11:00-11:40，然后突然有一天，用户想起来要吃我们《塘食》的外卖，结果点进去发现此时已超过点餐时间，无法点今天的餐(因为我们的点餐截止时间不在当天11:00-11:40之内)，此时用户只有两种选择，第一，点击右上角关闭小程序，第二，出现这种情况的时候，我们的小程序本身针对这种情况是有提示用户可以去浏览每周的其他餐品，于是用户就点了进入“每周餐品”的页面进行浏览，再之后的操作无法确定也无法控制。很显然，以上两种操作都对我们小程序很不利( 用户流失 )，因为我们没法控制用户在这种情况下会产生哪种情绪，会对小程序进行哪些操作，那换然之会进入到支付步骤的用户数更不能明确，如果我们有足够时间做埋点，可以大胆猜测这个数据会很惨淡。
那么回归我们的“外卖小程序”场景当中，我们解决了用户什么需求？ 核心需求还是没有改变 ，远距离餐品送到用户手中，那么我们的餐品是定点进行领取，那么我们的目标用户就限定了在取餐点的短距离范围之内，如果一个餐品需要一个用户走很远的距离去取，那么这个和最初的需求所冲突，所以产品也会自动排除掉了一部分用户
总结了以上分析得出以下结论：
1. 假设用户距离我们取餐点太远，那么没有解决核心需求，远距离的用户直接会被过滤掉 。
2. 没有新的核心需求在市场上出现，培养用户习惯会导致用户被层层筛选
3. 小程序现有规则大概率影响到我们用户的复购率
到此，对于场景二的分析也完毕，得出的结论也比较残酷，虽然这只是我们自己公司的内测阶段，但在产品经理的这个岗位里有一句话“产品如果连自己都不能感动，又怎么能感动市场呢？”换言之，只有当我们自己用都觉得用得很舒服的时候，才有可能获得市场的认同。
针对场景二以上得出的结论，提出个人的一些建议：
1.基于我们的取餐点附近进行重点的推广，比如南山可以推广赛西周边的几栋写字楼，距离远的用户很难驱动。
2.我们的点餐截止时间可以设置在11:00左右，根据数据分析得出结论，用户提早点餐或在11点前点餐概率很低，因为这个本身是个随机事件，在用户眼里，我什么时候点餐-点哪家的餐-点哪个餐品需要三个步骤，我们不能认为用户都会点塘食的基础上做假设。
3.优化一些点餐的流程，从业务流程上优化，比如缩短用户可感知的产品的路径(比如如何能获取到我喜欢的餐品在哪一天会出现)，会复购的用户一般都是我们的忠实用户，所以我们应该更重视这部分用户的使用。
二、餐品本身
核心竞争力是产品 ，在我们这个项目当中，指的就是我们的餐品，下面列举2个关于餐品的实际场景进行分析
场景一： 我一直在观察着是否有部分同事不会点小程序的餐，想验证下这部分同事具有怎样的共性，结果我发现有三个同事是不点的(当然在利招下发通知必须点后，我可以认为这是外部环境因素而对产品数据结果造成影响，不过没关系，我还有前三天的数据可以做分析)。
A同事，看到餐品从楼下被领上去，会好奇凑上去看餐品的卖相，没表达任何不满或者嫌弃的意思，但没有点餐
B同事，被其他同事问及为啥不点的时候，直接来了句“这看上去一点都不辣”
C同事，我还是比较喜欢重口味的，这个我吃不下
结论： 以上就是三位不同的同事，他们具有的共性就是对餐品本身不感兴趣，我们主推的是江浙菜，那么必定会有一部分的用户不是目标群体，这部分用户在小程序浏览的餐品时候已经被过滤掉，自然不会产生订单，那么针对我们的餐品，我们是否需要做调整，如果不做调整我们该如何在运营上如何快速定位我们的目标用户呢？继续往下分析
建议：
如果我们需要做调整？ 那么我们可能只有一种可能，就是通过市场调研，了解我们目标区域内用户的主流菜系，对应做出调整。
如果我们不调整？ 那么我们需要让我们自己的产品被标签化，让用户更容易感知我们主推的菜系，那么会在具有相同属性的用户群体当中进行裂变，而且产品的标签化是产品运营中必不可少的因素，显然在小程序当中，用户并不能通过快速浏览我们的主页获得这层信息，如果我们能在产品当中给用户打下某个烙印，第一，有助于用户快速识别我们到底是做什么菜系的，第二，我们可以把更多精力集中到我们这部分用户的反馈当中，无需花时间、成本、精力去照顾我们的非目标用户。
场景二： 然后我们看看那些点了餐的同事的真实反映，这种反映包括语言、表情、肢体语言，我认为这些是最真实的体现，而在群里发表的意见并不一定是用户本身的真实意愿，所以在南山的同事我只考量这些客官因素
A同事，(猪脚饭)，味道不错，就是分量少了点(还是笑着在评价)
B同事，这个饭分量太少了，吃不饱(带有抱怨的语气)
C同事，这个价格如果有优惠还行，外面的话就不是这个量了
D同事，这条鱼也太小了吧(脸上略有不满）
这些同事都很充分的角色代入了，没有因为是公司餐品而掩饰不满，非常好，我需要这种客观反馈
结论: 对小范围内抽样调研，如果出现反馈具有很多同一属性的问题，那么这个问题如果投放到市场，会被无限放大，直指餐品存在一个问题：量少
建议： 对于多少，每个人评判标准不一，到底是多是少，需要量化，前期如果无法使用一些高额成本的量化工具，可以用某些固定容器作为参考标准进行量化生产，然后收集反馈，继续优化，再收集反馈，达到一个较为理想且大部分用户都能接受的一个量，然后通过这个量倒推成本，再对产品定价进行修改，希望定价方面要经过计算，不要靠感觉，这样以后万一定价出现问题，也容易追查到哪个评估的环节出了问题。 餐品是我们的核心竞争力， 价值需要由用户来评判，我们首先给到的是优质的餐品，再去想别的事情(身边已有较多这种案例，哪怕是网吧楼下卖炒粉的，核心竞争力是这个炒粉是否满足广大用户的口味)
三、场景流程
对于用户来说，大概的场景是这样的：
1.某时刻我在小程序上点了某一天的某一个餐品
2.在某时刻我看到路边有人在做外卖推广，于是我扫码尝试去点个餐
我们只需要针对这两个场景去做分析就好了，复购/朋友圈/搜索的这部分用户符合第一个情况，拉新/递推符合第二种情况，基本上不存在第三种。
对于第一种，自己不做分析，自己分析自己的设计存在主观因素，当局者很迷，只能对提出的问题作出解答，为什么这样设计之类的问题，至于好不好不分析。
针对第二种，市场部在策划跟进，在这当中我也从市场部的得到了比如说易拉宝、产品外观设计这块的一些资料，但是具体如何推广的流程还没有具体获知，下面我举一些例子，通过市面上较为成功的案例倒推我们现在存在的一些问题
案例一：
下面是一个电饭煲(俯视图)
这个画面需要表达的是三个事情，第一，我可以控制温度，第二，我可以控制时间，第三，如果你想提起来，我还有个把手，至于怎么调整温度、时间，怎么拎起把手无需我做过多的说明。
分析： 反问一句，你是如何从画面中感知这些要素的，为什么你在调整温度时，会顺其自然顺时针去扭动，其实这个是用户心理模型当中的感知造成的，这里不深究，简言用一句，就是最简单的设计表达用户可感知的事情，所有多余不是核心的元素只会让用户在认知层面出现感知困难，比如我以前提过最好不要用弹幕形式做背景一样，视觉信息量大，变相没重点，用户潜意识会产生一种这个背景没有一个中心思想去表达，人的心里都是这样的，越复杂的事情越抗拒去看。
结论： 现在处于拉新阶段，无需把太多元素暴露给用户，先让自身产品打上一个“最硬核、最简洁”的标签(包括视觉、solgan、公司logo等)，易于形成品牌记忆，举几个简单的例子，一句话搓中用户的，梅赛德斯--"The best or nothing "，携程--"携程在手，想走就走"，碧桂园--"给你一个五星级的家"，产品需要不断更新迭代，我们只需要一个亮点，让用户铭记于心就好。
四、个人建议
我们每天都会想到很多好玩的东西，每天可能都会发现市场上存在的空缺及机会，在商言商，我们有好的想法，就要想办法落地，落地需要更多的观察市场、分析市场、揣摩市场，站在产品岗--我需要站在一个较为客观的维度去给大家分析项目，时间宝贵，避免少走弯路，前期的调研分析必不可少，只有分析透彻了，才能做出顺应市场的产品。
小程序开发之用户行为数据采集器
作者以前开发设计采集器参考了 Google 的那套设计思路。这套设计方式基本都能满足分析需求，如果要区分用户和用户行为，采集的数据模型需要开发跟数据同学约定好。
本篇讲解的采集器，需求来源于用户行为分析平台，数据模型是固定的，设计思路会有些不同。
说明
数据采集后，数据分析（机器学习）专家一般会对数据进行筛选、降维、建模。这个过程中数据筛选是花费最多的环节，所以在采集数据的环节，我们有必要定义好一定的数据规则（模型），在数据源头上，让采集器做更多的工作，减少数据筛选的工作量。这里扩展一下，当前工业上比较流行的机器学习库 TensorFlow 出了个 JS 版本，官方针对微信小程序开发了一套小程序插件 tfjs-wechat ，大家可以尝试一下，说不定可以让采集器智能化。
对于采集分析用户行为的数据，我们先从采集器使用的数据模型开始讲起。
当前数据分析平台的数据模型由两块组成：用户属性和用户事件。
用户属性
用户属性指的是：用户 id、年龄、姓名、性别、所在的地区、首次注册时间、vip 等。
用户事件
用户事件指的是：用户在小程序上做了什么操作，比如点击了购买按钮这个行为事件，访问了某个页面。
模型：
内置事件
内置事件指的是采集器自动处理上报的事件，分为两类。
自定义事件
自定义事件指的是用户自己设置的事件，通过调用采集器的 API 上报事件。比如：上报一个点击购买按钮的用户行为事件， sdk.track ("buy"， {price: '￥10'}) ， 其中事件名是 "buy"，事件属性是 "price"。
用户内置属性
用户内置属性指的是平台内置的用户属性字段，通过调用采集器封装好的 API，传入属性值上报。比如：realName（姓名）、age（年龄）、city（城市）、country（国家）、$gender（性别）等。
用户自定义属性
用户自定义属性指的是用户自定义的用户属性字段， 通过调用采集器的 API，传入属性字段以及值。
先上模块关系图：
app数据统计分析工具有哪些?
①友盟+友盟+是2016年初由友盟、CNZZ、缔元信.网络数据三家阿里巴巴旗下的大数据公司合并而成。平台拥有大而全的产品线小程序用户行为统计分析，是专注用户行为统计的综合性平台，主要涵盖移动应用、游戏、广告、网站等领域。
在App统计方面，友盟提供了移动统计、游戏统计、移动广告监测三个细分产品，可以根据需求选择对应的产品类型，游戏统计维度齐全，除了常规渠道指标外，还自带关卡、等级、付费等特色场景分析;广告监测主要提供短链和信息流广告的数据分析，也能自主制定推广计划。接下来主要介绍其移动应用统计方面的优势。
②Talking Data 移动统计分析
Talking Data 早期主要在游戏以及互联网金融等垂直领域耕耘，在这些方面拥有比较完整的指标和维度，同样划分游戏运营分析、应用统计分析、移动广告监测等应用统计服务。移动统计分析(App Analytics)是Talking Data 2012年2月上线的产品，目前该产品提供包括App以及小程序的相关数据统计服务。
Talking Data 的移动统计分析功能把应用分析、推送营销、开发助手、应用管理分成导航入口，并设计邀请协作功能，偏向于数据共享，能将领导、开发和运营人员纳入到一张办公桌上。
③openinstall App渠道统计
openinstall 是一种不需要制作渠道包，也不需要填写渠道识别码即可识别App安装渠道来源的渠道统计工具。因此，openinstall能够实现仅凭App安装渠道链接就能统计渠道效果的功能，摆脱了人工制作渠道包和填写渠道识别码，使用openinstall 程序化自动生成的渠道链接，可以实现(数量级为亿的)海量用户在免填邀请码的情况下开展的有奖拉新活动(本质上是视每个用户为一个渠道，并自动为每个用户生成一个渠道链接进行渠道效果统计)。
openinstall 的统计后台分三个模块：应用信息、应用集成、渠道统计。与其小程序用户行为统计分析他综合性应用统计工具相比，openinstall 主要在渠道统计这一领域的需求进行细化深挖，集成使用上十分简单，基本沿着开发者的操作顺序进行：集成开发—渠道统计—渠道管理—查看报表，基本上一眼就能看懂。另外用户自定义方面也比较方便灵活，可以通过api 获取渠道参数，用户可以根据推广需求来定制自己的推广页，数据的统计也可以对接到自己的后台。
关于小程序用户行为统计分析和微信小程序用户量主要来自什么用户的数量的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。 小程序用户行为统计分析的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于微信小程序用户量主要来自什么用户的数量、小程序用户行为统计分析的信息别忘了在本站进行查找喔。版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。
相关文章
发表评论
最近发表
推荐文章
热评文章
暂时没有评论，来抢沙发吧~