用户旅程分析属于用户行为分析的一个具体应用场景。主要是为了了解用户在产品内完成某个特定任务时的操作。用户旅程一般用session会话作为分析粒度。本文分享我常用的3种分析方法及其适用场景。使用这些方法能够观测并了解，用户在真实的使用场景下如何与产品进行交互，尤其是第三种基于用户事件流的分析方法。希望对你有所启发。
分析用户旅程对产品经理的工作有什么帮助呢？
我们在产品原型阶段之前就已经做了许多产品思路的论证，包括用户调研、竞品分析、市场数据分析等工作。但这些看似客观的信息和数据依然会经过产品经理的筛选、美化和解读，最后变成了佐证其主观意志的论据。这意味着最终设计出来的产品依然存在着与真实用户群体需求相悖的可能。
因此，了解真实用户怎样使用产品，是为了通过了解用户与产品的真实交互，来验证产品设计的预期是否与用户实际使用情况相符。通过获得用户的真实反馈，找出不符合预期的节点，继而针对性地优化产品或者调整策略。
典型的应用场景有：
一、在产品预上线阶段，我们可以邀请目标客户对产品原型进行操作。查看用户路径是否符合预设路径。找出实际与预期不符的路径进行优化改进。这有点像电影工业里的“试片”环节，在新片公映前先找一些观众代表试探反应。片方根据观众反应再对影片进行优化剪辑。
二、在产品上线后，观察不同用户群的使用行为，找出最主要的几种转化路径和相应的高价值行为(HVA)。然后通过优化产品设计，有意识地引导用户产生HVA，从而提高转化。
和其他业务分析场景一样，用户行为分析同样也可分为定性分析和定量分析两种，它们各有其适用场景。例如，定性的方法偏微观，主要通过小样本的用户调研，得出某一用户群体的典型行为背后的心理动机；定量的方法偏宏观，主要基于对大样本量的数据集进行分析并得出结论。
以一种定性的用户行为分析方法为例。调研者在现场观察及记录用户使用产品时的具体操作行为，其后以访谈形式询问用户在使用过程中的交互体验、操作动机、操作困惑等。调研目的主要是了解现有的产品交互路径是否与用户的实际操作相匹配，找出未达设计预期的地方进行优化。
我在大学时期曾当过个人站长。有次广州网易招募一批站长去参与某款产品的用户体验调研，我作为其中一名被访者参与了整个调研任务。整个流程大致是，调研人用电脑打开产品网站页面，给被访者3-5分钟时间浏览和点击。调研人在旁边全程观察被访者的所有操作行为直至完成。接下来调研人问被访者一些问题，其中大部分提问都围绕用户的实际操作行为来展开。比如：
你还记得刚才第一眼看到了哪些内容吗（此时调研人遮住屏幕）？
你浏览这个页面时，你先注意到哪个位置？你的观看顺序是怎么样的？
我留意到你刚才先点击了x，而不是y，请问你是出于什么考虑呢？
诸如此类……
这种分析方法的优势在于它能近距离观察用户实际的操作行为，有机会发现用户行为背后的心理动机，但是也存在明显的局限性。若调研过程中存在以下问题，则调研结论的作用会大打折扣：
1、地域限制和成本因素导致的偏差样本。由于这种方式通常需邀约被访者到一个固定的场所里参与现场调研，因此对调研人来说，只能选择少数能够到达调研地点的被访对象。被访对象可能不具备足够的代表意义。
2、若非田野调查，那么用户参与调研时的场景与其使用产品的实际场景不同。
3、在霍桑效应下，用户提供虚假陈述或产生非自然的使用行为。
再来看看偏定量的用户行为分析方法。
通常我们需要在待分析的产品页面中预先进行事件埋点。根据分析目的，这些事件埋点需要囊括用户完整的行为路径。在产品上线后，通过收集到的埋点数据，加上页面热力图、行为漏斗图、桑基图等可视化方法，能很大程度上帮助我们理解用户在现实场景中是怎么样使用产品的。
这种分析方法的优势有：一、能获得大量真实的用户行为记录。大样本量有更多的概率覆盖不同用户群体，能反映更多样的用户行为模式，使分析结果更具有统计意义。 二、通过把用户行为数据集切分为不同的分析维度和粒度，能对各种业务场景进行针对性地分析。
举例：某款新零售电商小程序，主要从线下的门店进行导流。为了使线下门店的顾客尽可能地转化到线上，门店销售会在收银后引导顾客打开小程序。通过新人专区优惠福利来吸引用户，促成首单。但实际发现，新人首单转化率并不理想。为了解顾客打开小程序后的真实操作，我选取了某个时间段内，来路为“线下门店”的新用户作为分析对象，以地区、门店渠道、初次访问时间、门店消费金额、门店消费品类作为分析维度，以用户的Session会话作为分析粒度。经分析后发现大概几点：
a 大部分新用户只在门店当天产生了一个session，在后续的48小时内没有再产生过第二个session。这通常意味着用户流失。
b 在所有未转化的用户中，最常见的一种表现是，在一个session内触发了20次以上的浏览事件，但是最后没有触发转化事件（加入购物车或立即支付）。意味着用户浏览了商品但最后没有加入购物车及付款。
c 在门店购买美容、家居类的顾客，在新人专区中更易产生首单转化。
d 在所有的新人专区首单中，日用家居品类的商品占比明显高于其他品类。
e 购物车中未转化的商品单价通常在80元以上。
基于上述用户行为的分析和门店调研结果，我提出了几个不同的假设，并设计了3个不同的页面版本进行测试，转化率获得不错的提升。具体的分析过程和优化策略，将单独成文。
这种分析方法也同样存在一些应用上的不便：
1、对产品经理来说，如果公司没有专门的BI团队来支持你的话，你只能自力更生。你必须能熟练应用SQL、可视化、BI工具等，才能灵活自如地进行各种维度的分析。
2、在做数据分析之前需要先取数。基于正确的数据才能输出可靠的结论。不管你接手的是创业公司的旧产品还是大公司的旧产品——恭喜你，你大概率需要做大量的数据清洗工作。包括重新梳理事件埋点、和BI一起处理异常埋点导致的脏数据、修改SQL语句中错误的数据计算逻辑。这种经历我遇到过几次，都掉了不少头发。
第三种用户行为分析方法则兼具前面两种方法的优势，包括：无地域、场所、观测时间的限制；分析者能够实时观测用户与产品之间的所有行为交互；用户对被观测过程完全无感，能作出0压力下的自然表达；只要有足够多的时间和耐心，理论上你能够观测无限多用户；能够基于用户的session会话粒度来观测；技术实施简单且成本低等特点。在每次产品版本更新后，我都会使用这种方法来观测用户是如何与产品新功能进行交互的。这是我认为最有用的用户行为分析方法之一。
这个方法需在产品中（APP或网站）集成第三方分析工具SDK来实现。如免费的谷歌分析（Google Analytics，下称GA）、收费的UXCAM等。几年前还有个APPSEE，但是后来被收购后停止了运营。下面我以本博客接入的谷歌分析为例。
操作路径：进入谷歌分析主界面，依次点击左侧菜单的【报告】—【实时】。在【实时概览】页面，默认显示最近30分钟内，有活动的用户数、用户触发最多的热门事件、最多用户查看的页面名称、当前活跃用户在世界范围内的分布情况。
接着点击页面右上角的【查看用户概况】，GA会随机挑选一位当前活跃的用户行为轨迹呈现给我们，可以看到用户使用的产品版本、地理位置、每一步的操作事件流——我们就像开启了上帝视角。
上面说到这个用户行为轨迹是GA从所有用户里边随机挑选的，那么如果我们只想看符合某一类人群特征的用户怎么办呢？很简单，我们只需在GA中提前根据特征预设好相应的受众群体，然后在报告页面选择待分析的受众群体及特征就可以了。由于篇幅的原因，本文不作具体展开。
这种分析方法也同样存在一些应用上的限制和要求：
一、我们必须事先集成GA的SDK到产品内。如果你是大厂产品经理并且想在自己的产品里实施的话，通常会遇到风控部门的阻碍。因为他们担心数据资产泄露的风险，所以一概不允许使用第三方的数据分析工具。 我在唯品会工作期间就遇到这个问题。
二、如果你是面向欧洲市场的出海企业，那么使用GA可能需要考虑遵守欧洲的《通用数据保护条例》（GDPR）之类的合规问题。毕竟欧洲各国的隐私保护机构对GA不太友好。当然，你在国内使用是一点问题都没有的。
三、埋点时需要尽可能地覆盖所有主要事件。这样才能清晰地知道用户操作过程的每一步。
四、GA的网站由于众所周知的原因无法在国内访问，因此在登陆GA后台进行分析时需要科学上网，有一丢丢不便。 注：其数据服务器并没有被墙，依然能正常的收集、跟踪国内的数据。
最后，若如果本文对你略有帮助，请在下方留言评论，给我更多的动力去分享。谢谢。
