京公网安备 11010802034615号
经营许可证编号:京B2-20210330
数据可视化——用户行为序列图
作为一名网站的用户研究工作人员,我曾经碰到过以下问题:
深知服务器日志是一座金矿,但不知道该从哪里开始分析?
辛辛苦苦盯着电脑一天,看了1000+条日志,越看越晕,看不出规律,找不到方向…
在众多日志中,发现了一个异常动作,可是,这只是一个用户不小心点错了呢?还是由于设计导致的大量误操作呢?
经过一段时间的探索,发现将日志可视化,制作行为序列图,是一个非常直观有效的梳理思路&发现问题的方法,在此分享给大家~
1.用户行为序列:
也可以叫做“基于时间序列的用户行为”,是某一时间段内,按照时间先后顺序记录的人从事某种活动的每一步行为。
在网站,一段时间内,一个用户从进入网站到离开网站过程中的每一步行为的记录,被我们记做一条用户行为序列。
如下图,就是一条用户行为序列。
这条用户行为包含12个步长,依次进行了搜索、添词、预估等动作。
2.了解了用户行为序列,我们再来看一下行为序列图长啥样子?
刚才的那条共计12步的用户行为序列,转化为行为序列图,就是这个样子滴↓
(*其中,对每个动作都进行了数字编码&颜色标记,如:动作“search”被编码为“16”,并标记为“透明度为20%的红色”。具体操作方法请参考文章第四部分。)
是不是瞬间变得非常简单直观~
如果有100条用户行为序列,那么这幅行为序列图是这个样子的↓,大数据尽收眼底,就是这种赶脚哦~
直观~直观~还是直观
如果非要说出来的话,我总结了一下,对我们研究日志有如下帮助:
1.宏观全览大数据
2.根据需求灵活标注,便于观察规律
3.定位问题,通过颜色区分,一目了然
4.与统计数据结合,解释问题有数有据
5.大家都能看的懂
。。。(暂时想不出来了,欢迎补充)
第一步:获取数据
数据来源:通过数据后台,或请程序猿大哥帮忙跑出的日志,格式不限。
比如,它可以是这个样子的:
第二步:清洗&整理数据
1.清洗数据:
在数据提取阶段,偶尔会出现空白值的情况,建议把包含空白值的用户剔除掉,以免干扰以后的数据分析。
2.整理数据:
拿到的数据格式各异,需要进行整理才能符合我们做可视化的格式。我们需要将数据整理成这样的格式。
在EXCEL中,对动作进行数字编码,并使用数据透视表,将数据进行整理后变成如下形式:OK,数据已经整理成了我们想要的形式。
第三步:对不同动作进行颜色标记,以便通过色彩直观的了解用户行为规律和特点。
动作标记,需要根据需求再进行。对于特别关注的动作可以进行重点标记。如没有思路,希望通过看图找出一些规律,可以常识根据不同动作类型标颜色,如点击、翻页、输入等;也可以根据不同页面进行标记,如首页动作、结果列表页动作、详情页动作等,也可以根据功能模块进行标记,如查找功能,查看功能等。
*对于相似动作或者某一类型动作,可以使用同一色系的渐变色标注,这样可以使非常多的动作类型看起来更简洁,也更便于观察分析。
在excel中可以用“条件格式”进行标记,如下图:
接下来,就是对这些行为按照不同维度进行标记&排序。你会发现一些规律、一些异常慢慢开始浮现~
案例1:用户步长的直观分析
• 项目背景:
新产品上线,用户平均步长数是:11步,各模块点击率也OK,但从客户那里得到的反馈褒贬不一。PM希望了解一下问题出在哪里?
• 研究方法:
通过日志,对线上用户实际操作行为进行分析,绘制了用户行为序列图。
• 发现问题:
仅执行第一个关键动作就离开的用户占到将近一半!人们在反复尝试后,都不满意!所以,结果并不像平均步长等于11,那么令人欣慰!
案例2:用户页面切换的真实情况
项目背景:
拿到一批用户的行为日志,希望可以从中探究一些规律,同时发现现有流程中的问题
研究方法:
以页面为维度,对动作进行标记,绘制用户行为序列图。
发现问题:
挑选商品页的动作数(标记为绿色)少于预估&删除商品页的动作数(标记为黄色)。但我们希望用户精挑细选,然后快速决策,可见用户并不是按照我们的预期使用产品,里面肯定有一些体验问题,值得我们深入分析。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据指标体系搭建工作中,从业者常困惑于指标搭建的核心逻辑:究竟是依托一线零散数据自下而上汇总指标,还是基于战略目标自上 ...
2026-07-31在数据分析、问卷研究、实验复盘、业务建模的工作中,大多数人最关注的是“用什么统计方法”:是做T检验、方差分析、卡方检验, ...
2026-07-31 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-07-31在问卷调研的数据分析流程中,“先检验信效度,再开展进阶统计分析”是通用的规范逻辑。很多从业者会听到“问卷效度高,后续可以 ...
2026-07-30【核心关键词】大数据、统计学、专业、毕业生、论文、课程、计算机、建模、知识、数据分析、机器学习、数据科学、大数据技术、 ...
2026-07-30 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-07-30在业务数据分析中,按天拆分统计夜间时段的数据是高频需求——比如电商夜间订单监测、平台夜间用户活跃度分析、运维系统夜间异常 ...
2026-07-29在机器学习建模与特征工程实践中,判断不同特征对模型预测效果的贡献度,是特征筛选、模型解释、业务归因的核心环节。特征置换重 ...
2026-07-29 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-07-29【核心关键词】岗位、数字化、经验、课程、方法论、决策、企业、大方向、数据分析、销售管理、理论知识、思维方式、分析销售、 ...
2026-07-28在问卷调研、用户分群、效果对比等业务数据分析中,分类变量的关联性与差异性验证是高频需求。卡方检验作为针对离散分类数据的经 ...
2026-07-28 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-07-28在Excel数据分析与报表制作中,数据透视表是快速完成多维度汇总、分组统计的核心工具。很多从业者在得到透视表汇总结果后,为了 ...
2026-07-27 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-07-27当下,我们已然步入数据要素价值全面释放的智能时代。数据不再只是零散的数字记录,更是驱动新质生产力运转的核心动能、滋养人工 ...
2026-07-27【核心关键词】客户、数据分析、指标体系、数据采集、数据指标、业务数据、分析思路、业务需求、分析方法 【专访摘要】本次 CDA ...
2026-07-24在数据分析、业务建模与数字化运营体系中,原始业务数据普遍存在缺失、重复、异常、口径不一致等质量问题,直接用于分析与建模会 ...
2026-07-24 很多数据分析师能熟练计算均值、标准差,但当被问到“如何用一张图让业务方3秒内看懂核心结论”“面对不同数据类型该怎么选 ...
2026-07-24在数据驱动的精细化运营体系中,指标是业务判断、效果复盘、策略优化的核心依据。随着企业数据化程度提升,指标数量持续膨胀,但 ...
2026-07-23在用户运营与产品增长体系中,留存是衡量产品真实价值与用户粘性的核心标尺,也是决定用户生命周期价值、获客投产比的底层因素。 ...
2026-07-23