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 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15