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MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12在数字化转型深度渗透的今天,企业管理已从“经验驱动”全面转向“数据驱动”,数据思维成为企业高质量发展的核心竞争力,而CDA ...
2026-03-12在数字经济飞速发展的今天,数据分析已从“辅助工具”升级为“核心竞争力”,渗透到商业、科技、民生、金融等各个领域。无论是全 ...
2026-03-11上市公司财务报表是反映企业经营状况、盈利能力、偿债能力的核心数据载体,是投资者决策、研究者分析、从业者复盘的重要依据。16 ...
2026-03-11