本篇主要介紹了一些在用戶行為分析平臺(tái)中應(yīng)用最廣的產(chǎn)品功能和分析方法，包括：用戶分群、留存分析、轉(zhuǎn)化分析、行為路徑分析和事件分析，與大家分享，供大家一同參考和學(xué)習(xí)。

相比于傳統(tǒng)行業(yè)，用戶行為分析平臺(tái)可能是互聯(lián)網(wǎng)企業(yè)的一個(gè)特有的數(shù)據(jù)分析工具。能夠?qū)τ脩粜袨檫M(jìn)行分析，進(jìn)而展開(kāi)精細(xì)化運(yùn)營(yíng)，可能也是互聯(lián)網(wǎng)行業(yè)發(fā)展迅速的原因之一。隨著傳統(tǒng)行業(yè)逐步互聯(lián)網(wǎng)化，用戶行為分析的應(yīng)用場(chǎng)景也越來(lái)越廣，該平臺(tái)在企業(yè)內(nèi)扮演的角色也愈發(fā)重要。

得益于用戶所使用的硬件和軟件，我們可以記錄到大量的行為數(shù)據(jù)。用戶行為分析平臺(tái)便是對(duì)這類數(shù)據(jù)進(jìn)行深度地分析，從中挖掘有價(jià)值的信息，例如不同群體對(duì)產(chǎn)品的偏好，使用習(xí)慣等。這些信息最終能指導(dǎo)產(chǎn)品和運(yùn)營(yíng)等方向的優(yōu)化?？梢哉f(shuō)，用戶行為分析平臺(tái)是數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)的代表產(chǎn)品。

典型的行為分析包括了留存分析、轉(zhuǎn)化分析、路徑分析等，以及基礎(chǔ)的用戶分群，這些功能若都能沉淀并在平臺(tái)上產(chǎn)品化，將能大大提高企業(yè)對(duì)行為數(shù)據(jù)分析的效率和覆蓋用戶的廣度，不具備專業(yè)數(shù)據(jù)分析技能的人員在簡(jiǎn)單接受產(chǎn)品培訓(xùn)后也可以完成相關(guān)分析。本文也會(huì)主要關(guān)注以上幾個(gè)模塊。

一、用戶分群

用戶分群的操作，本身其實(shí)不會(huì)直接產(chǎn)生價(jià)值，但卻可以說(shuō)是后續(xù)一切分析的基礎(chǔ)。如果不進(jìn)行分群，所有的分析都只基于匯總數(shù)據(jù)，很多細(xì)節(jié)在匯總時(shí)都丟失了。引用資深數(shù)據(jù)專家、Google Analytics的推廣人之一Avinash Kaushik的名言：所有聚合的數(shù)據(jù)都是垃圾，要么分組，要么說(shuō)再見(jiàn)。（All data in aggregate is crap. Segment or die.）可見(jiàn)分組、分群的重要性。我們常見(jiàn)的分群例如：用戶獲取渠道來(lái)源，設(shè)備終端，新老用戶等屬性，以及是否有過(guò)具體某類行為等。對(duì)用戶根據(jù)需求分群后，再進(jìn)行留存、轉(zhuǎn)化等分析，通常會(huì)事半功倍，也能發(fā)掘真正有價(jià)值的信息。

用戶畫(huà)像也可以被理解為用戶分群的一種，用戶畫(huà)像會(huì)根據(jù)一系列用戶標(biāo)簽和算法對(duì)用戶進(jìn)行畫(huà)像描繪和分群。這里介紹的用戶分群產(chǎn)品，可以看作是用戶畫(huà)像的消費(fèi)方，在用戶分群產(chǎn)品中可以根據(jù)已有的畫(huà)像進(jìn)行分群。具體的畫(huà)像產(chǎn)品或許會(huì)在另一篇里講述。

不論是根據(jù)用戶所具備的自然屬性，還是在產(chǎn)品使用過(guò)程中所表現(xiàn)的行為特征進(jìn)行分群，都要求產(chǎn)品能做到足夠廣度和深度的數(shù)據(jù)記錄，也就是我們?cè)诘谝黄顸c(diǎn)篇中要下的功夫。

在用戶分群模塊中，我們可以根據(jù)已有的數(shù)據(jù)，配置分群規(guī)則，創(chuàng)建新的群組。分群的操作，其實(shí)類似SQL中的條件查詢。通過(guò)將代碼功能產(chǎn)品化，降低了使用門檻。

如下圖，是神策產(chǎn)品中的針對(duì)某直播業(yè)務(wù)的用戶分群功能展示。

用戶分群功能

該分群結(jié)果為用戶屬性滿足用戶等級(jí)大于10且用戶類型為普通用戶，且在2017-4-17至2017-5-16之間有過(guò)至少5次送禮物行為且禮物類型為付費(fèi)禮物，且在2017-4-17至2017-5-16之間有過(guò)留言和點(diǎn)贊行為的用戶。我們視其為高粘性且高頻消費(fèi)用戶，在平臺(tái)上完成篩選后對(duì)該用戶群命名并保存。運(yùn)營(yíng)人員可以查看該用戶群的明細(xì)列表，更重要的是可以通過(guò)其他行為分析工具來(lái)觀察這部分用戶的行為表現(xiàn)，以及和其他用戶的區(qū)別。這類分析對(duì)于我們?cè)谟脩粼鲩L(zhǎng)工作中定義目標(biāo)人群、魔法數(shù)字、尋找增長(zhǎng)機(jī)會(huì)、進(jìn)行增長(zhǎng)實(shí)驗(yàn)等環(huán)節(jié)都有非常大的幫助。

可以看到，用戶分群本質(zhì)上是一種條件篩選器，在每個(gè)篩選器中篩選出符合特定要求的用戶群。篩選器中首先需要定義篩選的字段（具體的用戶屬性、行為特征等），再通過(guò)大小等于不等于、是否在之間、是否在其中等關(guān)鍵字完成條件的設(shè)定。若篩選的字段是數(shù)字，自然篩選范圍也是數(shù)字，若篩選的字段是字符串，可以提供相應(yīng)字段的列表進(jìn)行篩選。篩選器間可以嵌套，可以通過(guò)AND、OR（表示并且、或者）等關(guān)鍵字連接。

二、留存分析

留存分析是通過(guò)對(duì)用戶使用產(chǎn)品的情況、活躍程度等進(jìn)行分析以判斷用戶是否仍留存在產(chǎn)品內(nèi)的分析模型。用戶留存在產(chǎn)品運(yùn)營(yíng)周期中的重要性無(wú)需多言，由于本文重點(diǎn)關(guān)注完成分析的數(shù)據(jù)產(chǎn)品，因此不會(huì)涉及過(guò)多具體分析的內(nèi)容。

要進(jìn)行留存分析，首先需要定義留存和流失的標(biāo)準(zhǔn)。不同類型的產(chǎn)品可能有不同的定義方式，有些公司會(huì)把留存簡(jiǎn)單定義為用戶在一定時(shí)間后仍有打開(kāi)產(chǎn)品。但有些公司可能需要更嚴(yán)格的定義，例如某電商公司可能將留存定義為用戶在一定時(shí)間內(nèi)有再次消費(fèi)的行為。

因此，在留存分析模塊內(nèi)，要可以對(duì)留存進(jìn)行定義，即支持自定義起始和回訪事件，同時(shí)還可分別設(shè)置過(guò)濾條件。例如對(duì)于一款短視頻app，我們可將起始事件設(shè)計(jì)為打開(kāi)app，回訪事件設(shè)計(jì)為播放視頻。當(dāng)然，此時(shí)我們已經(jīng)可以應(yīng)用在用戶分群模塊中設(shè)置的用戶群，進(jìn)行對(duì)特定群體的分析了。下圖展示了Growing IO定義留存的頁(yè)面。

定義用戶留存

衡量留存，我們通常會(huì)計(jì)算同一用戶群不同時(shí)間段的留存率，并以此繪制留存曲線，這便是我們常說(shuō)的同期群分析（Cohort Analysis）。在同期群分析中，我們會(huì)把同一時(shí)期加入的用戶放入模型，橫向追蹤他們?cè)谖磥?lái)一段時(shí)間內(nèi)是否仍然留存或流失，流失的時(shí)間和比例。例如常見(jiàn)的次日留存、7日留存，以及更長(zhǎng)時(shí)間段更粗粒度的周留存、月留存等。用戶起始事件的日期和回訪事件的日期間隔N，便是該用戶的留存日期，即N日的留存用戶。

留存率的計(jì)算公式為：具體某天的N日留存率=該天起始用戶在N日留存的用戶數(shù)/該天的起始用戶數(shù)。當(dāng)然也可以選擇周、月、甚至年等其他統(tǒng)計(jì)周期。

在明確留存事件、留存周期和統(tǒng)計(jì)時(shí)長(zhǎng)后，就可以統(tǒng)計(jì)出每個(gè)周期的留存率和繪制留存曲線了，這些功能都可以由留存分析模塊自動(dòng)輸出。例如下圖，是Growing IO對(duì)過(guò)去180天用戶的月留存進(jìn)行的分析。更精細(xì)的分析還可以同時(shí)繪制出多條不同統(tǒng)計(jì)周期下起始用戶的留存曲線，從而解讀每個(gè)周期下不同留存表現(xiàn)背后的不同動(dòng)作。

用戶留存曲線

詳細(xì)數(shù)據(jù)可以查看如下的留存表格，表格中記錄了每個(gè)統(tǒng)計(jì)周期內(nèi)起始用戶在后續(xù)每個(gè)留存周期內(nèi)的留存表現(xiàn)，并通過(guò)單元格顏色深淺表示留存程度。

留存詳情表

若想從整體上了解用戶留存的情況是否越來(lái)越好，還可以查看特定周期留存率隨時(shí)間變化的趨勢(shì)。如下圖反映了過(guò)去30天，用戶次日留存、7日留存和14日留存的趨勢(shì)情況。

特定周期留存率的變化趨勢(shì)

針對(duì)特定周期下的留存用戶，我們還可以查看詳細(xì)的留存用戶列表，做更細(xì)致的分析，更可以將該用戶群保存為新的用戶分群。

三、轉(zhuǎn)化分析

轉(zhuǎn)化分析是對(duì)完成關(guān)鍵行為的每一個(gè)環(huán)節(jié)建立轉(zhuǎn)化漏斗，了解最終及每一步具體轉(zhuǎn)化情況的分析模型。轉(zhuǎn)化分析能讓我們清晰認(rèn)識(shí)到目前轉(zhuǎn)化上的問(wèn)題節(jié)點(diǎn)，并展開(kāi)優(yōu)化工作。

要進(jìn)行轉(zhuǎn)化分析，首先自然要定義轉(zhuǎn)化漏斗。轉(zhuǎn)化分析模塊可以新建任意的轉(zhuǎn)化漏斗，在新建過(guò)程中正確選擇每個(gè)步驟的事件或指標(biāo)即可。例如，下圖是Growing IO中新建轉(zhuǎn)化漏斗的頁(yè)面。左側(cè)是可選擇的具體事件或指標(biāo)，根據(jù)勾選順序會(huì)在右側(cè)構(gòu)建漏斗。定義轉(zhuǎn)化漏斗時(shí)，我們同樣可以選擇特定的用戶分群進(jìn)行分析。

新建轉(zhuǎn)化漏斗

需要注意的點(diǎn)是，用戶完成整個(gè)轉(zhuǎn)化鏈條不一定是連續(xù)的。例如用戶在某電商網(wǎng)站購(gòu)物，可能在第一天完成了商品的加購(gòu)，但三天后才會(huì)完成下單支付。因此在轉(zhuǎn)化分析模塊，需要設(shè)置轉(zhuǎn)化的窗口期，即用戶完成整個(gè)轉(zhuǎn)化鏈條的總時(shí)長(zhǎng)。而轉(zhuǎn)化分析的統(tǒng)計(jì)時(shí)間范圍，通常是指轉(zhuǎn)化步驟的第一步發(fā)生在該統(tǒng)計(jì)范圍內(nèi)，后續(xù)步驟不一定在此范圍內(nèi)。例如，下圖是Growing IO中模擬的某電商網(wǎng)站簡(jiǎn)易購(gòu)買轉(zhuǎn)化漏斗。統(tǒng)計(jì)范圍是過(guò)去14天，意味著統(tǒng)計(jì)瀏覽商品詳情頁(yè)（第一步）發(fā)生在過(guò)去14天的所有記錄。轉(zhuǎn)化周期是3天，意味著只統(tǒng)計(jì)在3天內(nèi)完成了整個(gè)轉(zhuǎn)化鏈條的記錄。

購(gòu)買轉(zhuǎn)化漏斗

轉(zhuǎn)化漏斗中，可以了解整體的總轉(zhuǎn)化率，每一步的絕對(duì)數(shù)量和階段轉(zhuǎn)化率。以上圖數(shù)據(jù)為例，可以明顯定位問(wèn)題在于大量用戶瀏覽商品后卻沒(méi)有加購(gòu)，導(dǎo)致最終沒(méi)有成單。

與留存分析一樣，我們還可以查看轉(zhuǎn)化率隨時(shí)間變化的趨勢(shì)圖，以定位轉(zhuǎn)化問(wèn)題與特定時(shí)間點(diǎn)之間的關(guān)聯(lián)。下圖是該舉例數(shù)據(jù)的轉(zhuǎn)化趨勢(shì)表現(xiàn)，可發(fā)現(xiàn)在統(tǒng)計(jì)周期最后3天，轉(zhuǎn)化率下降明顯。但由于我們選擇的統(tǒng)計(jì)范圍是最近14天且轉(zhuǎn)化周期是3天，可能因?yàn)檫@個(gè)原因，導(dǎo)致部分最后3天進(jìn)入漏斗的用戶還未完成整個(gè)鏈路，影響了當(dāng)天的轉(zhuǎn)化率。

轉(zhuǎn)化率趨勢(shì)圖

簡(jiǎn)單的轉(zhuǎn)化漏斗分析可能還不能滿足精細(xì)化運(yùn)營(yíng)的需求，更理想的做法是對(duì)不同維度或用戶群進(jìn)行細(xì)分和對(duì)比分析，以了解不同群體間的轉(zhuǎn)化區(qū)別，進(jìn)而指導(dǎo)我們的運(yùn)營(yíng)方向（是的，用戶分群又派上用場(chǎng)了）。例如，下圖根據(jù)用戶等級(jí)進(jìn)行了漏斗對(duì)比，發(fā)現(xiàn)鉆石用戶的轉(zhuǎn)化率居然還不如普通用戶，這很可能意味著會(huì)員體系設(shè)計(jì)上的bug，相關(guān)產(chǎn)品人員可能需要好好反思總結(jié)下了。

轉(zhuǎn)化漏斗對(duì)比

四、行為路徑分析

轉(zhuǎn)化分析能告訴我們最終有多少用戶成功轉(zhuǎn)化，多少用戶流失了。可這些流失的用戶都去了哪？他們?cè)诹魇岸加惺裁葱袨?？甚至他們?yōu)槭裁磿?huì)流失？這些問(wèn)題轉(zhuǎn)化分析都無(wú)法告訴我們，因此我們需要對(duì)用戶的行為路徑進(jìn)行分析，以幫助我們更深入的了解流失背后的原因。

行為路徑分析是用來(lái)追蹤用戶從某個(gè)事件開(kāi)始到某個(gè)事件結(jié)束過(guò)程中的全部動(dòng)線的分析方法。聽(tīng)上去和轉(zhuǎn)化分析有點(diǎn)類似，但行為路徑分析記錄的信息要更廣，記錄的時(shí)長(zhǎng)通常更短。

轉(zhuǎn)化漏斗是人為定義的，而對(duì)于用戶的行為路徑，我們雖然可以通過(guò)產(chǎn)品設(shè)計(jì)進(jìn)行引導(dǎo)，但卻無(wú)法控制。因此我們分析用戶的行為路徑不光是為了作為用戶轉(zhuǎn)化分析的補(bǔ)充，更可以了解用戶的實(shí)際動(dòng)線、操作行為，讓產(chǎn)品順應(yīng)用戶，找到用戶的愿望線。愿望線的概念來(lái)源于設(shè)計(jì)心理學(xué)，它反映了人們最希望行走的路徑。最典型的例子便是我們?cè)谛^(qū)、公園等地都會(huì)發(fā)現(xiàn)除去修筑好的道路，總有一些人為踩踏草坪走出來(lái)的路，這便是用戶真實(shí)希望的路徑。在產(chǎn)品設(shè)計(jì)時(shí)，我們其實(shí)更多的應(yīng)該是順應(yīng)用戶的行為，而不是規(guī)劃用戶的行為。

要完成行為路徑分析，需要先定義Session。Session即會(huì)話，是指在一段時(shí)間內(nèi)，用戶在產(chǎn)品中的行為總和。一次Session可能包含了多個(gè)頁(yè)面訪問(wèn)、圖片瀏覽、社交互動(dòng)、支付交易等行為，以及會(huì)有在多個(gè)頁(yè)面間來(lái)回流轉(zhuǎn)的重復(fù)行為。我們會(huì)根據(jù)時(shí)長(zhǎng)和具體事件完成Session的切分。行為路徑分析和轉(zhuǎn)化分析的另一個(gè)不同便是，行為路徑一般會(huì)被定義一串連續(xù)的行為，因此不會(huì)像轉(zhuǎn)化分析一樣設(shè)置以天為單位的統(tǒng)計(jì)周期。比如對(duì)于Web產(chǎn)品，Session的切割時(shí)間可能就是30分鐘，而對(duì)于App產(chǎn)品，可能切割時(shí)間只有1-5分鐘。通過(guò)Session我們可以了解用戶的實(shí)際使用時(shí)長(zhǎng)和交互深度，但時(shí)長(zhǎng)越長(zhǎng)和交互事件越多并不一定代表產(chǎn)品對(duì)用戶價(jià)值越大，需要具體問(wèn)題具體分析。也有可能是因?yàn)閯?dòng)線設(shè)計(jì)不合理，導(dǎo)致用戶增加了大量無(wú)效的操作。

其次需要挖掘在Session中用戶的最大前驅(qū)路徑。最大前驅(qū)路徑的意思是，用戶在產(chǎn)品內(nèi)可以完成的所有行為路徑的集合。例如用戶訪問(wèn)Session有如下的路徑{A,B,C,D,C,B,E,G,H,G,W,A,O,U,O,V}，這里每個(gè)字母代表一個(gè)訪問(wèn)節(jié)點(diǎn)。尋找最大前驅(qū)路徑的思路就是每當(dāng)發(fā)生回退事件，則意味一條路徑結(jié)束，需要回到回退事件之前的節(jié)點(diǎn)，再繼續(xù)往下尋找。因此這里得到的最大前驅(qū)路徑為{ABCD,ABEGH,ABEGW,AOV,AOU}，一共5條路徑，畫(huà)成樹(shù)如下：

最大前驅(qū)路徑示例

尋找最大前驅(qū)路徑的工作，有特定的算法可以解決，我們更需要關(guān)心的是在完成這些準(zhǔn)備工作后的行為路徑分析產(chǎn)品化。在行為路徑分析模塊中，我們可以設(shè)置路徑的開(kāi)始和結(jié)束節(jié)點(diǎn)，以及統(tǒng)計(jì)的時(shí)間范圍。如果是配合轉(zhuǎn)化分析，可以設(shè)置為轉(zhuǎn)化漏斗的第一步和最后一步。該模塊同樣也可以支持屬性和用戶分群的篩選。最終的分析結(jié)果以?；鶊D的形式呈現(xiàn)。例如下圖是神策中對(duì)用戶行為路徑的分析。每一條串聯(lián)起的流向都是一條用戶路徑，直至節(jié)點(diǎn)最多的用戶路徑為止。

用戶行為路徑示例

用戶行為路徑分析能讓我們更深入的了解用戶的實(shí)際行為動(dòng)向，發(fā)現(xiàn)更深層次的問(wèn)題。在上圖中大量用戶在打開(kāi)App后成功被Banner位活動(dòng)所吸引，但最后只有30%用戶通過(guò)活動(dòng)落地頁(yè)提交訂單（假設(shè)是一個(gè)開(kāi)通付費(fèi)會(huì)員的活動(dòng)），大量用戶選擇跳轉(zhuǎn)到商品詳情頁(yè)。這說(shuō)明活動(dòng)落地頁(yè)的設(shè)計(jì)存在問(wèn)題，不足以直接轉(zhuǎn)化用戶開(kāi)通付費(fèi)會(huì)員，用戶仍需要通過(guò)瀏覽實(shí)際商品了解付費(fèi)會(huì)員的價(jià)值。

五、事件分析

事件分析是指對(duì)具體的事件或指標(biāo)進(jìn)行查詢分析。事件分析是最基礎(chǔ)的用戶行為分析，但也可以說(shuō)是最細(xì)致的分析，所以放到了最后來(lái)講解。通過(guò)對(duì)預(yù)先設(shè)計(jì)的埋點(diǎn)事件進(jìn)行不同維度和時(shí)間范圍的篩選，可以簡(jiǎn)單快捷的查詢我們想要的數(shù)據(jù)，本質(zhì)上就類似于我們通過(guò)SQL完成取數(shù)工作。

要完成事件分析，首先要明確事件的定義。由于在數(shù)據(jù)埋點(diǎn)篇中已做了詳細(xì)介紹，這里就不再贅述了。只需了解事件是通過(guò)埋點(diǎn)記錄，一個(gè)產(chǎn)品中會(huì)包含大量的事件。一個(gè)事件內(nèi)可能包含多個(gè)事件屬性，以key-value的形式記錄。例如埋點(diǎn)篇中的活動(dòng)訪問(wèn)事件，包含了活動(dòng)ID、訪問(wèn)來(lái)源等屬性。而有一些所有事件都具有的屬性，可以單獨(dú)作為公共屬性記錄，例如設(shè)備終端、操作系統(tǒng)、app版本等。

事件分析模塊的一個(gè)重要功能是需要支持自定義事件或指標(biāo)。埋點(diǎn)是最細(xì)節(jié)的統(tǒng)計(jì)數(shù)據(jù)，同時(shí)有一定的開(kāi)發(fā)成本，不會(huì)頻繁變動(dòng)。因此有些有分析需求的事件或指標(biāo)不會(huì)直接由埋點(diǎn)一一記錄，而需要人為的在事后定義。例如統(tǒng)計(jì)同時(shí)訪問(wèn)過(guò)A、B兩個(gè)活動(dòng)的用戶數(shù)，需要定義一個(gè)新事件：既有A活動(dòng)訪問(wèn)事件，又有B活動(dòng)訪問(wèn)事件，對(duì)于這種由多個(gè)原始事件組合、過(guò)濾得出的新事件，通常被稱為虛擬事件。以及在數(shù)據(jù)指標(biāo)篇中提到的計(jì)算指標(biāo)，例如某商品詳情頁(yè)的點(diǎn)擊率，需要通過(guò)自定義詳情頁(yè)點(diǎn)擊次數(shù)/商品展現(xiàn)次數(shù)得出。

在進(jìn)行事件分析時(shí)，只需選擇具體的事件或指標(biāo)，以及指標(biāo)的統(tǒng)計(jì)方式，通常包括求和/平均/人均等方式，在選擇統(tǒng)計(jì)的時(shí)間范圍就可以完成基礎(chǔ)分析了。更細(xì)致的需求，還可以通過(guò)添加拆分維度和用戶分群進(jìn)行深度分析。如下圖統(tǒng)計(jì)了商品點(diǎn)擊和加購(gòu)行為在過(guò)去七天的次數(shù)變化趨勢(shì)，并按照男裝/女裝的類目進(jìn)行了拆分。

事件分析示例

由于留存分析、轉(zhuǎn)化分析、路徑分析其實(shí)都是對(duì)事件進(jìn)行定義和組合后進(jìn)行的分析，所以可以認(rèn)為事件分析是其他各類分析的基礎(chǔ)。在基礎(chǔ)的事件分析中，我們一般會(huì)配置一些常用的分析指標(biāo)，比如PV、UV、DAU等。而作為最原始和最基礎(chǔ)的分析工具，事件分析的粒度也是最細(xì)的，因此除了了解常規(guī)的事件和指標(biāo)的表現(xiàn)，我們有必要借助事件分析挖掘更細(xì)節(jié)的數(shù)據(jù)。

本篇主要介紹了一些在用戶行為分析平臺(tái)中應(yīng)用最廣的產(chǎn)品功能和分析方法，除此之外還有諸如用戶行為細(xì)查、熱圖分析等相關(guān)功能。隨著技術(shù)本身和從業(yè)人員分析水平的進(jìn)步，未來(lái)必然會(huì)有更豐富更科學(xué)的分析工具和方式出現(xiàn)，例如借助AI能力幫助企業(yè)智能定位魔法數(shù)字和愿望線的功能。我們能做的只有不斷進(jìn)步，跟上行業(yè)發(fā)展的趨勢(shì)，保證自己處在領(lǐng)域前沿。越早掌握新工具，越能獲得先發(fā)優(yōu)勢(shì)。

用戶行為分析平臺(tái)篇到此結(jié)束。

作者：Rowan；公眾號(hào)：羅老師別這樣

本文由 @Rowan 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議