在移動互聯網的早期還存在大量的流量紅利，但隨著流量增長、紅利消退，同行激烈的競爭，使得獲客成本飆升到難以承受的水平，業務增長緩慢甚至倒退。

在如此高成本、高競爭的環境下，通過互聯網用戶行為分析，可以實現精細化運營、從而提升用戶體驗與平臺轉化。

通過前面的系列文章，相信大家也已經認識到BI能夠將存儲于商業系統中的數據轉換成有用的信息，能夠融合線上線下的數據，且不限定分析場景，從而更好地指導決策。

從結果來說，線上的用戶行為分析和BI都能幫助企業提升競爭力；從過程來說，BI能做數據分析，用戶行為也是一種分析方法，那么，兩者有什么區別呢？

小編將從概念、分析流程&數據來源、應用場景三方面為大家做個詳細對比。


概念

什么是用戶行為分析？

用戶行為分析就是通過對這些數據進行統計分析，從中發現用戶使用產品的規律，并將這些規律與網站的營銷策略、產品功能、運營策略相結合，發現營銷、產品和運營中可能存在的問題，從而讓產品獲得更好的增長。

用戶行為在分析中被定位為各種事件，例如用戶搜索是一個事件，在什么時間、什么平臺上，哪一個ID、做了搜索，搜索的內容是什么——這是一個完整的事件。基于此，分析師可以在網站或者APP上定義無數個這樣的事件。

而通過這些事件就可以把用戶的行為串聯起來觀察，例如用戶首次進入網站后是一個新用戶，通過瀏覽某些頁面激發他進行注冊，那么注冊行為就是一個事件。注冊填寫信息之后的搜索，或者開始下單買東西，所有這些都是用戶行為的事件，可以作為用戶行為分析的內容。

什么是BI？

BI主要是基于信息化時代，企業產生大量的業務數據，這些數據在不同的系統中或者存放在臨時的Excel、CSV文件中，數據口徑不一，需要前期花費大量時間進行數據處理。結合業務背景，BI通過分析模型能支持經營決策。核心是通過構建數據倉庫平臺，有效整合數據、組織數據，為分析決策提供支持并實現其價值。

BI的作用是對獲取數據的多維度分析、數據的切片、數據的鉆取分析等。通過ETL數據抽取、轉化形成一個完整的數據倉庫、然后對數據倉庫的數據進行抽取，最后是商業智能的前端分析和展示。

用戶行為分析是基于用戶在網站、APP上留存的事件去掌握與分析用戶從哪里來，進行了哪些操作，為什么流失，從哪里流失等固定的場景深度分析。

對于BI來說，會側重于數據分析，是業務、數據、數據價值應用的過程，是一整套完整的解決方案，是一套復雜的信息系統，不局限于某一單一場景的分析。

分析流程&數據來源

就分析流程來說，線上的用戶行為和BI分析都是定義問題，解決問題的過程，詳細來說，一般是問題定義-問題分析-風險規避-改進措施，能夠形成一個良性循環。

從數據的來源來說，用戶行為數據通常利用寫代碼來詳細描述事件和屬性的方式，國內都統稱為“埋點”。雖然非常耗費人力、過程非常繁瑣重復，但是大部分互聯網公司仍然雇傭了埋點團隊。

現在市面上也有無埋點采集的成熟第三方供應商，通過前端自動采集全部事件并上報所有數據，但存在部分業務維度無法采集，無法進行深度的業務分析。

相比來說，BI的數據來源更加廣泛，可以接入數據庫數據、文件數據(例如Excel、CSV等)以及來自大數據平臺的數據以及定制接入（例如TiDB，MaxCompute，AnalyticDB， Doris等），以及來自ERP、CRM、POS、WMS等多種業務系統的數據。

另一方面，不同的BI廠商能夠支持接入的數據源會有所差異，BI系統一般不包含數據采集這一步驟。

應用場景

用戶行為的分析場景

對于線上的用戶行為分析來說，不得不說經典的AARRR模型，分別對應用戶生命周期中的5個重要環節。

1、獲取新用戶(Acquisition)，是運營一款產品的第一步，推廣人員需要分析產品特性和目標人群，需要在不同時期選擇不同渠道進行推廣。

常用指標：曝光率、點擊率、累計新增、注冊激活、主動活躍、交易活躍等。

2、提高活躍度(Activation)，在今日活躍的用戶中，一部分是新增，另外絕大部分都是以往的留存用戶，產品運營周期越長，新用戶占比越少。影響活躍的因素主要由活躍構成和產品粘度兩方面來進行。

常用指標：新用戶數、老用戶數、新老占比、日活、周活、月活等。

3、提高留存率(Retention)，通常維護一個老用戶的成本要遠遠低于獲取一個新用戶的成本，分析出用戶在哪里流失，為什么流失，才能有的放矢的解決問題。

常用指標：日/周/月留存率、用戶LTV、流失率等。

4、獲取收入(Revenue)，產品運營最核心的一塊，產品無法實現商業化就難以持續運行與迭代。

常用指標：ARPU、ARPPU、新老用戶的付費率等。

5、自傳播(Refer)，病毒式傳播是每個產品向往的推廣方式，除了好的營銷方式鋪墊，更重要的還是要靠產品自身的品質。

常用指標：口碑指數、百度指數、網站PR值、搜索引擎收錄數等。

BI的分析場景

用戶行為分析的數據如果想要拿到BI上來分析，也是完全可以支持的。所以不管是AARRR模型，還是其他的數據分析模型，能夠接入數據的前提下都可以在BI平臺上來實現。

以連鎖零售為例，可以從如圖的八大場景來分析，涵蓋了決策管理層、區域負責人、一線員工等多種角色的看數需求。


數據是基礎，場景分析只是手段。從BI分析來說，想要實現業務經驗、數據真正賦能與業務部門，需要的前提是：

一、打通企業各個業務系統的數據源，實現數據的互通互融。包括數據接入、數據清洗等前期準備過程。可視化拖拽式的數據流處理過程；數據清洗能夠實現實時預覽、實時保存；數據流實現自動更新，結合觀遠的Smart ETL這些操作可以輕松實現。




二、基于完整的數據源構建統一的數據分析平臺。通過觀遠數據指標體系落地方法論，基于公司總體戰略目標，來構建“以終為始”的業務指標體系，從而快速實現BI系統和業務系統的對接。

三、根據已沉淀積累的分析實踐，再結合客戶實際的業務需求來構建數據分析場景。比如說，商品運營層面上進行動銷監控、暢滯銷分析、全景庫存分析等，真正將專家經驗固化成數據資產。

小結

大家可以把數據當做食材來理解用戶行為分析和BI這兩者的關系：

有人喜歡吃米飯，有人喜歡吃面，有人吃粵菜，有人喜歡吃魯菜，眾口難調的“飲食習慣”可以由BI平臺根據不同的需求來管控；而至于具體怎么做這道菜，要根據菜系食材質量以及客戶要求來選擇，用戶行為分析是其中一種通用的做法。

這就是BI和用戶行為的區別，BI側重洞察和分析，貫穿業務需求，助力企業經營分析，是個橫向體系，而用戶行為分析可以從數據采集到分析，是在數據分析范圍中的垂直體系。

在實際選品過程中，大家也需要結合公司現狀來選擇。一般來說泛互聯網公司前期需要用戶行為分析，它確實是企業精細化運營和數據驅動的得力助手，通過挖掘用戶留存、用戶畫像、用戶行為路徑等數據價值，幫助企業用數據驅動業務增長。

但隨著業務的快速發展，如果單一的用戶分析已經難以滿足日趨多樣化的業務需求，可以配合使用BI平臺來進行多場景多維度的數據分析。

附件下載區：    鼠標左鍵單擊文件進行下載 附件：微信圖片_20200730094657.jpg (47K)  下載次數:0 附件：ETL_白底.gif (713K)  下載次數:0 附件：微信圖片_20200730094801.png (246K)  下載次數:0 附件：ETL_白底.gif (713K)  下載次數:0