01 用戶行為分析

我曾經一度沉迷于用戶行為分析，因為它背后對用戶需求和行為的洞察是一件特別有趣的事。產品經理們常提及用戶需求和價值，這固然重要，但它們最終都離不開定量研究的支撐。若一個用戶需求脫離了發生頻次、行為強度以及可替代性，那便是無根之木。

所以在某個周期內，我會把行為采集做得特別精細化。用戶進入了A頁面，然后點擊了相關推薦，進而瀏覽B、C、D，我會嘗試用source page的邏輯將其串聯起來，并且輔以桑基圖。

類似的場景數不勝數，這類User Journey的分析確實帶來過收益，但也增加了數據采集和設計的負擔。不止一次研發同學向我抱怨。

再后來，隨著業務量的擴張，采集的數據進一步膨脹，包括歷史版本的存量積累，導致計算和存儲的開銷成本達到一個夸張的地步。我們花費了特別多的時間治理。

在治理的過程中，發現了大量歷史設計過，但實際使用為0的埋點。屬于數據的屎山代碼。光硬件成本就是數百萬/月。那一刻你才會對數據采集的冗余度有充分了解。

回過頭再看過往的分析，就會發現好的分析都是簡練有美感的，而不是堆疊了多少圖表。這時候你才會想明白，什么是「基于分析目標與假設設計數據」，什么是去蕪存菁。

回到分析本身，新用戶引導是一個繞不過的經典課題，每位產品經理都躍躍欲試。因為它具備比較大的策略迭代空間。最近看了一篇流傳甚廣的文章，說新用戶引導毫無作用。

雖然我常開玩笑說，每年都會有一些新用戶引導的嘗試和迭代被翻來覆去地寫入OKR，如有年度查重的邏輯，估計重復率挺高的。

挺能理解的，畢竟我自己就在新用戶引導上做出過收益，還不止一次，笑。這不是說，新用戶引導就是萬能大招，可以和推薦pk效率，實際的判斷，是要結合當下業務的邏輯。它有效，還是無效，是通過定量的行為數據來判斷的。

以某個海外女性社區的產品為例，在MVP階段，產品內的內容都是美妝、護膚、穿搭等。即使個性化推薦也上線，社區消費的表現仍舊一般。我做的策略是在冷啟動的階段，增加垂類引導，次留帶來4～5%的絕對值收益。

具體的數據我忘了，當然記得我也不會說，但大致的分析邏輯如下：

1.海外女性的偏好比較多元，不同膚色的用戶偏好不同的美妝；

2.即使同在護膚領域，用戶在點擊行為上也有離散性，有不同的功效偏好。干皮和油皮的點擊天然就會隔離開；

3.護膚是連續的周期行為，會在多日內反復消費；

接下來我們細拆拆解行為，關注用戶的搜索詞，即新用戶進入App是否馬上發起搜索，以及具體搜索了什么。對新用戶來說，如果首屏冷啟動的內容不滿足需求，那么她們很可能主動尋求。此時會關注冷啟的內容和搜索query的相似度，用戶實際想要的和我們提供的是否一致。

結論是不一致，進一步確認了初期的業務假設。同時搜索query的長尾詞也足夠多，說明需求是離散的。

美妝和護膚，護膚內的偏好又不一樣，同一個偏好下又有品牌、功效的不同。說明用戶的需求是足夠精細的，而在短時間內，我們無法承接好這類需求。因此，通過分析報告，我們判斷需要做新用戶引導，快速聚攏用戶的需求。

即使能承接好需求，我們產品還是缺一個獨特的hook，因為在女性賽道，同類的產品和內容足夠多了。我們的供給側沒有顯著優勢，當時在抽case的時候，發現用戶有測評的習慣，包括創作端的發布數據也發現有不少用戶會分享自己的膚質，具備討論熱度。

所以在強化引導的過程中，我們將業務邏輯封裝成了護膚管理工具，女性用戶可以通過一個簡易的工具測評膚質，獲得相關的標簽可以直接優化推薦，例如干皮就不用推油皮的內容，提升用戶對產品專業價值的感知。

最后feature上線，次留顯著提升。當然，它還需要搭配其他策略，比如投流；再比如，通過皮膚管理工具，引導女性用戶養成定期記錄的習慣，提升粘性。

在一個垂直社區，初期少量的內容無法承接精細的推薦，新用戶引導是有作用的。好比體育類目，喜歡足球的不一定喜歡籃球，喜歡梅西的不一定喜歡C羅。在這個層面做精細是沒問題的。但是對一個大型內容平臺而言，生態開始泛化，推薦效率提升，而興趣選擇因為數量太多了導致邊際效益遞減時，引導的效果就會弱化。

新用戶引導是否有用，這是一個trade off的問題，選擇的效率 vs 推薦的效率，它沒有一個絕對的答案。但定量分析有。

上文探討了用戶行為分析的基本邏輯，其中用到的數據并不復雜，例如item_click、search_click等。相信你也能通過分析案例反推出參數結構，user_id、action_type、item_id，request_id。這些都是在枚舉各類場景的埋點設計后，進而用于分析你所關注的內容的關鍵。

如何設計好你想要的數據。這是一個發散后再剪枝的基本功。

到這里為止，是曾經的草稿，我想寫，但一直沒有寫完的內容。原本的內容挺豐富的，包含各類工具的炫技，現階段我覺得不必要。因為工具和技巧，會結合下面分享的大模型心得。

02LLM x 數據采集

通過上文的案例，你應該已清楚，采集數據是為了用以分析。數據從哪里來，數據到哪里去，如果「到哪里去」不清晰，那么哪里來就容易變得盲目。

我們這里從網絡尋找一個產品設計原型圖。

當你第一眼看到購買詳情頁，你會怎么思考它的埋點？

如果你還是一位數據分析的新人，不妨結合我上一篇的文章，學習和吸收后進行實踐。接下來我們使用AI，我將盡量還原我的演示過程。

上述的Prompt，有分析經驗的話稍加練習足夠寫出來，它是很具象化的數據分析/數據科學的know-how沉淀，我也沒有用few-shot。接下來是LLM的輸出：

通過截圖，我們能看到LLM已經能夠覆蓋基本的采集場景。雖然有不夠優秀的地方，比如item_action_click過于通用，share和favorite最好不要合并（畢竟產品邏輯可能會發生變化）。

但當前的模型智能已經能讀懂產品邏輯，并識別頁面上所有的元素，包括容易被忽略的搜索評論輸入框，點擊評論（藍色可點擊狀態）進入到評論詳情頁的交互等。

如果你熟悉RAG活知識庫，那么埋點的字段規范和參數規范可以進一步精確約束。

以上的案例，我使用的是Gemini 2.5 Flash，還不是更聰明的Pro版本。

接下來，我們再用一段新的Prompt，讓它基于產品設計原型圖，先思考分析邏輯，然后再展開數據鏈路的工作：業務邏輯-分析框架-數據指標-數據埋點-數據建設，這本身就是一個清晰的ToDo List。

接下來是輸出結果（埋點的篇幅我就略過了，沒有特別大的差異，多出了一個評論停留時長的計算）：

以上是分析目標、業務邏輯、量化因素、指標設計和建設的基本流程。這里暫時不對分析的好壞做評價，因為多輪對話可以修正邏輯。AI完成這類工作的效率已經足夠快，原本半天的設計工作，可以大幅度壓縮到分鐘級完善。

本次演示，我沒有用到復雜的Prompt/Tool，鑒于當前通用Agent如雨后春筍般冒出，我也不打算使用哪家來背書，僅僅是展示一下最基本的能力能夠做到哪一步。

回想當年的課程內容花費了很多時間，現在有一半需要重構了，哈哈。

回到故事的第一個新用戶引導案例，它是通過大量的行為數據推導得出的假設——女性用戶在護膚場景需求是離散的，且初期的社區需要精細化的滿足?，F在的大模型或許難以完成這種梳理并提出優質假設，但如果你的假設足夠solid，那么后續的證明過程效率會提升幾何倍呢？

我不想過于強調AI的優點或缺點，當它出現并且改變你的工作形式時，原有的初級-中級-高級-專家的學習范式就被改變了。即使埋點是重復性勞作，其背后的分析思路AI一時半會還學不會，但基礎工作的生產力關系已經發生變化。

曾經在朋友圈看到一句話，在Flux和SD的文生圖模型問世時，設計師朋友大感震撼，大家在設計峰會熱烈討論。然后實際情況是，100個設計師只有一半安裝了ComfyUI，五分之一簡單適用了ControlNet，最終只有兩個人用Lora煉丹（然后kontext出來了）。

之前我寫「七周」的時候，有人質疑，七周到底能不能學會？八年后的今天，純粹使用工具的門檻已經大幅度降低，在human in the loop的模式下，你現在的學習需要幾周？你又應該學習哪些？

產品PRD是最基本的業務單元，設想一下整個workflow的邏輯：輸入PRD的文檔（當前的上下文窗口足夠理解），輸出思路、指標、埋點、實驗、ETL。每一個步驟可能只會做到80分，但是剩余的20分，又需要分析師花費多少時間呢？

這幾年，我一直想著，是否將以前的公眾號內容完善（不騙你）。既有新學習的心得和體會，也有完美主義的強迫癥作祟。這下剛好，新的技術給了新的契機。

內容的更新，依舊是免費的分享。至于是否還需要教你Python、SQL和Excel和統計學？我認為是不必要的。

仔細想了想，如果你想鍛煉量化/數據/分析的能力，那么往后可能是：

1.具備出色的設計數據workflow的能力，調度和統籌Agent，解決80%的標準場景。

2.AI Coding作為直接的生產力工具（我不會展開說第三方Agent，企業的數據是閉源的），解決20%的非標準化場景，基于Data的Coding會是主流。

3.提出優秀的業務邏輯和假設，證明和研究它。

來源 | 秦路（ID：tracykanc）

作者 | 秦路 ; 編輯 | 荔枝

內容僅代表作者獨立觀點，不代表早讀課立場