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
在大数据技术飞速迭代、数字营销竞争日趋激烈的今天,“精准触达、高效转化、成本可控”已成为企业营销的核心诉求。传统广告投放 ...
2026-04-24在游戏行业竞争白热化的当下,用户流失已成为制约游戏生命周期、影响营收增长的核心痛点。据行业报告显示,2024年移动游戏平均次 ...
2026-04-24 很多业务负责人开会常说“我们要数据驱动”,最后却变成“看哪张报表数据多就用哪个”,往往因为缺乏一套结构性的方法去搭建 ...
2026-04-24在Power BI数据可视化分析中,切片器是连接用户与数据的核心交互工具,其核心价值在于帮助使用者快速筛选目标数据、聚焦分析重点 ...
2026-04-23以数为据,以析促优——数据分析结果指导临床技术改进的实践路径 临床技术是医疗服务的核心载体,其水平直接决定患者诊疗效果、 ...
2026-04-23很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标是所有企业都需要的”“哪些指标是因行业而异的”“北极星指标和 ...
2026-04-23近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16