一句话回答
行为数据是对人们做了什么的记录:看了哪些页面、点了哪些按钮、买了什么、用了哪些功能,以及发生在什么时候。它不同于属性数据(他们是谁)和态度数据(他们说了什么)。通常以带时间戳的事件存储,回答发生了什么、顺序如何,回答不了为什么。
行为数据是什么?
行为数据是人们与产品、网站、商店或服务互动时做了什么的记录:看了哪些页面、点了什么、买了什么、用了哪些功能,以及发生在什么时候。关于一个人,它回答其他数据回答不了的三个问题:做了什么、先后顺序、频率多高。
可以把关于客户的说法分成三类。做过:「这周打开了两次定价页」(行为)。说过:「我打算下季度购买」(态度)。是什么:「在西班牙一家 50 人的公司工作」(属性)。三者经常不一致,不一致时,做过什么的记录通常是预测下一步最可靠的依据。下面的算例会给出差距有多大。代价是:行为只告诉你发生了什么,不告诉你为什么。
一条行为记录里有什么?
大部分行为数据以事件存储:一个动作一行。可用的事件要回答谁、做了什么、什么时候、在哪里、带什么细节。
| 字段 | 回答的问题 | 示例 |
|---|---|---|
| 身份 | 谁做的? | 访客 id v_8231,登录后可以是登录 id |
| 事件名 | 做了什么? | click_start_trial |
| 时间戳 | 什么时候? | 2026-03-02 10:04:11 |
| 上下文 | 在哪里、在什么上? | 页面 /pricing,手机 Safari,来源是搜索引擎 |
| 属性 | 带什么细节? | plan = pro,展示价格 = 29 |
示例数据:同一位访客的五个事件,按顺序排列。
| 时间 | 事件 | 页面 |
|---|---|---|
| 10:02 | pageview | /pricing |
| 10:03 | scroll_75 | /pricing |
| 10:04 | click_start_trial | /pricing |
| 10:05 | signup_complete | /signup |
| 次日 09:10 | project_created | /app |
按顺序读,这五行已经讲出了一个故事,而「5 个事件」这个计数讲不出来。所以行为分析看的是序列,不只是总数。只限于页面浏览和点击的事件流叫点击流数据。
行为数据、属性数据、态度数据和交易数据怎么区别?
| 类型 | 记录什么 | 示例 | 怎么收集 | 变化频率 | 擅长 | 不擅长 |
|---|---|---|---|---|---|---|
| 行为 | 动作 | 搜索、浏览、点击、登录 | 事件埋点 | 每天 | 预测下一步动作、找摩擦点 | 解释原因 |
| 属性 | 人或公司是什么 | 国家、套餐、公司规模 | 表单、账号、数据补全 | 很慢 | 定向、分组 | 预测使用 |
| 态度 | 表达的意见或意向 | 「非常愿意推荐」 | 问卷、访谈 | 被问到时 | 理解动机 | 对得上之后的行动 |
| 交易 | 涉及金额的事件 | 一笔 42.00 的订单、退款 | 订单账本 | 每次购买 | 收入、复购率 | 购买前的行为 |
交易数据是带金额的行为数据的特例;单独列出是因为它来自不同的系统,还要和财务对账。分析师怎么把这些数据合在一起用,见行为分析和事件分析。
为什么相信人们做了什么,而不是说了什么?
示例数据:一家软件公司问卷调查 200 位免费用户。「你有多大可能使用新的导出功能?」124 人说会(62%),76 人说不会。团队随后查看接下来 30 天的使用情况。
| 说自己会用导出 | 受访者 | 实际用了 | 比例 |
|---|---|---|---|
| 会 | 124 | 31 | 25.0% |
| 不会 | 76 | 6 | 7.9% |
| 全部 | 200 | 37 | 18.5% |
复算:31 ÷ 124 = 25.0%,6 ÷ 76 = 7.9%,37 ÷ 200 = 18.5%。有两个发现。一是说出来的意向并非没用:说会用的人实际使用率是说不会的 3.2 倍,两比例 z 检验得到 z ≈ 3.0,差异是真实的。二是 62% 说会用,其中只有 25% 做到了;4 个「会」里有 3 个没有变成行动,而实际用了导出的 37 人里有 6 人说过自己不会用。如果团队按问卷规划容量(124 人),和实际行动的 37 人相比会差 3 倍以上。
实用规则:用态度数据了解原因和措辞,用行为数据估规模、定时间。
行为数据能回答哪些问题?
- 发生了什么? 每天的访问、注册、购买:总量和趋势。
- 按什么顺序? 路径和漏斗:从看价格到注册,人们在哪一步流失?
- 谁会回来? 留存:第 0 周第一次做了 X 的人,第 4 周还有多少人做过任何事?
- 哪个群体行为不同? 把用过某功能的用户和没用过的按结果对比。
- 有没有东西坏了? 报错、狂点和死胡同在有人抱怨之前就会在行为里露出来。
它回答不了为什么(需要访谈、回放或问卷),也回答不了你改了某件事之后人们会怎么做(需要对照测试)。第二点要小心:两个群体行为不同,并不能证明其中一种行为导致了另一种。
行为数据会在哪些地方误导你?
- 数事件而不是数人。 10,000 次点击可能是 10,000 个人,也可能是 50 个人各点 200 次。报告事件的同时要报告人数(去重的 id)。
- 匿名记录和已识别记录混在一起。 同一个人在登录前后会算成两位访客,除非两者被关联起来,「新用户」的计数会因此虚高。
- 把机器人当成人。 自动化流量产生的行为看起来很完美。算比率之前要先去掉它们,见机器人过滤。
- 幸存者偏差。 只有到达页面的人才有记录,根本没来的人不会留下事件。
- 把短窗口读过头。 两周的数据可能显示一个到了一个月就消失的规律。
- 从相关里读出因果。 用功能多的人留存更好,但重度用户可能本来就会留下来。
行为数据算个人数据吗?
经常算,取决于怎么存储。GDPR 第 4 条把个人数据定义为与已识别或可识别的自然人有关的任何信息,把画像定义为对个人数据的自动化处理,用来评估个人的某些方面,包括行为。和登录 id 绑定的事件流在这个意义上是个人数据;没有任何标识符的每日页面浏览量则不是。这不是法律意见:开始之前先决定收集什么、为什么收集、保留多久、谁能看,并且对自由文本属性(搜索词、表单值)格外小心。
TapCub 里的行为数据
拿上面那位示例访客,在 TapCub 里走一遍:
- 收集。 网站脚本记录页面浏览,默认还记录外链点击和文件下载。你自己的事件(
click_start_trial、project_created)通过调用跟踪代码或服务端接口发送,列在网站统计 › 事件里。 - 分析序列。 在全端分析 › 行为分析 › 行为分析里,漏斗、留存和路径使用事件流;在行为分析 › 事件分析里,可以统计任意事件的次数和去重人数。
- 关联身份。 有人登录时调用
tapcub.login,之后他们会出现在全端分析 › 用户 › 用户,档案里有按天排列的行为时间线。匿名访客会被计数,但没有档案。 - 把机器人挡在外面。 认出来的机器人单独报告,不会抬高真人的计数。
- 给采集设限。 在配置 › 合规中心里选择采集档位、保留期和数据主体请求的处理方式。
TapCub 记录并分析人们做了什么。它不做问卷,所以态度这一侧的数据要来自你已经在用的工具。
资料来源
- arXiv,The structure of behavioral data(2020)。
- 欧盟,Regulation (EU) 2016/679(GDPR)第 4 条:定义。
- NIST/SEMATECH e-Handbook of Statistical Methods,7.3.3 比较两个比例(示例中用到的检验)。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
