报表|新功能的埋点报表，这些知识点不能错过( 二 ) 不能错过|抖音|页面|用户数量

文章插图
上图很明显反映出，该用户路径的第一个环节，有30%的用户参与其中；但是在用户路径的第二个环节，仅有0.3%的用户参与其中，故而可知问题是出在这里。
在产品设计中，用户路径往往是我们根据自己的认知设计出的，有些时候用户的确会依照这条用户路径进行操作；也有很多时候，我们设定的用户路径由于某些原因会导致无法行进下去。这就促使我们必须要对这条路径进行转化率分析，从而量化出真实按照该路径行进的用户数和用户比例，同时找出每个关键环节的用户流失率，建立用户遗失漏斗，从而逐步改进，减少用户流失。
3. 用户的访问情况用户的访问情况主要是指用户对某个页面的访问情况，包含用户的访问页面次数、访问时长、访问间隔天数、跳出率等。
用户的访问情况通常能够反映出用户对产品上某些特定页面的喜爱程度，我们根据用户不同的喜爱程度，提出相对应的运营策略。
运营策略大体遵循以下原则：

用户喜爱程度非常高的，我们就采用促进用户付费策略。
用户喜爱程度偏高的，我们就提升该内容在用户眼前出现的频次、或是推送相关的内容，以此继续提升用户的喜爱程度。
用户喜爱程度一般的，则要减少该内容在用户眼前出现的次数，为用户更喜爱的内容留出空间。
用户不喜爱的，则该类型的内容都不要出现在用户眼前。

如果将访问情况的颗粒度放大到这个程度，情况则就是这样。但在实际操作上，我们往往需要更细致的颗粒度来推断用户的情况。
我们将颗粒度再细化一下，分解到每个访问数据来看一看。
用户的访问次数是指用户进入某个页面的次数，通常是在用户进入页面的时候进行埋点记录。根据不同的场景有不同的统计方式，通常有两种统计方式，一种是用户进入该页面一次就算作一次访问，另一种是每个用户每天首次进入该页面才算一次访问。
例如在淘宝，想要了解某个用户对某件商品的喜爱程度，则可以将该用户每次进入商品详情页算成一次访问，通过统计了解到某用户一天不同时间段进入A商品的详情页10次，而进入其他商品详情页仅1-2次/天，则可判断出该用户很喜欢A商品，但对于购买犹豫不决，这个时候我们就可以通过首页推荐该商品，增加该商品在用户眼前出现的频次；或是推送该商品相关的优惠券等，以此来促使用户达成购买行为。
而在某些场景下，每个用户每天首次进入该页面计算一次访问即可。例如在淘宝双十一活动页，用户出于做任务的需要，会在双十一活动页和商家店铺页面不停跳转。这个时候我们统计双十一活动的日均活跃人次的时候，就只能在每个用户每天首次进入活动页面时计算访问次数，以此来判断活动效果。
用户的访问次数通常能够反映某个页面、某个功能乃至某款产品对用户的吸引程度，用户总访问次数越高，代表产品对用户的吸引程度越高。单个用户的访问次数越高，代表该用户对产品的喜爱程度越高。我们通过这个数据可以找到用户真实喜爱的内容，通常该数据也作为我们运营策略的依据存在。
用户的访问时长是指用户在浏览某个页面时停留在该页面的时间。通常是对用户进入页面和离开页面的时间进行埋点，在用户进入和离开页面时，客户端会给后台发送不同的请求，告诉后台用户当前的操作。通过后台对这两个操作的时间进行记录，两者相减得出用户在页面的访问时长。
这里会有一个特殊情况，即用户使用非正常手段离开该页面，例如用户在使用APP时，并非点击退出离开产品，而是直接在手机后台强行关闭某个应用。这个时候我们能够拿到用户进入页面的时间，但是无法准确获取用户离开该页面的时间。为了数据准确性，这个时候我们通常将用户认定为未在该页面停留。在埋点报表中，数据准确是首要要求，切不可为了数据好看而忽略准确性要求。
还是以淘宝为例，我们除了在刚刚统计某个用户在A商品上的访问次数外，还可以统计该用户在A商品详情页的停留时长。结合刚刚的访问次数，若用户在详情页的停留时长超过平均浏览商品详情页的时长，我们可以断定为用户喜爱该商品，进行刚刚所述的运营行为。
若用户在详情页停留的时间很短，甚至每次都仅仅停留几秒，我们就需要寻找用户其他动机，例如用户仅仅只是通过该商品找到这个店铺的其他商品。这个时候我们就可以通过在商品流或购物车中加入更明显的进入店铺的方式，以此来缩短用户进入店铺的路径，提升用户体验。