用户行为分析：漏斗、留存与因果推断

行为分析的三个最常见形态

在业务团队里，行为分析最常被问的问题有三种：

• 用户在哪些步骤流失？（漏斗）
• 哪些用户留下来、哪些走了？（留存）
• 做这个改动是不是真的有用？（因果）

这三种问题用到的工具与逻辑都不同。下面就按这个顺序展开。

漏斗：从转化率到路径

漏斗是最直观的形态。假设我们的电商核心转化路径是「首页 → 详情页 → 加购 → 支付」。最简单的一阶漏斗就是各步转化比。但更现实的是要分析「跨步行为」：

• 走「搜索 → 详情」的人与走「推荐 → 详情」的人，转化是否不同？
• 把首页停留时间拉长 5 秒，是否拉高转化？

漏斗代码可以这样写：

WITH steps AS (
  SELECT user_id, MIN(event_time) AS first_event
  FROM events
  WHERE event_name IN ('home_view', 'product_view', 'add_cart', 'pay')
  GROUP BY user_id, event_name
)
SELECT
  COUNT(DISTINCT CASE WHEN event_name='home_view' THEN user_id END) AS step1,
  COUNT(DISTINCT CASE WHEN event_name='product_view' THEN user_id END) AS step2,
  COUNT(DISTINCT CASE WHEN event_name='add_cart' THEN user_id END) AS step3,
  COUNT(DISTINCT CASE WHEN event_name='pay' THEN user_id END) AS step4
FROM steps;

留存：从「总量活跃」到「cohort」

留存分析只看一个数字「DAU」是不够的。当我们想描述「一群用户在接下来的日子里回来了多少」，cohort 是最好的工具：

注册周	D0	D7	D14	D30	D60
2026-W12	100%	42%	30%	20%	14%
2026-W13	100%	45%	32%	22%	—
2026-W14	100%	40%	27%	—	—

把每一周注册的人群作为一行，后续列是他们过 N 天后的回访比例。当某一行整体高于另一行，则说明用户质量或拉新策略改善了。

为什么单纯看漏斗会误导

我们曾遇到一个反直觉案例：

1. 在「支付 → 支付完成」之间加了一个二次确认步骤。
2. 漏斗显示：这一步流失率 15%，但总 GMV 没有变化。
3. 进一步分析发现：这一步筛选掉了高风险用户，降低了退款率。

漏斗是局部视角，要结合退款率、留存、最终 LTV 一起看。

因果推断：超越相关性

「点击 banner 的人，下单率更高」是不是证明 banner 有效？不一定。可能是因为「喜欢 banner 的人」本身就是高价值用户。

工程师常用的因果方法：

• RCT（随机对照实验）：金标准。但成本大。
• 倾向得分匹配（PSM）：把相似用户配对。
• 差分 / DiD：看 treatment 组与对照组在同一时间窗的趋势差。
• 回归不连续（RDD）：用阈值断点识别局部处理效应。

在数据分析中，区分「相关」与「因果」是一种思维纪律。它会决定你的结论有多可靠。

用户行为图：用图谱看行为

漏斗是「线性」视角，更高维度的形态是把用户行为描述成图。例如：

import networkx as nx
G = nx.DiGraph()
for u, e1, e2 in behavior_pairs:  # 用户 u 连续做了 e1、e2
    if G.has_edge(e1, e2):
        G[e1][e2]['weight'] += 1
    else:
        G.add_edge(e1, e2, weight=1)
# 用 pagerank / betweenness 找关键路径

在 2000 万用户行为图上跑 PageRank 找最关键的转化路径，对功能设计很有启发。

归因模型：从最后点到多点归因

广告归因里有「最后一点」、「首次」、「线性」、「加权」。把行为归因模型化是数据团队的基本功。常见三类：

• 第一次归因：用户第一次接触的渠道。
• 最后一次归因：转化前最后接触。
• 多点归因：每个接触点按权重贡献。

不同归因模型下同一笔订单的渠道归属可能完全不同。要让业务团队用「通用归因模型 + 专项专题」组合。

用户研究 vs. 行为数据：互补关系

行为数据回答「他们做了什么」，用户研究回答「为什么做」。两套数据合在一起才有判读力。比如：

1. 行为数据显示：某按钮点击率近 3 周下降了 30%。
2. 用户访谈发现：图标颜色与之前不一样，被用户误认为是广告。

只有数字没有原因、只有原因没有数据，都会判断失误。

给团队的简单建议

• 任何「指标变化」都要分 cohort 看，必要时配对检验。
• 漏斗与留存要联动分析，单独看任何一项都会偏。
• 重大改动务必 RCT，至少做 PSM 验证。
• 归因要有统一约定，不要一个项目一个规则。
• 把「数据 + 用户访谈 + 工程师直觉」当三件套。

用户行为分析是一项业务工程。它不靠天赋，靠的是流程：把数据收集、问题拆解、结论交付变成日常。做得越多，越容易在「混乱」中给出清晰答案。