本文是《数据蛙三个月强化课》的第七篇总结教程，如果想要了解数据蛙社群，可以阅读给DataFrog社群同学的学习建议。温馨提示：如果您已经熟悉网站用户分析知识,大可不必再看这篇文章，或是只挑选部分文章
一：用户分析概览
接下来我们一起来探讨下网站用户分析的内容，主要是从三个方面来进行，用户分类、用户行为分析、用户生命周期
二：用户分类
关于用户的分类，我们下面用一张表来做一个解释：
三：用户行为分析
行为指标
黏性stickness：持续的状态，访问频率、访问间隔时间
活跃activity：每次的访问过程，平均停留时间、平均访问页面数
产出outcomes：创造的直接价值输出，订单数、客单价
RFM分析
其中RFM模型多用于电信、淘宝等方面，通过下图，我们能够很好的理解RFM模型，如下：
来自知乎作者-空白白白白
下图是关于如何分类的，仔细看哟
来自知乎作者-空白白白白
四：用户的生命周期
在网站分析、电商分析、网游分析中，对于留存率的关注度极高，所以留存率一定是要拿出来说下的。留存率顾名思义，就是留下来存在的比率。我们一般来关注新用户在次日、三日、七日的留存率。次日留存率：新登用户在首登后的次日再次登录游戏的比例；3日留存率：新登用户在首登后的第三天再次登录游戏的比例；7日留存率：新登用户在首登后的第七天再次登录游戏的比例。以此类推计算下去就得到了N日留存率。
留存率反映的实际上是一种转化率，即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程，随着这个留存率统计过程的不断延展，就能看到不同时期的用户的变化情况。
之所以是这样，是因为留存是以研究新登用户为目标对象的，即我们研究某一个点的一批用户在随后的十几天，几周，几个月的时间内的生命周期情况，这样的意义是从宏观上把握用户的生命周期长度以及我们可以改善的余地。这样的话，我们就可以结合用户进入的来源、以及通过不同的营销手段来交叉分析，来控制渠道、营销的质量
这里截取了4天首登用户在随后接近40天的留存变化情况。
上图是跟踪了39天的数据，我们发现留存率的变化初期是震荡的比较厉害，但是随后开始逐步的趋于平稳，下一个时期就开始逐渐稳定，保持在一个水平上，如果持续观察下去，随后开始逐渐的衰退，并最终无限趋于0。
事实上，以上的过程是符合用户生命周期的基本形式，用户在导入期用户量会增加很多，一段时间内如果我们渠道和手段得当，用户初期的几天留存质量会很好，之后用户就会慢慢流失，最终趋于一个平稳期。
以上我们所说的三个时期，也就是震荡期、淘汰期、稳定期