01 用户行为分析
我曾经一度沉迷于用户行为分析，因为它背后对用户需求和行为的洞察是一件特别有趣的事。产品经理们常提及用户需求和价值，这固然重要，但它们最终都离不开定量研究的支撑。若一个用户需求脱离了发生频次、行为强度以及可替代性，那便是无根之木。
所以在某个周期内，我会把行为采集做得特别精细化。用户进入了A页面，然后点击了相关推荐，进而浏览B、C、D，我会尝试用source page的逻辑将其串联起来，并且辅以桑基图。
类似的场景数不胜数，这类User Journey的分析确实带来过收益，但也增加了数据采集和设计的负担。不止一次研发同学向我抱怨。
再后来，随着业务量的扩张，采集的数据进一步膨胀，包括历史版本的存量积累，导致计算和存储的开销成本达到一个夸张的地步。我们花费了特别多的时间治理。
在治理的过程中，发现了大量历史设计过，但实际使用为0的埋点。属于数据的屎山代码。光硬件成本就是数百万/月。那一刻你才会对数据采集的冗余度有充分了解。
回过头再看过往的分析，就会发现好的分析都是简练有美感的，而不是堆叠了多少图表。这时候你才会想明白，什么是「基于分析目标与假设设计数据」，什么是去芜存菁。
回到分析本身，新用户引导是一个绕不过的经典课题，每位产品经理都跃跃欲试。因为它具备比较大的策略迭代空间。最近看了一篇流传甚广的文章，说新用户引导毫无作用。
虽然我常开玩笑说，每年都会有一些新用户引导的尝试和迭代被翻来覆去地写入OKR，如有年度查重的逻辑，估计重复率挺高的。
挺能理解的，毕竟我自己就在新用户引导上做出过收益，还不止一次，笑。这不是说，新用户引导就是万能大招，可以和推荐pk效率，实际的判断，是要结合当下业务的逻辑。它有效，还是无效，是通过定量的行为数据来判断的。
以某个海外女性社区的产品为例，在MVP阶段，产品内的内容都是美妆、护肤、穿搭等。即使个性化推荐也上线，社区消费的表现仍旧一般。我做的策略是在冷启动的阶段，增加垂类引导，次留带来4～5%的绝对值收益。
具体的数据我忘了，当然记得我也不会说，但大致的分析逻辑如下：
1.海外女性的偏好比较多元，不同肤色的用户偏好不同的美妆；
2.即使同在护肤领域，用户在点击行为上也有离散性，有不同的功效偏好。干皮和油皮的点击天然就会隔离开；
3.护肤是连续的周期行为，会在多日内反复消费；
接下来我们细拆拆解行为，关注用户的搜索词，即新用户进入App是否马上发起搜索，以及具体搜索了什么。对新用户来说，如果首屏冷启动的内容不满足需求，那么她们很可能主动寻求。此时会关注冷启的内容和搜索query的相似度，用户实际想要的和我们提供的是否一致。
结论是不一致，进一步确认了初期的业务假设。同时搜索query的长尾词也足够多，说明需求是离散的。
美妆和护肤，护肤内的偏好又不一样，同一个偏好下又有品牌、功效的不同。说明用户的需求是足够精细的，而在短时间内，我们无法承接好这类需求。因此，通过分析报告，我们判断需要做新用户引导，快速聚拢用户的需求。
即使能承接好需求，我们产品还是缺一个独特的hook，因为在女性赛道，同类的产品和内容足够多了。我们的供给侧没有显著优势，当时在抽case的时候，发现用户有测评的习惯，包括创作端的发布数据也发现有不少用户会分享自己的肤质，具备讨论热度。
所以在强化引导的过程中，我们将业务逻辑封装成了护肤管理工具，女性用户可以通过一个简易的工具测评肤质，获得相关的标签可以直接优化推荐，例如干皮就不用推油皮的内容，提升用户对产品专业价值的感知。
最后feature上线，次留显著提升。当然，它还需要搭配其他策略，比如投流；再比如，通过皮肤管理工具，引导女性用户养成定期记录的习惯，提升粘性。
在一个垂直社区，初期少量的内容无法承接精细的推荐，新用户引导是有作用的。好比体育类目，喜欢足球的不一定喜欢篮球，喜欢梅西的不一定喜欢C罗。在这个层面做精细是没问题的。但是对一个大型内容平台而言，生态开始泛化，推荐效率提升，而兴趣选择因为数量太多了导致边际效益递减时，引导的效果就会弱化。
新用户引导是否有用，这是一个trade off的问题，选择的效率 vs 推荐的效率，它没有一个绝对的答案。但定量分析有。
上文探讨了用户行为分析的基本逻辑，其中用到的数据并不复杂，例如item_click、search_click等。相信你也能通过分析案例反推出参数结构，user_id、action_type、item_id，request_id。这些都是在枚举各类场景的埋点设计后，进而用于分析你所关注的内容的关键。
如何设计好你想要的数据。这是一个发散后再剪枝的基本功。
到这里为止，是曾经的草稿，我想写，但一直没有写完的内容。原本的内容挺丰富的，包含各类工具的炫技，现阶段我觉得不必要。因为工具和技巧，会结合下面分享的大模型心得。
02 LLM x 数据采集
通过上文的案例，你应该已清楚，采集数据是为了用以分析。数据从哪里来，数据到哪里去，如果「到哪里去」不清晰，那么哪里来就容易变得盲目。
我们这里从网络寻找一个产品设计原型图。
当你第一眼看到购买详情页，你会怎么思考它的埋点？
如果你还是一位数据分析的新人，不妨结合我上一篇的文章，学习和吸收后进行实践。接下来我们使用AI，我将尽量还原我的演示过程。
上述的Prompt，有分析经验的话稍加练习足够写出来，它是很具象化的数据分析/数据科学的know-how沉淀，我也没有用few-shot。接下来是LLM的输出：
通过截图，我们能看到LLM已经能够覆盖基本的采集场景。虽然有不够优秀的地方，比如item_action_click过于通用，share和favorite最好不要合并（毕竟产品逻辑可能会发生变化）。
但当前的模型智能已经能读懂产品逻辑，并识别页面上所有的元素，包括容易被忽略的搜索评论输入框，点击评论（蓝色可点击状态）进入到评论详情页的交互等。
如果你熟悉RAG活知识库，那么埋点的字段规范和参数规范可以进一步精确约束。
以上的案例，我使用的是Gemini 2.5 Flash，还不是更聪明的Pro版本。
接下来，我们再用一段新的Prompt，让它基于产品设计原型图，先思考分析逻辑，然后再展开数据链路的工作：业务逻辑-分析框架-数据指标-数据埋点-数据建设，这本身就是一个清晰的ToDo List。
接下来是输出结果（埋点的篇幅我就略过了，没有特别大的差异，多出了一个评论停留时长的计算）：
以上是分析目标、业务逻辑、量化因素、指标设计和建设的基本流程。这里暂时不对分析的好坏做评价，因为多轮对话可以修正逻辑。AI完成这类工作的效率已经足够快，原本半天的设计工作，可以大幅度压缩到分钟级完善。
本次演示，我没有用到复杂的Prompt/Tool，鉴于当前通用Agent如雨后春笋般冒出，我也不打算使用哪家来背书，仅仅是展示一下最基本的能力能够做到哪一步。
回想当年的课程内容花费了很多时间，现在有一半需要重构了，哈哈。
回到故事的第一个新用户引导案例，它是通过大量的行为数据推导得出的假设——女性用户在护肤场景需求是离散的，且初期的社区需要精细化的满足。现在的大模型或许难以完成这种梳理并提出优质假设，但如果你的假设足够 solid，那么后续的证明过程效率会提升几何倍呢？
我不想过于强调AI的优点或缺点，当它出现并且改变你的工作形式时，原有的初级-中级-高级-专家的学习范式就被改变了。即使埋点是重复性劳作，其背后的分析思路AI一时半会还学不会，但基础工作的生产力关系已经发生变化。
曾经在朋友圈看到一句话，在Flux和SD的文生图模型问世时，设计师朋友大感震撼，大家在设计峰会热烈讨论。然后实际情况是，100个设计师只有一半安装了ComfyUI，五分之一简单适用了ControlNet，最终只有两个人用Lora炼丹（然后kontext出来了）。
之前我写「七周」的时候，有人质疑，七周到底能不能学会？八年后的今天，纯粹使用工具的门槛已经大幅度降低，在human in the loop的模式下，你现在的学习需要几周？你又应该学习哪些？
产品PRD是最基本的业务单元，设想一下整个workflow的逻辑：输入PRD的文档（当前的上下文窗口足够理解），输出思路、指标、埋点、实验、ETL。每一个步骤可能只会做到80分，但是剩余的20分，又需要分析师花费多少时间呢？
这几年，我一直想着，是否将以前的公众号内容完善（不骗你）。既有新学习的心得和体会，也有完美主义的强迫症作祟。这下刚好，新的技术给了新的契机。
内容的更新，依旧是免费的分享。至于是否还需要教你Python、SQL和Excel和统计学？我认为是不必要的。
仔细想了想，如果你想锻炼量化/数据/分析的能力，那么往后可能是：
1.具备出色的设计数据workflow的能力，调度和统筹Agent，解决80%的标准场景。
2.AI Coding作为直接的生产力工具（我不会展开说第三方Agent，企业的数据是闭源的），解决20%的非标准化场景，基于Data的Coding会是主流。
3.提出优秀的业务逻辑和假设，证明和研究它。
作者 | 秦路 ; 编辑 | 荔枝