PostHog行为分析实战

以下展示的实战案例包括：用户行为方面，转化方面，渠道跟踪，广告跟踪，留存分析 等等

posthog面板分析功能示意图：

基本漏斗分析：

漏斗分析（Funnel Analysis）是一种数据分析方法，用于理解和优化用户行为流程。这种方法的核心思想是，通过一系列有序的步骤，将用户从进入某个流程（如购买流程、注册流程等）开始，直到完成最终目标（如购买商品、完成注册等）为止的行为路径进行可视化展示和分析。PostHog可以轻易的使用事件的漏斗分析功能：

数据API的使用：

PostHog可以轻易直接利用sql查询需求数据，如下：

https://posthog.com/docs/api/experiments#get-api-projects-project_id-experiments

参考： https://posthog.com/docs/hogql

本地如何安装posthog：

是基于docker, 命令， 直接执行：

Sudo /bin/bash -c “$(curl -fsSL

https://raw.githubusercontent.com/posthog/posthog/HEAD/bin/deploy-hobby)”

按提示 填写域名等， 等15分钟则可以安装完成。

安装后：

终止运行：To stop the stack run ‘docker-compose stop’

启动运行：To start the stack again run ‘docker-compose start’

数据概览Dashboard：

数据概览通常指的是对一组数据进行快速的、高层次的分析，以便了解数据的基本情况和关键特征。这可能包括数据的总量、分布、趋势、异常值、相关性等。PostHog数据概览，就是把自定义分析的结果，钉在面板上，方便查看。

录屏功能:

录屏功能是一种捕捉用户使用网站的浏览器屏幕上的活动并将其保存为视频文件的功能，这项功能在多个场景下都非常有用。如下是PostHog的用户行为录屏功能：

转化分析：

转化分析是一种数据分析方法，旨在衡量和优化用户在特定路径上从开始到完成期望行为（如购买、注册、下载等）的转化过程。转化分析对于理解用户行为、提高转化率、优化用户体验和提升业务成果至关重要。PostHog里面是轻松实现各种转化分析：

社媒分析：

社交媒体平台（如Facebook、Twitter、Instagram、LinkedIn等），社交媒体分析（Social Media Analytics）是一种利用数据分析技术来理解来源于不同社交媒体上用户行为、趋势、互动和内容表现的方法。它帮助企业和个人从海量的社交媒体数据中提取有价值的洞察，以便更好地制定营销策略、提升品牌影响力、优化客户服务和提高用户参与度。以下展示PostHog轻易的基于数据来源分析社交媒体：

基于用户属性的维度分析：

基于用户属性的维度分析是一种市场分析方法，它侧重于研究和理解用户群体的不同特征，如年龄、性别、地理位置、职业、教育水平、收入水平、消费习惯等。这种分析有助于企业更好地定位目标市场，制定个性化的营销策略，以及优化产品和服务。PostHog的每一个行为事件自带着丰富的用户信息，非常方便的基于用户属性进行分析：

搜索分析：

搜索分析是一种分析方法，它专注于研究用户在网站搜索中输入的查询（即搜索词或关键词）以及这些查询背后的意图。这种分析对于商品优化，搜索 优化 、关键词研究、内容营销、用户体验优化和广告策略制定等方面至关重要。PostHog也是轻松实现搜索分析的各种功能：

用户的活跃分析：

用户活跃分析是衡量用户与产品或服务互动频率和深度的重要方法。这种分析有助于企业了解用户参与度，优化用户体验，提高用户留存率，并制定有效的用户增长策略。PostHog有多种分析工具来实现用户活跃分析：

1. 活跃用户（Active Users, DAU/MAU）：DAU（Daily Active Users）指的是日活跃用户数，MAU（Monthly Active Users）指的是月活跃用户数。这些指标反映了在特定时间内使用产品或服务的用户数量。
2. 用户活跃度：这可以通过用户的登录频率、使用时长、页面浏览量、功能使用情况等来衡量。例如，用户每天登录应用的次数、每次使用的应用时长、浏览的页面数量等。
3. 用户留存率：衡量用户在一段时间内返回使用产品或服务的比例。例如，第一天注册的用户中，有多少在第7天、第30天仍然活跃。
4. 用户参与度：用户与产品互动的深度，如用户在应用内完成任务的数量、参与活动的次数、分享内容的行为等。
5. 用户生命周期价值（LTV）：预测用户在整个使用周期内为产品带来的总收益。
6. 用户流失率：在一定时间内，停止使用产品的用户比例。
7. 回流用户：曾经流失但后来又重新激活的用户。

留存分析：

留存分析（Retention Analysis）是衡量用户在初次使用产品或服务后，继续使用并保持活跃度的过程。留存分析对于评估用户忠诚度、产品吸引力以及用户生命周期价值（LTV）至关重要。例如利用Posthog分析留存率，用户流失，用户生命周期，用户细分，留存曲线等等：

分布分析的使用：

分布分析可以帮助数据分析师、研究人员和决策者理解数据的内在结构，为进一步的数据分析和决策提供基础。例如，在市场研究中，分布分析可以帮助了解消费者行为的多样性；在质量控制中，分布分析可以用来检测生产过程中的异常。PostHog是轻松的利用breakdown by来实现分布分析：

问题异常页面分析：

问题异常页面分析通常指的是对网站或应用程序中出现异常行为的页面进行深入分析，以确定问题的原因并提出解决方案。这在网站运营、用户体验优化和系统维护中非常重要。PostHog和其他主流分析工具一样，利用了Rageclick来分析异常用户行为：

用户访问来源分析：（Ref分析）

通过用户访问来源分析，企业可以更有效地分配资源，提高广告和营销活动的ROI（投资回报率），并确保用户体验的持续改进。PostHog利用Referring也是轻松分析用户访问来源：

用户行为地图分析：

用户行为地图分析可以帮助企业或组织了解用户群体的地理分布，从而为市场定位、资源分配、用户增长策略等提供依据。PostHog自带完整的用户地理属性，方便进一步用户行为地图分析：

汇总指标分析：

通过汇总指标分析，企业可以更有效地监控业务表现，发现问题，抓住机遇，并做出更加明智的战略决策。这种分析有助于决策者理解整体趋势、性能和效率，以及识别关键的业务驱动因素。PostHog如下使用汇总指标分析：

勾选对比选项：

转化率分析：

转化率分析是一种关键的数据分析方法，它专注于衡量用户在特定目标上的表现，例如在电子商务网站中完成购买、在应用程序中注册账户或在网站上填写表单等。转化率分析的目的是了解用户行为，优化用户体验，并提高用户完成期望行为的概率。PostHog里面的funnels功能很好的达到转化分析：

改变转化率的展示形式：

Posthog里面有多种展示转化率的可视化分析，例如如下展示历史转化率的情况：

复购率分析：

复购率分析是衡量客户忠诚度和产品吸引力的重要指标，它反映了用户在首次购买后再次购买产品或服务的频率。高复购率通常意味着客户满意度高、产品或服务有持续吸引力，以及有效的客户保留策略。PostHog里面利用Retention功能来分析复购等功能：

用户路径分析：

用户路径分析（User Path Analysis）是一种分析用户在网站或应用中的行为模式的方法，它关注用户从进入平台到离开的整个流程。这种分析有助于了解用户的行为路径，识别用户行为中的瓶颈和优化点，从而提升用户体验和转化率。

PostHog也是利用Paths功能达到用户路径分析，非常容易：

数据格式显示调整：

Posthog可以调整展示的数据格式：

正则的使用：

当遇到比较复杂的分析情况，可以利用PostHog的正则模式，

https://posthog.com/tutorials/regex-basics

组合新事件分析：

在PostHog中，事件是可以组合变成新的事件，这样可以更好的分析一些特殊情况。

例如， 加购动作 = buy_it_now + add_to_cart

流失分析：

用户流失分析是一种旨在了解用户为何停止使用产品或服务并采取措施减少流失的分析方法。这种分析对于提高用户留存率、优化用户体验和增加用户生命周期价值至关重要。以下展示PostHog的用户流失分析：

数据仓库功能：

数据仓库整合了来自不同源的数据，消除了数据冗余，确保数据的一致性和完整性。一旦数据被加载到数据仓库中，它通常不会频繁更改。数据仓库主要关注历史数据，而不是实时数据。利用PostHog的数据仓库功能，可以关联外部数据，增强分析功能：

参考：https://posthog.com/docs/data-warehouse/setup

用户分群：

用户分群是一种数据分析方法，它将用户根据特定的特征或行为模式划分为不同的群体，以便更有效地进行个性化的营销、服务和产品开发。用户分群可以帮助企业更好地理解其客户基础，提高用户满意度和忠诚度，以及优化资源分配。PostHog中是利用cohort功能来用户分群，基于行为特征来建立具体不同群体。

例子： （30天访问2次+） 的用户，建立分群：

定义活跃用户：

活跃用户（Active Users）是衡量产品或服务用户参与度的关键指标之一。它通常指的是在特定时间段内（如一天、一周、一个月）至少进行了一次特定行为（如登录、浏览、互动等）的用户。活跃用户的概念对于理解用户行为、评估产品健康度以及制定增长策略至关重要。以下展示posthog定义活跃用户的方法：

ab测试/AB test:

A/B测试（也称为拆分测试或桶测试）是一种在线实验方法，用于比较两个或多个版本的网页、应用界面、营销邮件或其他用户体验元素的效果。这种测试的目的是确定哪个版本在特定指标上表现更好，例如转化率、点击率、用户留存率等。Posthog带有强大的ab test 功能：

第一步， 后台设置ab test，分流的情况:

第二步， 前端使用ab test:

公式的分析功能:

PostHog有公式的分析功能，如下展示功能，

例如，用户的平均行为： （公式功能的利用）

新用户的跳出率：

跳出率（Bounce Rate）是衡量网站用户体验和内容吸引力的一个重要指标。它表示访问者在访问网站后，只浏览了一个页面（通常是入口页面）就离开的会话占总会话的比例。跳出率高通常意味着用户没有在网站上找到他们想要的信息或者网站没有提供足够的吸引力让他们继续浏览。以下展示PostHog怎样分析跳出率：

注意，跳出率：这里使用了谷歌的定义， 10秒内离开就是跳出。

参考：https://posthog.com/tutorials/bounce-rate

新老用户的用户分群：

新老用户的用户分群是一种基于用户行为和使用历史的数据分析方法，它将用户分为新用户和老用户两个群体，以便更有效地针对不同用户群体制定营销策略和服务优化。以下利用PostHog的用户分群功能实现：

新用户：（new user)

老用户： （not new user)

定义活跃用户：

活跃用户（Active Users）是指在特定时间段内与产品或服务进行互动的用户。这个定义可以根据不同的业务需求和分析目的进行调整，但通常包括以下几个关键要素：

1. 时间段：活跃用户的定义通常与一个特定的时间段相关联，如日活跃用户（DAU）、周活跃用户（WAU）或月活跃用户（MAU）。这些指标分别表示在一天、一周或一个月内至少使用过产品或服务一次的用户。
2. 互动行为：活跃用户的定义还涉及用户的具体行为。例如，对于社交媒体平台，活跃用户可能是那些发表帖子、评论或点赞的用户；对于电子商务网站，可能是那些浏览商品、添加商品到购物车或完成购买的用户。

以下利用PostHog的用户分群功能实现定义活跃用户：

活跃用户 日活/月活/周活：

以下利用PostHog的 事件活跃分析 （日活/月活/周活）：

平均使用时长分析：

平均使用时长（Average Time Spent）是一个衡量用户在特定应用或网站上花费时间的指标，它可以帮助开发者和运营团队了解用户对产品的参与度和兴趣。这个指标通常用于分析用户行为，优化用户体验，以及评估内容的吸引力。PostHog利用了用户的session记录使用时长：

多维度的group by分析:

多维度的GROUP BY分析是一种在数据分析中常用的技术，它允许用户根据多个字段（维度）对数据进行分组，并计算每个分组的聚合值（如求和、平均、计数等）。这种分析方法在数据仓库和商业智能（BI）领域尤为重要，因为它可以帮助分析师深入理解数据的复杂结构和模式。

在PostHog的breakdown栏 填写类似这样的格式则可以多维度的group by分析：

转化归因：

转化归因（Attribution）是数字营销中的一个概念，它指的是将用户在完成某个转化动作（如购买、注册、下载等）时，将这个转化归功于哪个营销渠道或广告活动。转化归因对于理解不同营销渠道的效果、优化广告预算分配、提高营销效率至关重要。

在多渠道营销环境中，用户可能通过多个触点（touchpoints）与品牌互动，每个触点都可能对最终的转化产生影响。转化归因模型（Attribution Model）就是用来确定这些触点中哪些对转化贡献最大，以便更准确地衡量每个渠道的价值。

以下展示PostHog是怎样实现转化归因：

可视化埋点：

可视化埋点是一种用户行为分析工具，它允许产品经理、运营人员或分析师在不编写代码的情况下，通过图形界面直接在应用或网页上选择和定义需要追踪的用户行为事件。这种技术简化了数据采集过程，降低了技术门槛，使得非技术背景的人员也能够轻松进行用户行为分析。以下展示PostHog的可视化埋点，热力图等功能：

利用SQL的分析: （sql自定义查询）

sql数据探索方法：

• 使用SELECT语句对数据进行初步探索，了解数据的基本分布和特征。
• 创建视图（View）来简化复杂的查询，便于后续分析。

在PostHog中非常方便的SQL调用数据：

这里展示一个SQL例子，计算页面停留时间：

参考： https://posthog.com/tutorials/time-on-page