在移动互联网的早期，流量红利还是很多的，但随着流量的增加、红利的消退以及同行之间的激烈竞争，获取客户的成本飙升到了难以承受的程度，业务增长缓慢甚至倒退。

在这样一个高成本、高竞争的环境下，通过对网民行为的分析，可以实现精细化运营，从而提升用户体验和平台转化。

通过前面的一系列文章，相信大家都已经意识到BI可以将商业系统中存储的数据转化为有用的信息，并且可以在不限制分析场景的情况下融合线上线下的数据，从而更好地指导决策。

从结果来看，在线用户行为分析和BI可以帮助企业提高竞争力；流程方面，BI可以做数据分析，用户行为也是一种分析方法。那么，它们之间有什么区别呢？

边肖将从概念、分析流程数据源、应用场景三个方面给大家详细对比。

概念

什么是用户行为分析？

用户行为分析是通过对这些数据进行统计分析，找出用户使用产品的规律，并将这些规律与网站的营销策略、产品功能、运营策略相结合，发现营销、产品、运营中可能存在的问题，从而使产品更好地成长。

用户行为在分析中定位为各种事件，比如用户搜索是一个事件，在什么时间，什么平台，哪个ID，搜索的内容是什么，这就是一个完整的事件。基于此，分析师可以在网站或应用程序上定义无数这样的事件。

通过这些事件，可以连续观察用户的行为。比如用户第一次进入网站后，是新用户，通过浏览一些页面鼓励注册，那么注册行为就是一个事件。注册填写信息后搜索，或者开始下单买东西，都是用户行为的事件，可以作为用户行为分析的内容。

什么是BI？

商业智能主要基于信息时代。企业产生大量的业务数据，这些数据存储在不同的系统或临时的Excel和CSV文件中，数据口径不同，需要在前期花费大量的时间进行数据处理。结合业务背景，BI可以通过分析模型支持业务决策。核心是搭建数据仓库平台，有效整合组织数据，为分析决策提供支持，实现其价值。

BI的功能是对采集的数据进行多维度分析，切片、钻孔和分析。通过ETL数据的提取和转换，形成一个完整的数据仓库，然后提取数据仓库的数据，最后进行商业智能的前端分析和展示。

用户行为分析是根据用户在网站和应用上留下的事件，来把握和分析用户来自哪里，做了哪些操作，为什么会输，输在哪里等等。

对于BI来说，它将侧重于数据分析，数据分析是业务、数据和数据价值应用的过程，是一套完整的解决方案和一个复杂的信息系统，不局限于单一场景的分析。

分析过程数据源

就分析过程而言，在线用户行为和BI分析是定义和解决问题的过程。具体来说，一般是问题定义-问题分析-风险规避-改进措施，可以形成良性循环。

从数据来源来看，用户行为数据通常通过编写代码来详细描述事件和属性，在国内被称为“埋点”。虽然劳动强度很大，过程繁琐重复，但大多数互联网公司还是雇佣了埋没团队。

目前已经有成熟的第三方供应商通过前端自动收集所有事件并上报所有数据，但有些业务维度无法收集，无法进行深入的业务分析。

相比之下，BI的数据源更为广泛，可以访问数据库数据、文件数据(如Excel、CSV等)。)，来自大数据平台的数据，定制访问(如TiDB、MaxCompute、AnalyticDB、Doris等。)，以及来自ERp、CRM、pOS、WMS等业务系统的数据。

另一方面，不同的BI厂商可以支持不同的数据源，BI系统一般不包括数据采集的步骤。

应用场景

用户行为分析场景

对于在线用户行为分析，不得不说经典的AARRR模型对应了用户生命周期中的五个重要环节。

1.收购是经营产品的第一步。促销员需要分析产品特点和目标群体，在不同的时间选择不同的推广渠道。

常用指标：曝光率、点击率、累计加成、注册激活、活跃和主动交易等。

2.为了提高激活度，日活新增了部分用户，大部分是过去的留存用户。产品运营周期越长，新用户占比越少。影响活性的因素主要是活性组分和产品粘度。

常用指标：新用户数、老用户数、新老用户比例、日活， 周活， 月活，等。

3.为了提高保留率，维护老用户的成本通常比获得新用户的成本低得多。只有分析用户流失的地点和原因，才能有针对性地解决问题。

常用指标：日/weekly/monthly留存率、用户LTV、损失率等。

4.营收是产品运营的核心部分，如果不能商业化，产品很难持续运营和迭代。

常用指标：ARpU、ARpU、新老用户付费率等。

5.推荐、病毒传播是每个产品都向往的推广方式。除了为好的营销方法铺平道路，更重要的是依靠产品本身的质量。

常用指标：口碑指数、百度指数、网站pR值、搜索引擎条目数等。

商业智能的分析场景

如果想把用户行为分析的数据拿到BI上进行分析，完全可以支持。因此，AARRR模型和其他数据分析模型都可以在访问数据的前提下在BI平台上实现。

以连锁零售为例，可以从图中所示的八个场景进行分析，涵盖了决策管理、区域领导、一线员工等多个角色的需求。

数据是基础，情景分析只是手段。从商业智能分析的角度来看，为了真正赋予业务部门业务经验和数据，先决条件是：

一是打通企业各业务系统的数据源，实现数据的互通互融。包括数据访问、数据清理等准备过程。可视化拖放数据流处理过程；数据清理可以实现实时预览和实时存储；结合观远的SmartETL可以很容易地实现数据流的自动更新

第二，构建基于完整数据源的统一数据分析平台。基于公司整体战略目标，通过观远数据指标体系落地方法论，构建“以终为始”的业务指标体系，快速实现BI系统与业务系统的对接。

三是根据积累的分析实践，结合客户的实际业务需求构建数据分析场景。比如在商品运营层面，移动销售监控、慢速销售分析、全景库存分析真正将专家经验固化为数据资产。

摘要

您可以使用数据作为理解用户行为分析和商业智能之间关系的要素：

有人喜欢吃米饭，有人喜欢吃面条，有人喜欢吃广东菜，还有人喜欢吃鲁菜。难以调整的“饮食习惯”可以由BI平台根据不同需求进行控制；至于这道菜怎么做，要根据菜的质量和顾客的要求来选择，用户行为分析是常用的方法之一。

这就是BI和用户行为的区别。BI注重洞察和分析，贯穿业务需求，帮助企业管理分析，这是一个横向系统，而用户行为分析可以是从数据采集到分析的数据分析范围内的纵向系统。

在实际的产品选择过程中，我们还需要结合公司的现状来进行选择。一般来说，泛互联网公司前期需要用户行为分析，这确实是企业精细化运营和数据驱动的得力助手。通过挖掘用户留存、用户画像和用户行为路径的数据价值，帮助企业用数据驱动业务增长。

但是随着业务的快速发展，如果单一的用户分析已经不能满足多元化的业务需求，日， BI平台可以进行多场景、多维度的数据分析。