在移动互联网的早期还存在大量的流量红利，但随着流量增长、红利消退，同行激烈的竞争，使得获客成本飙升到难以承受的水平，业务增长缓慢甚至倒退。

在如此高成本、高竞争的环境下，通过互联网用户行为分析，可以实现精细化运营、从而提升用户体验与平台转化。

通过前面的系列文章，相信大家也已经认识到BI能够将存储于商业系统中的数据转换成有用的信息，能够融合线上线下的数据，且不限定分析场景，从而更好地指导决策。

从结果来说，线上的用户行为分析和BI都能帮助企业提升竞争力；从过程来说，BI能做数据分析，用户行为也是一种分析方法，那么，两者有什么区别呢？

小编将从概念、分析流程&数据来源、应用场景三方面为大家做个详细对比。

概念

什么是用户行为分析？

用户行为分析就是通过对这些数据进行统计分析，从中发现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、产品和运营中可能存在的问题，从而让产品获得更好的增长。

用户行为在分析中被定位为各种事件，例如用户搜索是一个事件，在什么时间、什么平台上，哪一个ID、做了搜索，搜索的内容是什么——这是一个完整的事件。基于此，分析师可以在网站或者APP上定义无数个这样的事件。

而通过这些事件就可以把用户的行为串联起来观察，例如用户首次进入网站后是一个新用户，通过浏览某些页面激发他进行注册，那么注册行为就是一个事件。注册填写信息之后的搜索，或者开始下单买东西，所有这些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？

BI主要是基于信息化时代，企业产生大量的业务数据，这些数据在不同的系统中或者存放在临时的Excel、CSV文件中，数据口径不一，需要前期花费大量时间进行数据处理。结合业务背景，BI通过分析模型能支持经营决策。核心是通过构建数据仓库平台，有效整合数据、组织数据，为分析决策提供支持并实现其价值。

BI的作用是对获取数据的多维度分析、数据的切片、数据的钻取分析等。通过ETL数据抽取、转化形成一个完整的数据仓库、然后对数据仓库的数据进行抽取，最后是商业智能的前端分析和展示。

用户行为分析是基于用户在网站、APP上留存的事件去掌握与分析用户从哪里来，进行了哪些操作，为什么流失，从哪里流失等固定的场景深度分析。

对于BI来说，会侧重于数据分析，是业务、数据、数据价值应用的过程，是一整套完整的解决方案，是一套复杂的信息系统，不局限于某一单一场景的分析。

分析流程&数据来源

就分析流程来说，线上的用户行为和BI分析都是定义问题，解决问题的过程，详细来说，一般是问题定义-问题分析-风险规避-改进措施，能够形成一个良性循环。

从数据的来源来说，用户行为数据通常利用写代码来详细描述事件和属性的方式，国内都统称为“埋点”。虽然非常耗费人力、过程非常繁琐重复，但是大部分互联网公司仍然雇佣了埋点团队。

现在市面上也有无埋点采集的成熟第三方供应商，通过前端自动采集全部事件并上报所有数据，但存在部分业务维度无法采集，无法进行深度的业务分析。

相比来说，BI的数据来源更加广泛，可以接入数据库数据、文件数据(例如Excel、CSV等)以及来自大数据平台的数据以及定制接入（例如TiDB，MaxCompute，AnalyticDB， Doris等），以及来自ERP、CRM、POS、WMS等多种业务系统的数据。

另一方面，不同的BI厂商能够支持接入的数据源会有所差异，BI系统一般不包含数据采集这一步骤。

应用场景

用户行为的分析场景

对于线上的用户行为分析来说，不得不说经典的AARRR模型，分别对应用户生命周期中的5个重要环节。

1、获取新用户(Acquisition)，是运营一款产品的第一步，推广人员需要分析产品特性和目标人群，需要在不同时期选择不同渠道进行推广。

常用指标：曝光率、点击率、累计新增、注册激活、主动活跃、交易活跃等。

2、提高活跃度(Activation)，在今日活跃的用户中，一部分是新增，另外绝大部分都是以往的留存用户，产品运营周期越长，新用户占比越少。影响活跃的因素主要由活跃构成和产品粘度两方面来进行。

常用指标：新用户数、老用户数、新老占比、日活、周活、月活等。

3、提高留存率(Retention)，通常维护一个老用户的成本要远远低于获取一个新用户的成本，分析出用户在哪里流失，为什么流失，才能有的放矢的解决问题。

常用指标：日/周/月留存率、用户LTV、流失率等。

4、获取收入(Revenue)，产品运营最核心的一块，产品无法实现商业化就难以持续运行与迭代。

常用指标：ARPU、ARPPU、新老用户的付费率等。

5、自传播(Refer)，病毒式传播是每个产品向往的推广方式，除了好的营销方式铺垫，更重要的还是要靠产品自身的品质。

常用指标：口碑指数、百度指数、网站PR值、搜索引擎收录数等。

BI的分析场景

用户行为分析的数据如果想要拿到BI上来分析，也是完全可以支持的。所以不管是AARRR模型，还是其他的数据分析模型，能够接入数据的前提下都可以在BI平台上来实现。

以连锁零售为例，可以从如图的八大场景来分析，涵盖了决策管理层、区域负责人、一线员工等多种角色的看数需求。

数据是基础，场景分析只是手段。从BI分析来说，想要实现业务经验、数据真正赋能与业务部门，需要的前提是：

一、打通企业各个业务系统的数据源，实现数据的互通互融。包括数据接入、数据清洗等前期准备过程。可视化拖拽式的数据流处理过程；数据清洗能够实现实时预览、实时保存；数据流实现自动更新，结合观远的Smart ETL这些操作可以轻松实现。

二、基于完整的数据源构建统一的数据分析平台。通过观远数据指标体系落地方法论，基于公司总体战略目标，来构建“以终为始”的业务指标体系，从而快速实现BI系统和业务系统的对接。

三、根据已沉淀积累的分析实践，再结合客户实际的业务需求来构建数据分析场景。比如说，商品运营层面上进行动销监控、畅滞销分析、全景库存分析等，真正将专家经验固化成数据资产。

小结

大家可以把数据当做食材来理解用户行为分析和BI这两者的关系：

有人喜欢吃米饭，有人喜欢吃面，有人吃粤菜，有人喜欢吃鲁菜，众口难调的“饮食习惯”可以由BI平台根据不同的需求来管控；而至于具体怎么做这道菜，要根据菜系食材质量以及客户要求来选择，用户行为分析是其中一种通用的做法。

这就是BI和用户行为的区别，BI侧重洞察和分析，贯穿业务需求，助力企业经营分析，是个横向体系，而用户行为分析可以从数据采集到分析，是在数据分析范围中的垂直体系。

在实际选品过程中，大家也需要结合公司现状来选择。一般来说泛互联网公司前期需要用户行为分析，它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、用户行为路径等数据价值，帮助企业用数据驱动业务增长。

但随着业务的快速发展，如果单一的用户分析已经难以满足日趋多样化的业务需求，可以配合使用BI平台来进行多场景多维度的数据分析。