用 AI 做用户行为路径分析：实用方法

「用户到底是怎么用我们产品的？」这个问题的答案，经常和设计时想的不一样。用户行为路径分析要解决的，就是把「我以为」换成「数据显示」。大模型在这件事里的位置很明确：替你归纳路径模式、指出异常走向、提出待验证的假设。它不解释因果——「为什么流失」永远需要实验和访谈来回答。

路径数据到底看什么

先看主路径：多数用户实际走的流程是什么。和设计时想象的「标准流程」比，用户真实的走法往往只覆盖一部分，剩下的人各有各的路线。主路径的价值是给优化找基准线——改动之后，走主路径的人变多了还是变少了。

接着看流失点：在哪一步掉得最多。流失要连着上下文看：上一步是什么、这一步要求用户做什么。同样三成的流失，发生在「要填八个字段的注册页」和「商品详情页」，含义完全不同。

再看绕行：用户有没有「不按设计走」的行为。绕行经常是需求信号——大家都在搜索框里搜同一个词，说明导航里没有这个入口。

最后看回退：哪些步骤用户会反复返回。反复回退通常意味着上一步没给够信息，用户得退回去重新确认。

四层合起来是一个判断：路径数据回答「发生了什么」，回答不了「为什么」。后者是假设的来源，也是实验的起点。

一张表对齐四种观察

这张表的用法是：分析前先确认四层数据各自有没有，缺哪一层，结论就缺哪一块。只有流失数据没有流向数据，所谓的「主路径」只是推测。

提示词怎么写，输出怎么验收

把路径数据摘要粘贴给大模型时，可以这样说：这是我的用户路径数据摘要，包含各步骤的进入人数、流失人数、平均停留时长。请归纳出 3-5 种典型路径模式；指出流失最集中的环节；针对每个流失点提出 3 个可能的原因假设；并说明验证这些假设分别需要什么数据。

输出验收有三条标准。标准一，每种模式能用一句话向同事复述，复述不出来的是归纳没做透。标准二，每个流失点有数据支撑，而不是它凭印象指的。标准三，每条假设都配了验证方式——只给假设不给验证路径的，离采信还远。把分析结论写成报告时，把数据组织成结论的写法可以直接借用。

三个最容易犯的错

把相关当因果。「用户看了 A 页面就买了」不代表 A 页面促成了购买，也可能是有购买意愿的人才会点进 A 页面。因果要么用实验分离，要么用访谈确认，路径数据本身给不了。

只看平均。平均停留 3 分钟，可能是一半人 10 秒就走、另一半人泡了 6 分钟。平均数会把「一小部分人严重流失」的事实抹平，看分布比看均值信息量大得多。

忽略样本量。一天两百个访问得出的「模式」，可能只是某个晚上的偶然波动。样本量不够时，先扩时间窗，别急着下结论。样本多大算够，取决于步骤本身的量级，以相邻步骤人数可比为准。

这三个错误的共同解药是同一句话：先问「数据支持到什么程度」，再问「所以呢」。归因思路和把售后数据按原因归因的方法相通——都是先分层、再找重复出现的模式，而不是抓单个案例。

它做不到的部分

它给不出因果，只给假设。它也不知道你的数据是怎么采集的：埋点漏了一步、口径前后改过、采样只覆盖了部分渠道，这些它都不知情，错误会顺着分析被放大。所以拿到归纳结果，先抽查原始数据对不对得上。

另一条边界是时效。用户行为随版本、活动、季节变化，三个月前的路径模式到今天可能已经失效。固定周期的把周期性数据汇总成复盘比一次性分析更有用——路径分析的价值在趋势，不在快照。

还有一类它碰不到：没被记录的行为。用户离开产品后的决策、打电话问客服的原因、跟朋友聊起的吐槽，这些不在路径数据里，却常常是流失的真正原因。补上它们靠用研和客服记录，不靠分析工具。

路径分析速查

• 四层数据：主路径、流失点、绕行、回退，缺一层结论缺一块
• AI 的产出是假设，每条假设必须配验证方式
• 看分布，不看平均；先扩样本，再下结论
• 相关不等于因果，因果靠实验和访谈
• 分析结果定期更新，快照会过期

三个常被追问的问题

• 工具里的「漏斗分析」和路径分析有什么区别？：漏斗是假设你已知流程，逐层算转化；路径是不知道用户怎么走，从数据里发现走法。先有路径后有漏斗，顺序反了会漏掉设计外的走法。
• AI 归纳的模式互相重叠怎么办？：要求它给出每个模式的判定条件和覆盖人数，重叠的部分合并，覆盖人数太小的模式直接丢弃。判据清晰的模式才能拿去用。
• 多端数据要合在一起看吗？：先分开看，再找跨端的断点。很多流失发生在「手机上浏览、电脑上下单」的切换处，合在一起看会被平均掉。