אנליטיקס התנהגותי הוא הפרקטיקה של איסוף, עיבוד וניתוח נתונים על האופן שבו משתמשים מקיימים אינטראקציה עם אתר, אפליקציה או מוצר, תוך התמקדות ברצף הפעולות שהם מבצעים, כגון קליקים, גלילות, הקשות, מילוי טפסים, שימוש בתכונות ונתיבי ניווט, ולא רק בתוצאות מצטברות כמו סך הביקורים או ההמרות. בעוד שאנליטיקס אתרים מסורתי עונה על שאלות כמו כמה אנשים ביקרו בדף, אנליטיקס התנהגותי עונה על שאלות כמו מה עשו כשהגיעו, באיזה סדר, היכן היססו ובאיזו נקודה נטשו משימה. שיטות איסוף הנתונים הנפוצות כוללות מעקב אירועים שמיושם באמצעות כלים כמו Google Analytics 4, Mixpanel או Amplitude, כלי הקלטת סשנים ומפות חום כגון Hotjar, Microsoft Clarity או FullStory, וניתוח משפכים שממפה את הנתיב שלב אחר שלב שהמשתמשים עוברים לקראת יעד מוגדר.
אנליטיקס התנהגותי חשוב משום שמדדים מצטברים בלבד נכשלים לעיתים קרובות בהסבר מדוע תוצאה מסוימת התרחשה; דף תשלום עשוי להציג שיעור נטישה של 40 אחוז, אך רק בבחינת הקלטות סשן או מפות קליקים יכול צוות לגלות שמשתמשים לוחצים שוב ושוב על הערכת עלות משלוח שאינה אינטראקטיבית ומצפים שתתרחב, או נוטשים ברגע שמופיע שדה חובה ליצירת חשבון. הנראות המפורטת הזו חשובה במיוחד לזיהוי חיכוך שלעולם לא יעלה בסקרים או במשוב ישיר מלקוחות, שכן רוב המשתמשים אינם מבחינים במודע באינטראקציה הספציפית שגרמה לתסכולם ואינם מדווחים עליה, הם פשוט עוזבים.
מערך אנליטיקס התנהגותי בשל מגדיר בדרך כלל מראש טקסונומיה של אירועים ומאפיינים, למשל מעקב לא רק אחר add_to_cart כאירוע אלא גם צירוף מאפיינים כמו קטגוריית מוצר, מחיר והאם הוחל קוד הנחה, מה שמאפשר לאנליסטים לפלח את ההתנהגות בפירוט במקום לעבוד עם זרם בלתי מובחן של קליקים גולמיים. כלי הצגת משפכים חושפים אז את שיעורי הנטישה בכל שלב בתהליך מוגדר, כמו תהליך תשלום בחמישה שלבים, ואילו ניתוח נתיבים ודיאגרמות זרימת משתמשים חושפים את המסלולים הבלתי מתוכננים שמבקרים עוברים כשהם סוטים מהמסע המיועד, ולעיתים קרובות מגלים בעיות ניווט שלא נראו בעיצוב המקורי.
טעות נפוצה היא איסוף נפחים גדולים של נתוני אירועים התנהגותיים ללא שאלה אנליטית ברורה, מה שמוביל ללוחות מחוונים מלאים במדדים שאיש אינו פועל על פיהם, מה שמכונה לעיתים vanity instrumentation. מכשול שכיח נוסף קשור לפרטיות ולממשל נתונים: כלי הקלטת סשנים עלולים ללכוד בטעות מידע רגיש שמוקלד בטפסים, כגון סיסמאות או פרטי תשלום, אם מיסוך השדות אינו מוגדר כראוי, מה שיוצר גם סיכון ציות לפי תקנות כמו GDPR וגם חובה אתית אמיתית לטפל בנתוני התנהגות משתמשים באחריות, כולל הסרת זהות ממידע המאפשר זיהוי אישי וכיבוד העדפות הסכמה ובאנרי עוגיות.
עבור חברת ייעוץ CRO או UX, אנליטיקס התנהגותי מהווה את הבסיס האמפירי לגיבוש השערות, שכן דפוסים שנצפים בהתנהגות משתמשים אמיתית, כמו נתח גדול של מבקרים שפותחים וסוגרים שוב ושוב גלריית תמונות של מוצר בלי לגלול אל התיאור, מצביעים ישירות על שיפורים שניתן לבדוק. אנשי המקצוע משלבים בדרך כלל נתונים התנהגותיים עם מחקר איכותני, כגון ראיונות משתמשים או סשנים של בדיקות שימושיות, שכן נתונים התנהגותיים חושפים מה המשתמשים עשו אך רק לעיתים נדירות מסבירים מדוע, והשילוב בין השניים מניב השערות שגם מעוגנות בדפוסי אינטראקציה אמיתיים וגם מובנות מספיק כדי לתכנן סביבן ניסוי או עיצוב מחדש אפקטיביים.
