数据分析常用模型

1、事件分析模型

1）什么是行为事件分析？

事件指的是用户操作产品的一个行为，即用户在产品内做了什么事情，转义成描述性语言就是“操作+对象”。

事件分析是对用户行为事件的指标进行统计、维度细分、筛选等分析操作，是用户行为数据分析的核心，也是是漏斗模型、用户留存分析模型、用户行为路径分析模型的基础。

在日常工作中，市场、运营、产品根据其KPI的不同而关注不同的事件指标，在指标洞察分析的过程中，行为事件分析就会起到重要作用。

事件分析能解决什么问题：

• 产品和运营同学如何才能对网站每天的 PV、UV、DAU 等总体数据有一个直观的把握，包括它们的数值以及趋势？（最近三个月来自哪个渠道的用户注册量最高？变化趋势如何？）
• 面对复杂的数据，单从数字来看，不仅效率低下，而且难以直观的发现数据背后所展现的趋势，应该怎么办？
• 如各时段的人均购买金额是分别多少？上周来自北京发生过购买行为的独立用户数，按照年龄段的分布情况？
• 当做了第三方付费渠道推广后，运营同学如何才能有效比较不同渠道带来的流量？

2、漏斗分析

漏斗分析是一套流程式的数据分析模型，通过将用户行为从起点到终点的各个行为节点作为分析模型节点，并衡量每个节点的转化效果，从而了解用户各节点的转化率情况，是转化分析的重要工具，漏斗分析模型已广泛应用于流量监控、产品目标转化、注册转化、下单转化等日常数据运营工作中。

通过观察不同属性的用户群体（如新注册用户与老客户、不同渠道来源的客户）各环节转化率和转化率的差异对比，可以快速了解转化率最高和最低的用户群体与节点，并针对转化率异常环节进行调整优化。

使用漏斗分析注意事项：

• 重点关注两点：一是哪一步流失最多，二是流失的人都有哪些行为（关注流程的每一个步骤，可以有效定位高损耗节点，结合用户行为路径模型进行分析）。

• 在定位到问题点之后，需要进行深入拆解分析，此时可能会涉及到归因分析（要做到科学归因、属性关联原则）

3、留存分析

一般我们讲的留存率，是指目标用户在一段时间内回到网站/App 中完成某个行为的比例。

留存分析模型是一种用来分析用户参与情况/活跃度的分析模型，用来分析用户在留下来、持续使用产品的情况，是衡量产品对用户吸引力的重要分析方法。

随着用户红利的消失、市场饱和度上升，获客成本也一直在增加，留存率就越来越重要了，只有做好了留存，才能保障新用户在注册后不会白白流失，才能降低整体的获客成本。

常见的指标有次日留存率、七日留存率、次周留存率、月留存率等（计算留存率时记得要做去重处理）。

留存率计算的方式：

• N-day留存：即第几日留存，只计算第N天完成回访行为的用户
• Unbounded留存（N天内留存）：留存会累计计算N天内所有完成过回访行为的用户。
• Bracket留存（自定义观察期留存）：N-day留存和Unbounded留存都是按照独立的天/周/月为观察单位计算，但有时候我们不希望受限于这种固定时间度量，我们希望划分为几个观察期：

4、归因分析

归因分析的作用是帮我们找出一件事件发生的主要原因是什么，根据对业务流程进行拆解，并结合业务的性质，去确定在整个流程中影响当前事件/指标的主要因素。

常见的归因分析方法有：

• 线性归因：认为每个“待归因事件”平均分配此次功劳，适合坑位效果比较平均的产品
• 首次归因： 第一个触点给用户建立了认知，与用户形成了连接，适用于强流量依赖的业务场景，拉人比后续所有事都重要；
• 末次归因：把贡献归结到用户最后一次接触到的产品界面或功能、按钮，常用于电商业务的站内归因的计算；
• 递减归因：适用于转化路径比较长，非目标事件（不是最终事件）差异不大的，没有哪一步起到一个完全主导的作用；
• 位置归因：对特定触点指定相应的权重；

具体可以根据自己业务的实际情况，选择相应的归因模型。

凡是有成交、充值环节的业务，都可以通过归因分析来帮助我们在众多的营销触点当中，找到最有效、对用户认知影响最明显的一个或几个触点，以此来指导我们在后续的站内资源位分配时，给不同的业务分配最适合的资源位。

5、分布分析（单维用条形图、柱状图，多维用散点图）

分布分析是用户在特定指标下的频次、总额等的归类展现，主要用来了解不同区间事件发生频次，不同事件计算变量加和，以及不同页面浏览时长等区间的用户数量分布。

主要有频次分布、数量分布、时间分布、地区分布、年龄分布、金额分布等等。

通过对用户各维度的分布分析，可以更好的挖掘用户的分布规律、优化产品策略，快速识别核心的用户群体，提高资源配置效率。

6、用户路劲分析（用户行为序列）

用户路径分析是用户在APP或网站中的访问行为路径。

为了衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，时常要对访问路径转换为数据进行分析。

用户路径的分析结果通常以桑基图形式展现，以目标事件为起点／终点，详细查看后续／前置路径，可以详细查看某个节点事件的流向。

以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交叉反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或者期望中的路径。

某电商：“未支付订单”超过30分钟自动取消，刺激用户支付

除了零售行业以外，用户行为路径在电商行业分析也应用广泛。某电商网站客户通过用户路径分析，看出有两条主要的路径：（神策数据文章例子）

• 一是启动App-搜索商品-提交订单-支付订单；
• 二是启动App-未支付订单-搜索相似商品-取消订单。

通过第一条用户路径相关数值显示，客户提交订单后，大约75%的用户会支付，而高达25%的用户没有支付订单；第二条用户路径显然是一条有明确目的——为未最终敲定的商品而来的用户，因为在打开app后直奔“未支付订单”，但是路径中显示此用户再次“搜索相似商品”，这一行为可以判断客户可能存在比价行为，表明价格一定程度上影响了这部分用户的支付欲望，这是一批“价格导向”的客户。

对此，该电商运营人员采取针对性措施：

1. “未支付订单”超过30分钟则自动取消；
2. 将支付页面附近放置优惠券领取。

当该电商新版本上线后，再次通过用户路径分析模型，发现客户在提交订单后，由于30分钟的时间限制，有更多的客户愿意立即支付订单；同时未支付订单大大降低，说明在支付支付页面附近放置优惠券的方式刺激到对价格敏感的客户。因此这也是一次很成功的改版。

7、用户分群（用户属性分析、用户画像）

用户分群是通过用户的历史行为路径、行为特征、偏好、属性等进行标签化处理，并将具有相同标签的用户划分为一个群体，用户画像是用户分群的前提（漏斗分析关注阶段差异，用户分群关注群体差异）。

用户分群经常与事件分析、漏斗分析、留存分析等配合使用，通过将分群人员套用在事件分析、漏斗分析与留存分析等分析工具中进一步分析，然后通过运营手段对这部分人群进行定向的精准化运营。

常用的方法包括：

• 找到做过某些事情的人群：比如过去 7 天完成过 3 次购物车计算
• 有某些特定属性的人群：比如年龄在 25 岁以下的男性
• 在转化过程中流失的人群：比如提交了订单但没有付款

用户分群的意义：

• 运营人员可以根据需求对特定目标人群完成精准信息推送工作，如召回流失用户、刺激用户复购等等；
• 当完成特定人群的精准信息推送工作，可再分析以查看运营营销效果；
• 降低运营成本。

8、点击分析（类似于页面的热力图）

点击分析经常被应用于显示页面或页面组（结构相同的页面，如商品详情页、官网博客等）区域中不同元素点击密度的图示。包括元素被点击的次数、占比、发生点击的用户列表、按钮的当前与历史内容等因素。

点击分析需要配合用户行为路径分析等模型进行结合使用，才能达到更好的效果（用户点击某个模块或按钮之后的下一步是要做什么？），才有助于识别用户行为趋势并优化进一步流程。

为了让用户在访问中停留下来并进行下一步动作，也许您在关心这些问题：

• 用户最喜欢点击的是页面的哪个模块和元素？
• 用户是否点击了我们希望互动的内容？
• 有没有重要按钮或元素被大量点击，却被放到了不起眼的地方？
• 用户感兴趣的内容是否和我们预想的一样？
• 不同的运营位、不同的内容对用户的吸引分别是怎样的？
• 具体元素的点击数据如何？
• 不同渠道的访问者对于页面的关注点具备哪些差异和特征？
• 从重要元素的点击来看，哪个渠道质量更好？
• 「未转化」的用户与「转化」用户之间的热图表现差异如何？

如果某个模块或按钮用户经常点击，但是却没有产生下钻或跳转，那么就要搞清楚是没有那个模块功能还是模块功能设计的不合理导致用户体验不佳的，此时经常需要配合ABtest进行实验测试，从而达到改进产品提升客户体验。

点击分析和热力图是提升用户体验的重要分析方法。

9、时间分析（从时间维度进行分析）

时间是日常工作中非常重要的分析维度，时间分析分为时间序列分析和间隔分析（可使用箱线图）。

间隔分析是从事件发生的时间间隔维度来探索用户行为数据价值，能够科学地反映特定用户群体（如北京地区年龄 30 岁以上女士），发生指定行为事件（ 如事件 A 到 B 的转化等）的时间间隔及数据分布情况。

时间分析更多是用在跟用户分布分析、用户路径分析等前面八种分析模型进行结合使用的才有意义。