十大数据分析模型详解

FanGu

数据分析模型

1、事件分析

事件分析是用来研究用户的某个、某些行为事件本身特征的方法，企业借此来记录用户行为或业务过程。事件分析是所有分析模型中最基础的一种，是对具体的行为事件生成可量化的指标的一种分析方法。常见的指标计算规则为行为事件发生的人数、次数、人均次数，以及针对行为事件的属性特征进行特殊运算，如去重、求和、求均值等。企业通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的特点、趋势及异常等现象，业务人员可以根据自己的分析需求，合理进行指标定义及规则配置即可。

事件分析

2、漏斗分析

事件分析主要是基于事件本身做分析，在实际的业务中，还存在一类常见的分析诉求，即对某个业务场景中关联的事件，根据发生的先后顺序进行组织，从而系统性了解用户的转化效率。这样的分析模型，就是我们常用的漏斗分析。

对比事件分析来说，漏斗分析其实是一套流程分析，它不但可以整体性地反映用户在一定时间周期内，浏览网站或者 App 时从起点到终点的转化率，而且还可以分析浏览过程中每一次跳转所产生的留存和流失，能够直观地发现异常数据，从而找到问题所在，最后通过优化该环节来达到提升转化率的目标。

漏斗分析

3、用户路径分析

现在的 App 或者网站品功能丰富、页面路径多样，用户访问时如同参观画展，一千个哈姆雷特可能会有一千种参观方式。但对于网站来说，自然会有希望用户完成的“核心路径”。那么怎么来判断用户访问是否偏离了核心路径呢？这时候就需要使用用户路径分析模型了。用户路径分析，顾名思义，是根据用户在 App 或网站中的访问行为，分析用户在各模块中的跳转规律与特点，挖掘出用户的群体特征，进而实现业务指标，比如提升核心模块的到达率、App 产品设计的优化改版、流失用户去向分析等。

路径分析

4、留存分析

留存分析是一种用来分析用户参与情况和粘性的分析模型，考察在发生了初始行为的用户中，有多少人会在后续的几天里面发生后续行为，这是用来衡量产品对用户价值高低的重要方法。留存分析可以帮助我们回答一些问题，比如：某一天进来的新用户群体在未来的一段时间内，每天分别有多少人完成的目标转化行为？某个社交产品改进了新注册用户的引导流程，改善前后新用户的留存是否有变化？新增了一个邀请好友的功能，观察是否有人因新增功能而延长使用产品时间。

留存分析

5、Session 分析

如果把网站或 App 比喻成一个商场，那互联网用户的行为就如同顾客逛街，他们在产品中的访问通常和逛商场一样，都是一系列连续行为。对于网站或 App 而言，用户一系列行为是一次访问，也就是一个 Session。Session 分析指的是把用户单点发生的行为串联起来形成一个整体的前提下，分析 Session 整体或者 Session 中某个特定事件的访问特征。常见的指标分为 Session 整体的次数、人数、时长、深度、跳出率等，以及 Session中某个特定事件的次数、人数、时长、退出率等。

以用户在某个在线教育网站的访问为例，用户在一次访问中，诸如“用户平均会来几次”“每次平均逛了几个页面”“每次来平均待多久”“某个具体页面用户平均停留多长时间”这样的问题都需要通过 Session 分析解决。通过 Session 分析，可统计用户在网站或者 App 中的整体访问深度，以及某些特殊节点的访问情况，从而在产品或者运营层面输入优化策略。

session分析

6、热力分析

热力分析，即应用一种特殊高亮的颜色、数据标注等，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、触达率、停留分布等特征。热力分析法主要用来分析用户在页面上的点击、触达深度等情况，并以直观的效果展示给使用者，它是互联网行业常用的一种分析模型，比较直观地表现了用户在产品页面上的浏览偏好，有力地说明了用户和网页的交互情况。

常见的热力分析的展示形式，有点击图、触达率图、热图等。以点击图为例，该方法将页面进行渲染，从而直观地展示出页面元素被点击的次数、占比、发生点击的用户列表、到达网页某个位置的用户比例等。

热力分析

7、归因分析

在 PC 互联网时代，一个网站吸引新用户的主要方式之一就是投放线上广告。而同样一篇广告可以投放至多个渠道，一个用户也可能在不同渠道多次看到广告才发生购买。这时用户虽然是最后一次看到广告才发生点击，但前面的几次曝光可能给用户留下了印象，建立了心理认知，因此对用户的本次点击亦有贡献。那么如何将用户点击行为的“贡献”合理地分配到每一个渠道呢？这便是渠道归因要解决的问题。通过渠道归因来衡量渠道的效果，可以指导业务人员在渠道投放时合理分配投入。

随着移动互联网的兴起，业务的形态越来越复杂，站内归因（也常被称作“坑位归因”）的需求日趋增多。以自营电商为例，同样一个商品，可能会在站内多处“坑位”产生曝光，比如首页 Banner 的特卖活动页、商品详情页的相关推荐、购物车页面下方的推荐列表。运营人员可以根据这些“坑位”对商品最终成单产生的“贡献度”，从而指导站内的商品运营工作，例如将主推商品推到成单贡献度高的坑位中，给予更多的曝光从而带来更多的转化。

归因分析

8、间隔分析

指的是用户行为与行为之间的间隔时长。在以往的数据分析过程中，我们通常会关注用户的整体使用时长，因为时长一定程度上代表了用户对于 App 的黏性。用户越愿意花时间，代表用户对 App  的依赖程度越高。而在间隔分析的场景下，时长则代表着其他的业务含义。例如：

• 新用户“进入注册页面”到“完成注册”的间隔时长，侧面反映注册流程的顺畅程度
• 用户发生两次充值之间的间隔时长，反应用户的充值周期
  

在一些场景下，通过观察间隔时长的分布，可以分析出产品或者用的相关信息，从而指导我们执行下一步的业务动作。例如，根据用户“开始注册”和“注册成功”两个行为之间的时长分布，可以获知用户完成注册普遍需要花费的时长，如果当某天注册成功率没有发生明显波动，但时长分布却整体变长时，我们则需要检查注册验证码的短信通道是否畅通、后台注册接口是否正常等。

间隔分析

9、分布分析

分布分析是用户在特定指标下的频率、总额等特征的结构化分段展现。分布分析是了解数据分布表现的主要方法，通过对数据结构的分层分析，判断极端数值的占比并对整体数据的影响，同时了解数据分布的集中度，以及主要数据的分布区间段。从事件在不同维度中的分布来观察，业务人员可以了解在累计数量和频率这些基础指标之外的信息，洞察数据在分布特征上的特点，便于了解业务的健康度、分层结构等信息。

分布分析

10、属性分析

仅知道一幢房子的面积无法全面衡量其价值高低，因为房子的地理位置、装修风格、是否学区、配套设施都是重要的影响因素。对于企业来说，在分析行为事件特点的同时，也需要对触发事件的用户本身做分析与研究。这就是我们常说的用户属性分析。

用户属性分析通过对用户各类特征进行标识，从而了解用户的属性或者属性交叉的分布结构，进而可以对用户进行分层标记，以便进行后续的产品、运营动作。用户属性分析可对基础属性、社会关系、行为特征、业务表现特征等进行结构分析。基础属性包含姓名、年龄、家庭、婚姻状况、性别、最高教育程度等；社会关系包含已婚未婚、有无小孩等属性；行为特征包含注册时间、用户首次访问渠道来源等；而业务相关属性则是从业务数据中提取，如业务为健身相关，那么可能会包含体脂率等。

用户属性分析主要价值体现在丰富用户画像维度，让用户行为洞察粒度更细。在事件——用户的数据模型中，用户一直处于从属角色。主要原因是我们对于用户属性分析还不够深。如果我们足够了解用户属性，那么即使这些用户没有触发事件，我们也可以通过属性推断出一些可能会出现的场景，然后用相关的运营或产品动作来验证。

案例1

案例2

以上就是有关数据分析常用的十大分析模型，留言可领取附有案例说明的完整文档噢~