九种常见的数据分析模型

1. 漏斗分析模型

漏斗分析是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。

运营人员可以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，各流程步骤转化率的差异对比，了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。

漏斗分析模型已经广泛应用于流量监控、产品目标转化等日常数据运营工作中。

例如，在一款产品服务平台中，直播用户从激活APP开始到花费，一般的用户购物路径为激活APP、注册账号、进入直播间、互动行为、礼物花费五大阶段，漏斗能够展现出各个阶段的转化率，通过漏斗各环节相关数据的比较，能够直观地发现和说明问题所在，从而找到优化方向。对于业务流程相对规范、周期较长、环节较多的流程分析，能够直观地发现和说明问题所在。

对于常见的注册转化、电商下单漏斗，分析哪一步流失最多以及流失的人都有哪些行为通常是我们比较关注的两个点。

2. 留存分析模型

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，考察进行初始行为的用户中，有多少人会进行后续行为，这是用来衡量产品对用户价值高低的重要方法。

三种留存方式：

1. 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
2. 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。
3. 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：

   第一个观察期：次日；第二个观察期：第3日-第7日；第三个观察期：第8日-第14日；第四个观察期：第15日到第30日

上述三种留存方式，是对时间的限定，而自定义留存是基于业务场景下的留存情况，比如阅读类产品会把看过至少一篇文章的用户定义为真正的留存用户，电商类产品会把至少查看过一次商品详情定义为有效留存。

通过留存分析，可以帮助解决以下问题：

1. 在未来的一段时间内，一个用户是否完成了你希望用户完成的行为，如进行订单支付？

2. 某电商网站对网站进行了改进，比如改进了新注册用户的引导流程、改进了商品展示页，那么如何验证这些改进是否促进了用户注册、浏览/购买商品的参与度？

3. 全行为路径分析模型

全行为路径分析是互联网产品特有的一类数据分析方法，它主要根据每位用户在APP或网站中的行为事件，分析用户在APP或网站中各个模块的流转规律与特点，挖掘用户的访问或浏览模式，进而实现一些特定的业务用途，如对提升APP核心模块的到达率、提取出特定用户群体的主流路径与刻画用户浏览特征，优化与提升APP的产品设计等。

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缠反复的过程，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。

4. 热图分析模型

热图分析分很多种，这里主要阐述针对网站页面点击分析的热图分析。

页面点击分析主要应用于用户行为分析领域，分析用户在网站显示页面（比如官网首页）的点击行为、浏览次数、浏览时长等，以及页面区域中不同元素的点击情况，包括首页各元素点击率、元素聚焦度、页面浏览次数和人数以及页面内各个可点击元素的百分比等等，以这些'要素'为基础数据进行图形表示。

通过聚合用户行为，热图可以让人一目了然地了解人们如何与网站页面进行交互，这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你期望用户进行的下一个行为，以下问题可能是你比较关心的：

1. 用户是否点击了我们希望互动的内容？

2. 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？

3. 用户感兴趣的内容是否和我们预想的一样？

4. 不同的运营位、不同的内容对用户的吸引分别是怎样的？

5. 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？

6. 从重要元素的点击来看，哪个渠道质量更好？

7. 「未转化」的用户与「转化」用户之间的热图表现有何差异？

热图提供了一种清晰直观的方式来帮助解答这些问题。

5. 行为事件分析模型

行为事件分析模型是针对用户行为的分析模型之一，也是用户行为数据分析的核心和基础。用户在产品上的行为我们定义为事件，它是用户行为的一个专业描述，用户在产品上的所有获得的程序反馈都可以抽象为对事件进行采集。通过研究与事件发生关联的所有因素，如用户注册、浏览产品详情页、成功投资、提现等，来挖掘用户行为事件背后的原因、交互影响等。

行为事件分析模型具有强大的筛选、分组和聚合能力，逻辑清晰且使用简单，已被广泛应用。行为事件分析模型一般经过事件定义与选择、下钻分析、解释与结论等环节。

在日常工作中，运营、市场、产品、数据分析师根据工作情况的不同而关注不同的事件指标。如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？各时段的人均充值金额是分别多少？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？每天的独立session数是多少？诸如此类的指标查看的过程中，行为事件分析起到重要作用。

那么，行为事件分析模型解决什么问题呢？

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？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？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？

6. 用户分群分析模型

用户分群即对用户信息标签化，通过用户的行为特征、偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析。

产品运营一段时间和投方推广一段时间后，随着用户的留存和新增，用户数量越来越多，那么我们就需要对用户进行精细化运营，用户分群能帮助企业更加了解用户，分析用户的属性特征、以及用户的行为特征，可以帮助运营人员更好地对比多个用户群的数据，找到产品问题背后的原因，并有效改进优化方向。

7. 黏性分析模型

黏性分析是在留存分析的基础上，对一些用户指标进行深化，除了一些常用的留存指标外，黏性分析能够从更多维度了解产品或者某功能黏住用户的能力情况，更全面地了解用户如何使用产品，新增什么样的功能可以提升用户留存下来的欲望，不同用户群体之间存在什么样的差异，不同用户对新增的功能有何看法。

黏性分析能帮助更科学全面地评估产品及其功能情况，有针对性地制定留存策略。

8. 归因分析模型

归因分析要解决的问题就是广告效果的产生，其功劳应该如何合理的分配给哪些渠道。常见的归因分析方法有：线性归因、首次归因、末次归因、基于位置归因、时间衰减归因等。

我们可以根据自己业务的实际情况，选择归因模型。

假设一个丹丹购买口红的场景，在依次浏览了头条、微博上的广告后，她参加了小红书上的注册促销活动，又收到了优惠券，于是在百度上搜索App，完成下单购买。

如果按照ROI分析的逻辑，我们会把所有的权重算在百度这一渠道上，这是典型的以偏概全。

9. 分布分析模型

分布分析是用户在特定指标下的频次、总额等的归类展现，可以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。

它可以展现出单用户对产品的依赖程度，分析客户在不同地区、不同时段所购买的不同类型的产品数量、购买频次等，帮助运营人员了解当前的客户状态，以及客户的运转情况。

如订单金额（100以下区间、100元 - 200元区间、200元以上区间等）、购买次数（5次以下、5 - 10次、10次以上）等用户的分布情况。

分布分析模型的功能与价值：科学的分布分析模型支持按时间、次数、事件指标进行用户条件筛选及数据统计。为不同角色的人员统计用户在一天/周/月中，有多少个自然时间段（小时/天）进行了某项操作、进行某项操作的次数、进行事件指标。

产品优化和运营是一个动态的过程，我们需要不断监测数据，调整产品设计或运营方法，然后继续监测效果。

上述分析模型在分析用户行为，进行用户画像构建有很大的应用。通过这些分析，企业可以很直观的了解到用户从哪里来，以及进入网站、平台后进行了哪些操作，什么情况下进行了订单支付等。并且通过这些数据，企业运营者可以不断优化网站和商品的设计、运营和推广的模式从而最终转化为企业利润的增长。

注：本文参考了神策数据、GrowingIO关于数据分析模型的介绍文章以及DataFocus的关于数据分析八大模型讲解视频