九种常用的数据分析模型

运营有数为您推荐本文：

编辑导语：根据不同的使用场景和业务需求，可以选择不同的数据分析模型进行数据分析。本文作者总结了九种常用的数据分析模型，希望能给你带来帮助。

本文主要介绍了关于数据分析常用的一些模型：事件分析、漏斗分析、热力图分析、留存分析、事件流分析、用户分群分析、用户细查、分布分析、归因分析。

一、事件分析

在用户行为数据分析中，事件是指用户操作产品的某个行为，即用户在产品内做了什么事情，转为描述性语言就是“操作+对象”。

事件类型包括：浏览页面、点就元素、浏览元素、修改文本框等。一个完整的事件应该包含以下几个方面：

• 用户信息：描述用户的信息。例如，用户访问或登录的ID
• 时间信息：事件发生的时间
• 行为信息：用户做了什么行为
• 行为对象信息：用户的行为作用在哪些对象上，例如，点击了按钮A、浏览了页面B、修改了文本框C，那么A、B、C分布是用户行为作用的对象

事件分析事所有数据分析模型中最基础的一种，指对用户行为事件的指标进行统计、纬度细分、筛选等分析操作。例如，对于“点击加入购物车按钮”这个事件，我们可以用“点击次数”或者“点击人数”来度量，对应的的指标分别是“点击加入购物车按钮的次数”和“点击加入购物车按钮的人数”。

度量结果可以通线型图、纵向柱状图、横向柱状图（条形图）、表哥、数值、气泡图等呈现。

事件分析的线图可以用于观察一个或多个数据指标连续变化的趋势，也可以根据需要与之前的周期进行同比数据分析。

通过事件分析我们可以准确了解产品内发生的事件量，根据产品特性合理配置追踪，轻松回答关于变化趋势、分纬度对比等问题，例如：

• 某个事件段产品推广页面点击量有多少？对比昨日提升了多少？
• 某个渠道的累计产品注册数是多少？第一季度排名前十的产品注册渠道是哪些？
• 产品某个活动页的UV分时走势，安卓和ios的占比分别是多少？

二、漏斗分析

漏斗分析是一套流程式的数据分析模型，通过将用户行为为起始的各个行为节点作为分析模型节点，来衡量每个节点的转化效果，一般通过横线柱状图呈现。漏斗分析能帮助我们清晰的地了解在一个多步骤的过程中，每一步的转化与流失情况，从错角度剖析对比，找出流失原因，提升转化表现。

漏斗与事件分析不同的地方在于，漏斗分析是基于用户（也就是基于人）来统计某一批用户所发生的行为，不会收到历史浏览页面用户的事件影响，可以更加准确地显示出某一时间段产品存在的问题。

在漏斗分析中我们需要清晰以下3个基本概念：

1. 步骤：这里是指用户行为，由事件加筛选条件组成
2. 时间范围：指漏斗第一步发生的时间范围
3. 转化周期：指用户完成漏斗的时间限制，漏斗分析只统计在这个时间范围内，用户从第一步到最后一步的转化

以某产品的注册转化漏斗为例，漏斗模型可以度量每一步的抓册转化率和整体注册转化率。

从“开始注册”到“注册第三步完成”，每一步的转化率分别为55.8%、18.5%、92.5%，整理注册转化率为9.54%。我们可以很明显地看出，“注册第一步完成”的转化率明显低于其他两个步骤。

除了看到每个步骤及总的转化情况，还可以按照时间维度，来监考每一步和总转化率的趋势。通过漏斗分析趋势图，我们可以发现，“第一步转化率”在4月8日有明显的下跌，而该步骤对应的是“填写手机验证码”。

经调查后发现，下跌的原因在于短信验证服务欠费而被代理商自动停止。于是，及时充值恢复短信验证服务后，转化率回到正常水平。

在这个案例中，通过建立注册转化漏斗，度量每一步的转化率和整理的转化率，再通过时间维度来监控每一步的整体转化率的趋势，可以帮助我们及时发现问题、及时止损，避免造成更大范围的影响。

三、热力图分析

产品存在的目的就是帮助用户实现特定的目标，比如查找信息、注册服务、购买产品等。当用户进入产品中却很难找到或使用他们正在寻找的东西时，便会很快离开。为了让用户在访问产品的过程中停留下来并进行下一步的操作，我们需要关心以下这些问题：

• 用户是否点击了我们希望其互动的内容？
• 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力分别是多少？
• 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，哪个渠道的质量更好？
• 未转化用户与转化用户之间的热力图表现差异如何？

热力图也称热图。它是以产品中元素的点击次数、点击人数、点击率为基础数据，以特殊高亮的图形形式显示用户点击页面的位置或用户所在的页面位置。通过聚合用户行为，热力图可以一目了然地展示用户如何与产品进行交互，帮助我们识别用户行为趋势并优化产品流程。

目前常见的热力图有三种：

1. 基于鼠标点击位置的热力图
2. 基于鼠标移动轨迹的热力图
3. 基于内容点击的热力图

这三种热力图的原理、外观、使用的场景各有不同。

1）基于鼠标点击位置的热力图

比如百度统计的页面点击图，记录用户点击在屏幕解析度的位置，适用于产品细节上的优化。例如，用户点击按钮的最佳位置偏左3cm还是1cm。到那时基于鼠标点击位置的热图不会追踪内容的变化，只是记录相对时间内鼠标点击的绝对位置。

2）基于鼠标移动轨迹的热力图

比如MouseStats、Mouseflow等记录用户鼠标移动、停留等行为，热力图多为轨迹形式。由于鼠标的移动和眼球的运动有着很大的关联性，该热力图适用于洞察用户心理，探究用户在产品上的注意力情况。同样，基于鼠标移动轨迹的热力图不会追踪内容的变化，只是记录相对时间内鼠标移动的绝对位置。

3）基于内容点击的热图

记录用户在网页内容上的点击，自动过滤页面的空白处，也就是没有内容和链接的无效点击。基于内容点击的热图，会追踪内容的变化而变化，记录相对时间内用户对内容的点击偏好。

热力图可以反映用户在页面位置上鼠标的点击、移动和停留偏好，用户体验设计师、产品经理、运营人员等可以借助热力图对用户的访问偏好有一定的了解。我们可以很容易看到哪些模块的用户点击量比较高、哪些模块的用户点击比较低进而做出对应的文案调这调整、模块位置调整等优化动作。

四、留存分析

留存，就是让用户留在产品中，持续使用产品的意思。留存做不好的产品，就像一个底部有裂缝的篮子，如果不去修补裂缝，而只顾着用它盛水，将很难获得持续增长。

留存分析是衡量产品是否对用户有持续吸引力及用户黏性的重要数据分析模型，可以通过表格和线图呈现。留存表格展示了目标用户的留存详情，而通过留存线图可以观测到随着时间推移，用户留存率的衰减情况。在留存分析中我们要明晰以下三个基本概念：

1. 留存用户：如果用户发生起始行为一段时间后，又发生了目标行为，即认定该用户为留存用户。
2. 留存行为：某个目标用户完成了起始行为之后，在后续日期完成了特定的留存行为，则留存人数+1。留存行为一般与我们的目标有强相关性，我们在进行留存分析时，一定要根据自身业务的实际需要，确定高价值的留存行为，才能对产品的优化提供指导性建议。
3. 留存率：是指“留存行为用户”占“起始行为用户”的比例，常见指标有次日留存率、7日留存率、次月留存率等。

五、事件流分析

时间流是了解用户在产品内流转行为的最佳方法。事件流分析通过桑基图，可以理解用户在做完任一行为之后的流向，也可以了解转化的用户是如何一步步完成转化的，以此判断用户的取向是否符合预设路径。

通过事件流分析可以回答以下问题：

• 用户行为路径是否与预设的路径一致？
• 产品迭代后，用户行为，路径是否有变化？
• 产品的流失用户去了哪里，为什么流失？
• 产品设计是否给用户带来了最佳体验？

六、用户分群分析

用户分群分析是指针对拥有某种特定行为或背景信息的用户，进行归类处理。通过用户分群分析可以帮助我们找到相应的用户群体，帮助我们知道他们是谁，做了哪些行为，进而进行有针对性的运营和产品优化工作。

用户分群分析常用的方法包括以下是三种：

1. 找到做过某些事情的人群，比如，过去7天完成过3次购物的人群
2. 找到有某些特定属性的人群，比如，年龄在25岁以下的男性
3. 找到在转化过程中流失的人群，比如，提交了订单但没有付款的用户

通过用户分群分析，可以回答“用户参加哪些活动后在产品内的活跃度更高”“用户之前活跃最近却沉寂的原因是什么”“每次走到最后一步就放弃注册的人群的共性特征有哪些”等各种以用户群体为对象的共性的问题。

同时，用户分群分析也是精细化运营的基础。当用户分群分析结合行为数据与业务结果数据后，运营人员可以通过RFM模型等经典的用户分层模型，实现精细化运营。

七、用户细查

用户细查与用户分群功能是紧密相关的。当定位到我们所关心的某一用户群体后，用户细查可以进一步帮助我们了解这个群体内的用户在产品内的行为轨迹，从而清晰地展现用户与产品的整个交互过程。

用户细查可以展示单个用户的详情，以及单个用户在产品内的行为流。在此基础上，我们可以根据真实的用户足迹来验证某种猜想，或者从产品使用流程中发现潜在的问题，激发更多的灵感；还可以轻松地向具有高价值的用户了解他们使用产品的情况。

八、分布分析

产品的优化和运营是一个动态过程，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。分布分析主要用来了解不同区间时间的发生频次、不同事件计算变量的加和，以及不同页面浏览时长等区间的用户数量分布。

作为UE、产品想要集中优化最重要的页面，需要知道关键页面浏览量的频次分布，找到对用户影响最大的页面；作为运营人员，无差别的用户运营会让人精疲力竭，需要知道贡献值靠前的用户分群，集中资源用于中重点用户。

分布分析不仅能洞察用户行为分布规律，还能作为事件分析、用户分群等功能的重要补充。例如，电商场景中的业务模型一般为：

收入=访问用户数 x 转化率 x 订单金额 x 复购率

要想提升成交总额，要从这些指标入手进行优化。

九、归因分析

归因分析是一种将销售功劳或者转化功劳，按一种或者一组分配规则，按劳分配给转化路径中不同接触点的数据分析模型。可以帮助我们深入了解用户转化路径，找到广告或渠道对用户转化的促成关系。

随着营销获客成本越来越高，用户转化路径越来越复杂，我们需要通过归因分析找到最具价值的和最具潜力的接触点，在节省营销投放费用的同时，更好地提升用户转化。常见的归因模型有以下四种：

首次归因模型，在回溯期内给首次触点的转化功劳分配100%，给其余触点分配0%。

最终归因模型，在回溯期内，一次转化被各触点平均分配。例如，用户的一次转化接触了5个触点，那么5个触点中的每个触点都被分配20%的功劳。

线性归因模型，在回溯期内，一次转化被各触点平均分配。例如用户的一次转化接触了5个触点，那么5个触点中每个触点都被分配20%的功劳。

位置归因模型，在回溯期内，给用户的首次触点的分配40%，给末次分配40%，给其余中间位平均分配20%。

大家可以根据不同的使用场景和业务需求，选择适合的数据分析模型。

本文由 @忻芸 原创发布互联网，未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议。

文章来源于互联网:九种常用的数据分析模型，如有侵权，请邮件联系我们附上版权证明,我们将在24小时内处理!