編輯導語：根據不同的使用場景和業務需求，可以選擇不同的數據分析模型進行數據分析。本文作者總結了九種常用的數據分析模型，希望能給你帶來幫助。

本文主要介紹了關于數據分析常用的一些模型：事件分析、漏鬥分析、熱力圖分析、留存分析、事件流分析、用戶分群分析、用戶細查、分布分析、歸因分析。

一、事件分析

在用戶行為數據分析中，事件是指用戶操作産品的某個行為，即用戶在産品内做了什麼事情，轉為描述性語言就是“操作 對象”。

事件類型包括：浏覽頁面、點就元素、浏覽元素、修改文本框等。一個完整的事件應該包含以下幾個方面：

• 用戶信息：描述用戶的信息。例如，用戶訪問或登錄的ID
• 時間信息：事件發生的時間
• 行為信息：用戶做了什麼行為
• 行為對象信息：用戶的行為作用在哪些對象上，例如，點擊了按鈕A、浏覽了頁面B、修改了文本框C，那麼A、B、C分布是用戶行為作用的對象

事件分析事所有數據分析模型中最基礎的一種，指對用戶行為事件的指标進行統計、緯度細分、篩選等分析操作。例如，對于“點擊加入購物車按鈕”這個事件，我們可以用“點擊次數”或者“點擊人數”來度量，對應的的指标分别是“點擊加入購物車按鈕的次數”和“點擊加入購物車按鈕的人數”。

度量結果可以通線型圖、縱向柱狀圖、橫向柱狀圖（條形圖）、表哥、數值、氣泡圖等呈現。

事件分析的線圖可以用于觀察一個或多個數據指标連續變化的趨勢，也可以根據需要與之前的周期進行同比數據分析。

通過事件分析我們可以準确了解産品内發生的事件量，根據産品特性合理配置追蹤，輕松回答關于變化趨勢、分緯度對比等問題，例如：

• 某個事件段産品推廣頁面點擊量有多少？對比昨日提升了多少？
• 某個渠道的累計産品注冊數是多少？第一季度排名前十的産品注冊渠道是哪些？
• 産品某個活動頁的UV分時走勢，安卓和ios的占比分别是多少？

二、漏鬥分析

漏鬥分析是一套流程式的數據分析模型，通過将用戶行為為起始的各個行為節點作為分析模型節點，來衡量每個節點的轉化效果，一般通過橫線柱狀圖呈現。漏鬥分析能幫助我們清晰的地了解在一個多步驟的過程中，每一步的轉化與流失情況，從錯角度剖析對比，找出流失原因，提升轉化表現。

漏鬥與事件分析不同的地方在于，漏鬥分析是基于用戶（也就是基于人）來統計某一批用戶所發生的行為，不會收到曆史浏覽頁面用戶的事件影響，可以更加準确地顯示出某一時間段産品存在的問題。

在漏鬥分析中我們需要清晰以下3個基本概念：

1. 步驟：這裡是指用戶行為，由事件加篩選條件組成
2. 時間範圍：指漏鬥第一步發生的時間範圍
3. 轉化周期：指用戶完成漏鬥的時間限制，漏鬥分析隻統計在這個時間範圍内，用戶從第一步到最後一步的轉化

以某産品的注冊轉化漏鬥為例，漏鬥模型可以度量每一步的抓冊轉化率和整體注冊轉化率。

從“開始注冊”到“注冊第三步完成”，每一步的轉化率分别為55.8%、18.5%、92.5%，整理注冊轉化率為9.54%。我們可以很明顯地看出，“注冊第一步完成”的轉化率明顯低于其他兩個步驟。

除了看到每個步驟及總的轉化情況，還可以按照時間維度，來監考每一步和總轉化率的趨勢。通過漏鬥分析趨勢圖，我們可以發現，“第一步轉化率”在4月8日有明顯的下跌，而該步驟對應的是“填寫手機驗證碼”。

經調查後發現，下跌的原因在于短信驗證服務欠費而被代理商自動停止。于是，及時充值恢複短信驗證服務後，轉化率回到正常水平。

在這個案例中，通過建立注冊轉化漏鬥，度量每一步的轉化率和整理的轉化率，再通過時間維度來監控每一步的整體轉化率的趨勢，可以幫助我們及時發現問題、及時止損，避免造成更大範圍的影響。

三、熱力圖分析

産品存在的目的就是幫助用戶實現特定的目标，比如查找信息、注冊服務、購買産品等。當用戶進入産品中卻很難找到或使用他們正在尋找的東西時，便會很快離開。為了讓用戶在訪問産品的過程中停留下來并進行下一步的操作，我們需要關心以下這些問題：

• 用戶是否點擊了我們希望其互動的内容？
• 有沒有重要按鈕或元素被大量點擊，卻被放到了不起眼的地方？
• 用戶感興趣的内容是否和我們預想的一樣？
• 不同的運營位、不同的内容對用戶的吸引力分别是多少？
• 具體元素的點擊數據如何？
• 不同渠道的訪問者對于頁面的關注點具備哪些差異和特征？
• 從重要元素的點擊來看，哪個渠道的質量更好？
• 未轉化用戶與轉化用戶之間的熱力圖表現差異如何？

熱力圖也稱熱圖。它是以産品中元素的點擊次數、點擊人數、點擊率為基礎數據，以特殊高亮的圖形形式顯示用戶點擊頁面的位置或用戶所在的頁面位置。通過聚合用戶行為，熱力圖可以一目了然地展示用戶如何與産品進行交互，幫助我們識别用戶行為趨勢并優化産品流程。

目前常見的熱力圖有三種：

1. 基于鼠标點擊位置的熱力圖
2. 基于鼠标移動軌迹的熱力圖
3. 基于内容點擊的熱力圖

這三種熱力圖的原理、外觀、使用的場景各有不同。

1）基于鼠标點擊位置的熱力圖

比如百度統計的頁面點擊圖，記錄用戶點擊在屏幕解析度的位置，适用于産品細節上的優化。例如，用戶點擊按鈕的最佳位置偏左3cm還是1cm。到那時基于鼠标點擊位置的熱圖不會追蹤内容的變化，隻是記錄相對時間内鼠标點擊的絕對位置。

2）基于鼠标移動軌迹的熱力圖

比如MouseStats、Mouseflow等記錄用戶鼠标移動、停留等行為，熱力圖多為軌迹形式。由于鼠标的移動和眼球的運動有着很大的關聯性，該熱力圖适用于洞察用戶心理，探究用戶在産品上的注意力情況。同樣，基于鼠标移動軌迹的熱力圖不會追蹤内容的變化，隻是記錄相對時間内鼠标移動的絕對位置。

3）基于内容點擊的熱圖

記錄用戶在網頁内容上的點擊，自動過濾頁面的空白處，也就是沒有内容和鍊接的無效點擊。基于内容點擊的熱圖，會追蹤内容的變化而變化，記錄相對時間内用戶對内容的點擊偏好。

熱力圖可以反映用戶在頁面位置上鼠标的點擊、移動和停留偏好，用戶體驗設計師、産品經理、運營人員等可以借助熱力圖對用戶的訪問偏好有一定的了解。我們可以很容易看到哪些模塊的用戶點擊量比較高、哪些模塊的用戶點擊比較低進而做出對應的文案調這調整、模塊位置調整等優化動作。

四、留存分析

留存，就是讓用戶留在産品中，持續使用産品的意思。留存做不好的産品，就像一個底部有裂縫的籃子，如果不去修補裂縫，而隻顧着用它盛水，将很難獲得持續增長。

留存分析是衡量産品是否對用戶有持續吸引力及用戶黏性的重要數據分析模型，可以通過表格和線圖呈現。留存表格展示了目标用戶的留存詳情，而通過留存線圖可以觀測到随着時間推移，用戶留存率的衰減情況。在留存分析中我們要明晰以下三個基本概念：

1. 留存用戶：如果用戶發生起始行為一段時間後，又發生了目标行為，即認定該用戶為留存用戶。
2. 留存行為：某個目标用戶完成了起始行為之後，在後續日期完成了特定的留存行為，則留存人數 1。留存行為一般與我們的目标有強相關性，我們在進行留存分析時，一定要根據自身業務的實際需要，确定高價值的留存行為，才能對産品的優化提供指導性建議。
3. 留存率：是指“留存行為用戶”占“起始行為用戶”的比例，常見指标有次日留存率、7日留存率、次月留存率等。

五、事件流分析

時間流是了解用戶在産品内流轉行為的最佳方法。事件流分析通過桑基圖，可以理解用戶在做完任一行為之後的流向，也可以了解轉化的用戶是如何一步步完成轉化的，以此判斷用戶的取向是否符合預設路徑。

通過事件流分析可以回答以下問題：

• 用戶行為路徑是否與預設的路徑一緻？
• 産品疊代後，用戶行為，路徑是否有變化？
• 産品的流失用戶去了哪裡，為什麼流失？
• 産品設計是否給用戶帶來了最佳體驗？

六、用戶分群分析

用戶分群分析是指針對擁有某種特定行為或背景信息的用戶，進行歸類處理。通過用戶分群分析可以幫助我們找到相應的用戶群體，幫助我們知道他們是誰，做了哪些行為，進而進行有針對性的運營和産品優化工作。

用戶分群分析常用的方法包括以下是三種：

1. 找到做過某些事情的人群，比如，過去7天完成過3次購物的人群
2. 找到有某些特定屬性的人群，比如，年齡在25歲以下的男性
3. 找到在轉化過程中流失的人群，比如，提交了訂單但沒有付款的用戶

通過用戶分群分析，可以回答“用戶參加哪些活動後在産品内的活躍度更高”“用戶之前活躍最近卻沉寂的原因是什麼”“每次走到最後一步就放棄注冊的人群的共性特征有哪些”等各種以用戶群體為對象的共性的問題。

同時，用戶分群分析也是精細化運營的基礎。當用戶分群分析結合行為數據與業務結果數據後，運營人員可以通過RFM模型等經典的用戶分層模型，實現精細化運營。

七、用戶細查

用戶細查與用戶分群功能是緊密相關的。當定位到我們所關心的某一用戶群體後，用戶細查可以進一步幫助我們了解這個群體内的用戶在産品内的行為軌迹，從而清晰地展現用戶與産品的整個交互過程。

用戶細查可以展示單個用戶的詳情，以及單個用戶在産品内的行為流。在此基礎上，我們可以根據真實的用戶足迹來驗證某種猜想，或者從産品使用流程中發現潛在的問題，激發更多的靈感；還可以輕松地向具有高價值的用戶了解他們使用産品的情況。

八、分布分析

産品的優化和運營是一個動态過程，我們需要不斷監測數據，調整産品設計或運營方法，然後繼續監測效果。分布分析主要用來了解不同區間時間的發生頻次、不同事件計算變量的加和，以及不同頁面浏覽時長等區間的用戶數量分布。

作為UE、産品想要集中優化最重要的頁面，需要知道關鍵頁面浏覽量的頻次分布，找到對用戶影響最大的頁面；作為運營人員，無差别的用戶運營會讓人精疲力竭，需要知道貢獻值靠前的用戶分群，集中資源用于中重點用戶。

分布分析不僅能洞察用戶行為分布規律，還能作為事件分析、用戶分群等功能的重要補充。例如，電商場景中的業務模型一般為：

收入=訪問用戶數 x 轉化率 x 訂單金額 x 複購率

要想提升成交總額，要從這些指标入手進行優化。

九、歸因分析

歸因分析是一種将銷售功勞或者轉化功勞，按一種或者一組分配規則，按勞分配給轉化路徑中不同接觸點的數據分析模型。可以幫助我們深入了解用戶轉化路徑，找到廣告或渠道對用戶轉化的促成關系。

随着營銷獲客成本越來越高，用戶轉化路徑越來越複雜，我們需要通過歸因分析找到最具價值的和最具潛力的接觸點，在節省營銷投放費用的同時，更好地提升用戶轉化。常見的歸因模型有以下四種：

首次歸因模型，在回溯期内給首次觸點的轉化功勞分配100%，給其餘觸點分配0%。

最終歸因模型，在回溯期内，一次轉化被各觸點平均分配。例如，用戶的一次轉化接觸了5個觸點，那麼5個觸點中的每個觸點都被分配20%的功勞。

線性歸因模型，在回溯期内，一次轉化被各觸點平均分配。例如用戶的一次轉化接觸了5個觸點，那麼5個觸點中每個觸點都被分配20%的功勞。

位置歸因模型，在回溯期内，給用戶的首次觸點的分配40%，給末次分配40%，給其餘中間位平均分配20%。

大家可以根據不同的使用場景和業務需求，選擇适合的數據分析模型。

本文由 @忻芸 原創發布于人人都是産品經理，未經許可，禁止轉載。

題圖來自 Unsplash，基于 CC0 協議。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部