一、事件分析

1. 事件分析概述

事件分析是指對(duì)具體的行為事件進(jìn)行指標(biāo)加工的一種方法，常見的指標(biāo)計(jì)算規(guī)則為行為事件發(fā)生的人數(shù)、次數(shù)、人均次數(shù)，以及針對(duì)行為事件的屬性特征進(jìn)行特殊運(yùn)算，如去重、求和、求均值等。

2. 事件分析應(yīng)用示例

事件分析通用的分析方法是先定義對(duì)應(yīng)指標(biāo)的事件，再從其他多個(gè)維度進(jìn)行細(xì)分下鉆，比如“時(shí)間”、“地區(qū)”、“操作系統(tǒng)”等，查看指標(biāo)數(shù)據(jù)的特征表現(xiàn)。如基于時(shí)間維度進(jìn)行對(duì)比觀測(cè)指標(biāo)（日活躍用戶數(shù)）波動(dòng)是否有異常。

二、漏斗分析

1. 漏斗分析概述

漏斗分析是指將某個(gè)業(yè)務(wù)場(chǎng)景中關(guān)聯(lián)的事件，根據(jù)發(fā)生的先后順序進(jìn)行組織，從而系統(tǒng)性了解用戶的轉(zhuǎn)化效率。

漏斗分析不但可以整體性的反映用戶在一定時(shí)間周期內(nèi)，瀏覽網(wǎng)站或者APP中從起點(diǎn)到終點(diǎn)的轉(zhuǎn)化率，而且還可以分析瀏覽過程中每一次跳轉(zhuǎn)所產(chǎn)生的留存和流失，這樣就能夠直觀地發(fā)現(xiàn)異常數(shù)據(jù)，從而通過分析根因找到問題所在，最后通過優(yōu)化該環(huán)節(jié)來達(dá)到提升轉(zhuǎn)化率的目標(biāo)。

2. 漏斗分析應(yīng)用示例

漏斗分析模型已經(jīng)廣泛應(yīng)用于渠道來源分析、新用戶激活、核心主流程優(yōu)化、搜索功能優(yōu)化等日常數(shù)據(jù)運(yùn)營(yíng)工作中。如果整體轉(zhuǎn)化率較低，則可根據(jù)漏斗分析查看各步驟轉(zhuǎn)化率，直觀地發(fā)現(xiàn)問題所在，從而進(jìn)行針對(duì)性的優(yōu)化。

三、用戶路徑分析

1. 用戶路徑分析概述

與漏斗分析模型不同，漏斗分析模型是分析既定的行為轉(zhuǎn)化，如電商產(chǎn)品中用戶從瀏覽產(chǎn)品詳情到最終支付每一步的轉(zhuǎn)化率。而全行為路徑是根據(jù)用戶在APP或網(wǎng)站中的訪問行為，分析用戶在各模塊中跳轉(zhuǎn)規(guī)律與特點(diǎn)，挖掘出用戶的群體特征，進(jìn)而實(shí)現(xiàn)業(yè)務(wù)指標(biāo)：如提升核心模塊的到達(dá)率、APP產(chǎn)品設(shè)計(jì)的優(yōu)化改版、流失用戶去向分析等。

四、留存分析

1. 留存分析概述

留存分析是一種用來分析用戶參與情況和粘性的分析模型，考察發(fā)生了初始行為的用戶中，有多少人會(huì)在后續(xù)的幾天里面發(fā)生后續(xù)行為。這是用來衡量產(chǎn)品對(duì)用戶價(jià)值高低的重要方法。

定義：滿足某個(gè)條件的用戶，在某個(gè)時(shí)間點(diǎn)有沒有進(jìn)行回訪行為。

公式：若滿足某個(gè)條件的用戶數(shù)為N，在某個(gè)時(shí)間點(diǎn)進(jìn)行回訪行為的用戶數(shù)為M，那么該時(shí)間點(diǎn)的留存率就是M/N。

五、Session分析

1. Session分析概述

對(duì)于網(wǎng)站或者APP而言，用戶一系列行為是一次訪問，也就是一個(gè)Session。Session分析法是用來分析把用戶單點(diǎn)發(fā)生的行為串聯(lián)起來形成一個(gè)整體的前提下，Session整體或者Session中某個(gè)特定事件的訪問特征。常見的指標(biāo)分為Session整體的次數(shù)、人數(shù)、時(shí)長(zhǎng)、深度、跳出率等，以及Session中某個(gè)特定事件的次數(shù)、人數(shù)、時(shí)長(zhǎng)、退出率等。

以某網(wǎng)站為例，用戶在一次訪問中，諸如“用戶平均會(huì)來幾次”、“每次平均逛了幾個(gè)頁面”、“每次來評(píng)價(jià)呆多久”、“某個(gè)具體頁面用戶平均停留多長(zhǎng)時(shí)間”這樣的問題都需要通過Session分析解決。通過Session分析，可統(tǒng)計(jì)用戶在網(wǎng)站或者APP中的整體訪問深度、以及某些特殊節(jié)點(diǎn)的訪問情況，從而在產(chǎn)品或者運(yùn)營(yíng)層面輸入優(yōu)化策略。

六、熱力分析

1. 熱力分析概述

熱力分析即應(yīng)用一種特殊高亮的顏色、數(shù)據(jù)標(biāo)注等，顯示頁面或者頁面組（結(jié)構(gòu)相同的頁面，如商品詳情頁、官網(wǎng)博客等）區(qū)域中不同元素點(diǎn)擊密度、觸達(dá)率、停留分布等特征。熱力分析法主要用來分析用戶在頁面上的點(diǎn)擊、觸達(dá)深度等情況，并以直觀的效果展示給使用者，比較直觀的表現(xiàn)了用戶在產(chǎn)品頁面上的瀏覽偏好，有力的說明了用戶和網(wǎng)頁的交互情況。

按計(jì)算維度劃分，熱圖可以分為點(diǎn)擊熱圖和瀏覽熱圖。

? 點(diǎn)擊熱圖，追蹤的是鼠標(biāo)的點(diǎn)擊情況，進(jìn)行人數(shù)、次數(shù)統(tǒng)計(jì)并基于百分比進(jìn)行熱力分布，點(diǎn)擊熱圖又分為兩種，一種是鼠標(biāo)的所有點(diǎn)擊，一種是頁面可點(diǎn)擊元素的點(diǎn)擊。前者可以追蹤頁面上所有可點(diǎn)擊和不可點(diǎn)擊位置的被點(diǎn)擊情況，后者只是追蹤頁面上可點(diǎn)擊元素的點(diǎn)擊情況。

? 瀏覽熱圖，記錄的是用戶在不同頁面或同一頁面不同位置停留時(shí)間的百分比計(jì)算，基于停留時(shí)長(zhǎng)。

七、歸因分析

1. 歸因分析概述

歸因分析一般用于廣告投放的渠道歸因，將用戶點(diǎn)擊行為的“貢獻(xiàn)”合理地分配到每一個(gè)渠道，通過渠道歸因來衡量渠道的效果，亦可指導(dǎo)業(yè)務(wù)人員在渠道投放時(shí)合理分配投入。

常見的歸因思路有下面幾種：

1）首次歸因

多個(gè)待選中觸點(diǎn)時(shí)，認(rèn)為第一個(gè)的功勞為100%。理由是第一個(gè)觸點(diǎn)給用戶建立了認(rèn)知，與用戶形成了連接。適用于重視新用戶線索的業(yè)務(wù)。

2）末次歸因

多個(gè)待選中觸點(diǎn)時(shí)，認(rèn)為最后一個(gè)的功勞為100%。這種思路適用范圍最為廣泛，常用于電商業(yè)務(wù)的站內(nèi)歸因的計(jì)算。

3）線性歸因

多個(gè)待選中觸點(diǎn)時(shí)，認(rèn)為每個(gè)“待歸因事件”平均分配此次功勞。適合坑位效果比較平均的產(chǎn)品。

4）位置歸因

多個(gè)待選中觸點(diǎn)時(shí)，認(rèn)為第一個(gè)和最后一個(gè)各占40%功勞，其余平分剩余的20%功勞。兼顧最初的線索和最終的決策。

除此之外，還有“時(shí)間篩選歸因”、“末次非直接點(diǎn)擊”的歸因計(jì)算思路，在實(shí)際的應(yīng)用過程中，需要根據(jù)自身業(yè)務(wù)特點(diǎn)來選擇合適的歸因方法。

八、間隔分析

1. 間隔分析概述

間隔分析指的是用戶行為與行為之間的間隔時(shí)長(zhǎng)。如新用戶進(jìn)入注冊(cè)頁面，到完成注冊(cè)的間隔時(shí)長(zhǎng)，反映了注冊(cè)流程的順暢程度；用戶發(fā)生兩次充值之間的間隔時(shí)長(zhǎng)，反映了用戶的充值周期等。

在一些場(chǎng)景下，通過對(duì)間隔時(shí)長(zhǎng)分布的觀察，可以得到對(duì)產(chǎn)品或者用戶的洞察，從而知道我們發(fā)生下一步的業(yè)務(wù)動(dòng)作。例如，通過對(duì)用戶開始注冊(cè)和注冊(cè)成功兩個(gè)行為之間的時(shí)長(zhǎng)分布，我們可以獲知用戶完成注冊(cè)普遍所需要花費(fèi)的時(shí)長(zhǎng)，當(dāng)某天注冊(cè)成功率沒有發(fā)生明顯波動(dòng)，而時(shí)長(zhǎng)的分布整體變長(zhǎng)時(shí)，我們則需要檢查注冊(cè)驗(yàn)證碼的短信通道是否暢通、后臺(tái)注冊(cè)接口是否正常等。

九、分布分析

1. 分布分析概述

分布分析是用戶在特定指標(biāo)下的頻次、總額等特征的結(jié)構(gòu)化分段展現(xiàn)。分布分析是了解數(shù)據(jù)分布表現(xiàn)的主要方法，往往能通過對(duì)數(shù)據(jù)結(jié)構(gòu)的分層分析，判斷極端數(shù)值的占比、對(duì)整體數(shù)據(jù)的影響，同時(shí)了解數(shù)據(jù)分布的集中度，以及主要的數(shù)據(jù)分布的區(qū)間段是什么。從事件在不同維度中的分布來觀察，我們可以了解該事件除了累計(jì)數(shù)量和頻次這些簡(jiǎn)單指標(biāo)之外，洞察數(shù)據(jù)在分布特征上的特點(diǎn)，便于了解業(yè)務(wù)的健康度、分層結(jié)構(gòu)等信息。

常見的分布模型一般包含以下類型：事件頻率、一天內(nèi)的時(shí)間分布、消費(fèi)金額的區(qū)分等。

分布分析價(jià)值主要體現(xiàn)在以下幾個(gè)方面：

? 挖掘用戶分布規(guī)律，優(yōu)化產(chǎn)品策略

? 除去極值影響，數(shù)據(jù)更接近整體真實(shí)表現(xiàn)

? 快速識(shí)別核心用戶群體，資源配置有的放矢

十、屬性分析

1. 屬性分析概述

屬性分析指在分析行為事件特點(diǎn)的同時(shí)，也需要對(duì)觸發(fā)事件的用戶本身來分析。屬性分析通過對(duì)用戶各類特征進(jìn)行標(biāo)示，從而了解用戶的屬性，或者屬性交叉的分布結(jié)構(gòu)，進(jìn)而可以對(duì)用戶進(jìn)行分層標(biāo)記，以便進(jìn)行后續(xù)的產(chǎn)品、運(yùn)營(yíng)動(dòng)作。

屬性分析可對(duì)基礎(chǔ)屬性、社會(huì)關(guān)系、行為特征、業(yè)務(wù)表現(xiàn)特征等進(jìn)行結(jié)構(gòu)分析?；A(chǔ)屬性包含姓名、年齡、家庭、婚姻狀況、性別、最高教育程度等；社會(huì)相關(guān)包含已婚未婚、有無小孩等屬性；行為特征包含注冊(cè)時(shí)間、用戶首次訪問渠道來源等；業(yè)務(wù)相關(guān)屬性則是從業(yè)務(wù)數(shù)據(jù)中提取，如業(yè)務(wù)為健身相關(guān)，那么可能會(huì)包含體脂率等。

屬性分析的價(jià)值主要體現(xiàn)在豐富用戶畫像維度，讓用戶行為洞察粒度更細(xì)。