8大數(shù)據(jù)分析模型，運(yùn)營必備！

你可能知道數(shù)據(jù)分析有八種模型，但是你知道它們具體是什么嗎？應(yīng)該怎樣去分析和構(gòu)建呢？本文作者就對八大數(shù)據(jù)分析模型做出了分析和總結(jié)，能夠解決你的疑惑，希望看完本文能夠有所收獲。

“不僅要知道用戶當(dāng)下在想什么，更要知道用戶背后在想什么，以及用戶正在經(jīng)歷著什么?！?/p>

傳統(tǒng)用戶模型構(gòu)建方式：

• 用戶模型：基于對用戶的訪談和觀察等研究結(jié)果建立，嚴(yán)謹(jǐn)可靠但費(fèi)時；
• 臨時用戶模型：基于行業(yè)專家或市場調(diào)查數(shù)據(jù)對用戶的理解建立，快速但容易有偏頗。（缺乏時間，資源的情況下）

為了節(jié)省時間，降低風(fēng)險，產(chǎn)品團(tuán)隊(duì)往往盡快將產(chǎn)品推向用戶，快速試錯，在這種場景下如何構(gòu)造用戶模型？

1. 整理和收集已經(jīng)獲得的任何可認(rèn)知用戶的經(jīng)驗(yàn)和數(shù)據(jù)，將這些信息映射成為用戶的描述信息（屬性）或用戶的行為信息，并存儲起來形成用戶檔案；
2. 實(shí)時關(guān)注自身數(shù)據(jù)的波動，及時采取行動；
3. 記錄用戶的行為數(shù)據(jù)而不是單純地為用戶打標(biāo)簽；
4. 360°覆蓋用戶全生命周期的用戶檔案。

用戶的每一步成長都通過行為記錄下來，基于用戶所在生命周期的不同階段，針對新用戶、流失用戶、活躍用戶、沉默用戶分別采取有針對性的拉新、轉(zhuǎn)化、留存等運(yùn)營策略。

就是用戶在產(chǎn)品上的行為，它是用戶行為的一個專業(yè)描述，用戶在產(chǎn)品上的所有獲得的程序反饋都可以抽象為事件，由開發(fā)人員通過埋點(diǎn)進(jìn)行采集。

通俗講就是：將一段代碼放入對應(yīng)的頁面/按鈕，用戶進(jìn)入頁面/點(diǎn)擊按鈕的本質(zhì)是在加載背后的代碼，同時再加載事件采集代碼，這樣就被SDK所記錄下來了。

事件：用戶在產(chǎn)品上的行為

屬性：描述事件的維度

值：屬性的內(nèi)容

采集時機(jī)：用戶點(diǎn)擊（click）、網(wǎng)頁加載完成、服務(wù)器判斷返回等。在設(shè)計(jì)埋點(diǎn)需求文檔時，采集時機(jī)的說明尤為重要，也是保證數(shù)據(jù)準(zhǔn)確性的核心。

舉個例子：在采集過程中如果沒有明確時機(jī)，當(dāng)用戶點(diǎn)擊了注冊按鈕，由于用戶輸入了錯誤的注冊信息實(shí)際沒有注冊成功，可能仍然會進(jìn)行記錄，這樣在統(tǒng)計(jì)注冊成功事件的時候就不是準(zhǔn)確的。

而正確的采集時機(jī)描述應(yīng)該是“服務(wù)器返回注冊成功的判斷”。（日本官網(wǎng)采集的就是返回激活成功或者失敗頁面）

人數(shù)：某一事件（行為）有多少人觸發(fā)了；

次數(shù)：某一事件（行為）觸發(fā)了多少次；

人均次數(shù)：某一事件（行為）平均觸發(fā)多少次；

活躍比：在一個時間區(qū)間內(nèi)，觸發(fā)某一事件的人數(shù)占當(dāng)前時間段內(nèi)所有活躍人數(shù)的比。

當(dāng)事件很多時，可以對事件進(jìn)行分門別類地管理。同時，可以從產(chǎn)品業(yè)務(wù)角度將重要的用戶行為標(biāo)注出來，以便可以在分析時方便、快捷地查找常用、重要的事件。

漏斗模型幫助你分析一個多步驟過程中每一步的轉(zhuǎn)化與流失情況。

舉例來說，用戶下載產(chǎn)品的完整流程可能包含以下步驟：

我們可以將如上流程設(shè)置為一個漏斗，分析整體的轉(zhuǎn)化情況，以及每一步具體的轉(zhuǎn)化率和轉(zhuǎn)化中位時間。

我們需要將按照流程操作的用戶進(jìn)行各個轉(zhuǎn)化層級上的監(jiān)控，尋找每個層級的可優(yōu)化點(diǎn)；對沒有按照流程操作的用戶繪制他們的轉(zhuǎn)化路徑，找到可提升用戶體驗(yàn)，縮短路徑的空間。

更好的利用漏斗模型：

• 細(xì)化每一個環(huán)節(jié)，展示到點(diǎn)擊之間？點(diǎn)擊到下載之間？下載到安裝之間？安裝到體驗(yàn)之間？
• 擁有埋點(diǎn)意識和全局觀念，才能夠有效采集，為每個環(huán)節(jié)的漏斗優(yōu)化做出決策依據(jù)，推動各個部門優(yōu)化

反映用戶在網(wǎng)頁上的關(guān)注點(diǎn)在哪里，尤其對于官網(wǎng)首頁來說，信息密度極高，用戶究竟是如何點(diǎn)擊，如何瀏覽的效果圖。

按計(jì)算維度劃分，熱圖可以分為點(diǎn)擊熱圖和瀏覽熱圖：

1）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，后者只追蹤頁面上可點(diǎn)擊元素的點(diǎn)擊情況。

2）瀏覽熱圖

也稱注意力熱圖，記錄的是用戶在不同頁面或同一頁面不同位置停留時間的百分比計(jì)算，基于停留時長。

1）面向特定人群的分析與人群對比

比如理財產(chǎn)品，投資用戶和未投資用戶關(guān)注點(diǎn)肯定不同。

2）聚焦分析

• 點(diǎn)擊率= 點(diǎn)擊次數(shù)/當(dāng)前頁面的瀏覽次數(shù)
• 聚焦率=點(diǎn)擊次數(shù)/當(dāng)前頁面的點(diǎn)擊總次數(shù)

• 落地頁效果分析
• 首頁流量追蹤
• 關(guān)鍵頁體驗(yàn)衡量（產(chǎn)品體驗(yàn)和下載頁面）
• 自定義留存分析模型

1）定義：滿足某個條件的用戶，在某個時間點(diǎn)有沒有進(jìn)行回訪行為

2）公式：若滿足某個條件的用戶數(shù)為n，在某個時間點(diǎn)進(jìn)行回訪行為的用戶數(shù)為m，那么該時間點(diǎn)的留存率就是m/n

1）N-day留存：即第幾日留存，只計(jì)算第N天完成回訪行為的用戶

2）Unbounded留存（N天內(nèi)留存）：留存會累計(jì)計(jì)算N天內(nèi)所有完成過回訪行為的用戶。

3）Bracket留存 （自定義觀察期留存）：N-day留存和Unbounded留存都是按照獨(dú)立的天/周/月為觀察單位計(jì)算，但有時候我們不希望受限于這種固定時間度量，我們希望劃分為幾個觀察期：

• 第一個觀察期：次日
• 第二個觀察期：第3日-第7日
• 第三個觀察期：第8日-第14日
• 第四個觀察期：第15日到第30日

上述三種留存方式，都是對時間的限定，對留存的定義都是用戶打開了APP或進(jìn)入了網(wǎng)站。

自定義留存是基于業(yè)務(wù)場景下的留存情況，比如閱讀類產(chǎn)品會把看過至少一篇文章的用戶定義為真正的留存用戶，電商類產(chǎn)品會把至少查看過一次商品詳情定義為有效留存。

1）初始行為

初始與回訪是相對的概念。

2）回訪行為

與初始行為的設(shè)定是并且關(guān)系。用戶的初始行為可以理解為上一次行為，回訪行為即理解為下一次行為。

對初始行為和回訪行為的設(shè)定本質(zhì)上是在進(jìn)一步篩選用戶群，在滴滴的一次增長分享會曾提到過“搶了紅包的用戶后來打了車的日留存”，即初始行為是搶了紅包，回訪行為是打了車。

“搶了紅包的用戶打了車的3日留存”——即初始行為是搶了紅包，回訪行為是打車，看這部分人的第三天留存。

對活躍用戶使用產(chǎn)品的習(xí)慣的分析，例如一個月使用了幾天，使用大于一天，大于七天的用戶有多少。

例如某些產(chǎn)品上線了新功能，用戶使用需要簽到，可以由此分析出用戶的使用習(xí)慣，評估新功能的吸引力和健康度。

使用留存分析，了解產(chǎn)品和功能黏住用戶的能力如何，用戶喜歡哪個功能，不同用戶在同一功能在適用上的差異，有助于科學(xué)評估產(chǎn)品，制定留存策略

股票APP，已投資用戶和未投資的用戶觸發(fā)功能【查看股票市場】的次數(shù)。

行為路徑分析分為：漏斗分析和全行為路徑分析。

1）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，例如電商產(chǎn)品，分析從查看產(chǎn)品詳情到最終支付每一步的轉(zhuǎn)化率。

2）而全行為路徑分析是對用戶在APP或網(wǎng)站的每個模塊的流轉(zhuǎn)情況，挖掘用戶的訪問模式，從而優(yōu)化產(chǎn)品或網(wǎng)站

一般可用樹形圖表現(xiàn)，如下圖，一個線上培訓(xùn)網(wǎng)站，用戶大都會打開搜索課程，所以需要優(yōu)化搜索課程。

而在第一次搜索課程后，用戶并沒有搜索到想要的課程，又進(jìn)行了第二次搜索，因此可以將用戶搜索頻率高的關(guān)鍵詞設(shè)置成可點(diǎn)擊元素，鏈接到用戶使用頻率高的相關(guān)課程，引導(dǎo)用戶點(diǎn)擊得到想要的結(jié)果。

分群是對某一特征用戶的劃分和歸組，而分層，更多的是對全量用戶的一個管理手段，細(xì)分用戶的方法其實(shí)我們一直在用，比如我們熟悉的RFM模型：

1）最近一次消費(fèi)時間（Recency）

2）消費(fèi)頻率 (Frequency)

3）消費(fèi)金額 (Monetary)

通過這三個維度將用戶有效地細(xì)分為8個具有不同用戶價值及應(yīng)對策略的群體，如下圖所示：

1）用戶屬性：用戶客觀的屬性，描述用戶真實(shí)人口屬性的標(biāo)簽，比如：年齡、性別、城市、瀏覽器版本、系統(tǒng)版本、操作版本、渠道來源等就是用戶屬性

2）活躍時間

3）做過，沒做過

4）新增于：何時新增用戶較多

作者：李啟方

來源：數(shù)據(jù)分析不是個事兒