运营人常用的11大数据分析模型，你get了吗？| 建议收藏

  ↑点击关注↑开启精益成长

随着数据运营持续走热，企业及其内部运营人员也越来越重视自身数据运营能力的培养。易观方舟结合数百家客户服务经验，总结提炼出了“理数-收数-看数-用数”的数据运营闭环，旨在帮助企业和内部运营人员低门槛、高效率地快速落地数据运营。

今天，我们从“看数”这一环节入手，给大家介绍常见的11大数据分析模型，包括事件分析、属性分析、渠道分析、Session分析、留存分析、归因分析、热图分析、分布分析、间隔分析、路径分析、漏斗分析。希望通过对11大数据分析模型的了解和认识，能够助力大家能够系统和科学地开展数据分析工作。

事件，是指用户在 APP、网站等应用上发生的行为，即何人，何时，何地，通过何种方式，做了什么事。事件分析模型主要用于分析用户在应用上的行为，比如打开 APP、注册、登录、支付订单等。通过触发用户数、触发次数、访问时长等基础指标度量用户行为，同时也支持指标运算，构建复杂的指标衡量业务过程。

那么，事件分析模型能够解决哪些问题呢？例如：

• 监测产品每天的用户数、访问次数、使用时长；趋势是否发生了变化？引起变化的因素有哪些？

• 北京地区的用户和上海地区的用户，购买家电品类的金额分布差异在哪里？

• 今天在产品中发起了一个话题，各个时段用户的参与情况如何？

• 最近半年付费用户数和 ARPU 值是多少？

事件分析模型能够实时监测用户在不同平台的用户行为，通过不同维度归因指标变化因素，还能通过自定义指标组合成新的指标实现更为强大的分析能力。易观方舟智能分析产品支持细分维度与条件过滤，同时支持通过分析用户群进行人群对比。

属性分析是基于用户自定义属性或预置属性的占比分析，能够按照不同的属性来统计用户数等指标的属性占比，进而得到初步的分析结论。例如，通过对性别属性的用户数占比分析，我们可以快速得到不同性别的用户数统计结果。

通过属性分析，可以快速查看在不同属性上的用户数分布情况，便于统计不同特征的用户总量，在使用属性分析的过程中，需要合理选择度量方式，常用的度量方式包括：用户数、去重数、总和、最大值、最小值、均值等。

例如：我们选择的指标为“累计消费金额的均值”，维度为“会员等级”，用户选择“所有用户”，那么我们得到的结果是“所有不同会员等级用户的平均消费金额是多少”。

属性分析模型同事件分析模型类似，可以进行多维度多用户之间的对比、多种图表形式展示统计结果。在有标签功能的场景下，还可以对不同版本标签的统计对比分析。

渠道，即企业（产品）与用户产生互动的各个触点，比如搜索引擎、社交媒体、广告平台、线下站会等等。

渠道分析模型用于分析用户（包括访客）的访问来源，通过访问用户数、访问次数、访问时长、跳出率等基础指标评估渠道质量，同时也支持自定义转化目标衡量渠道的转化效果。

那么，渠道分析能够解决哪些问题呢？例如：

• 各个渠道实时的访问用户数、浏览量如何？

• 上周选择了多个渠道对网站进行推广，各个渠道带来的用户注册量如何？

• 社交媒体、搜索引擎、外部链接……哪个渠道带来的用户留存率更高？

• 微信来源用户更多集中在公众号还是朋友圈？

• 哪些搜索词带来的流量很大，且转化效果也好？

渠道分析模型通过定义基础指标和转化指标、选择分析平台、渠道维度，就能够清晰地呈现各渠道表现，从而评估不同渠道的实际产出效果，最终选择优质渠道组合，提高整体ROI。

Session，即会话，是指在指定的时间段内在网站/H5/小程序/APP上发生的一系列用户行为的集合。例如，一次会话可以包含多个页面浏览、交互事件等。Session 是具备时间属性的，根据不同的切割规则，可以生成不同长度的 Session。

Session分析模型含多种度量 Session 访问质量的指标，包括访问次数、人均访问次数、总访问时长、单次访问时长、单次访问深度、跳出次数、跳出率、退出次数、退出率、人均访问时长、总页面停留时长、平均页面停留时长。

不同于事件分析，Session 分析中额外支持了一些维度的细分，以满足特定场景下针对 Session 分析的需求，包括：

• 渠道来源分组：用以区分每次访问的渠道来源，仅适用于 Web/H5/小程序；

• 浏览页面数：以步长5为间隔，统计每次浏览页面数的分布情况；

• 着陆页：用以区分每次访问的着陆页，可以评价不同着陆页的访问质量；

• 退出页：用以区分每次访问的退出页，可以评价不同页面的退出情况，找到退出率高的页面进行优化；

• 访问时长：按照 0-3 secs，3-10 secs，10-30 secs，30-60 secs，1-3 mins，3-10 mins，10-30 mins，30-60 mins，1 hour 以上的区间进行划分，统计每次访问的时长分布。

同事件分析类似，Session 分析也支持多指标、多维度和多过滤条件，同时也支持多用户分群之间的横向对比。同时在 Session 分析中，还支持按照日、周、月三种不同粒度来进行统计分析，用户可以根据查询数据的时间跨度来选择合适的粒度进行分析。

留存是指用户在 APP、网站等应用上使用过，并一段时间后仍有使用。

留存分析模型是一种衡量用户健康度/参与度的方法，超越下载量、DAU 等指标，深入了解用户的留存和流失状况，发现影响产品可持续增长的关键因素，指导市场决策、产品改进、提升用户价值等。

那么，留存分析模型能够解决哪些问题呢？例如：

• 上个月做了一次产品迭代，如何评估其效果？是否完成了产品经理期望完成的行为？

• 作为一个社交 APP，在注册后不添加好友和添加 10 个好友的用户后续留存有差异吗？

• 短期留存低，长期留存一定很差吗？

• 两个推广渠道带来不同的用户，哪个渠道的用户更有可能是的高价值用户？

• 近 30 天注册的用户，半个月都没有回访的用户比例是多少？

留存分析模型支持条件过滤和多人群的对比分析，支持对全量数据随机抽样计算。同时我们还可以通过留存分析判断新用户在几天、几周、几月后是否愿意回来使用你的功能，还可自定义初始行为和结束行为进行功能留存分析。

留存是基于某个用户群体的初始行为时间来计算的，描述发生了某个行为的同期群，在一段时间后是否发生了期望的行为。初始行为和后续行为均可以是任意事件或者某个具体的事件。

不同的分析场景中可以设置多个不同的留存条件来分析：

• 初始行为和后续行为设置为相同，对比不同的功能重复发生的情况，发现用户对不同功能的使用粘性；

• 初始行为相同，设置不同的后续行为，对比同一个优化是否对其他功能有不同的影响；

• 后续行为相同，设置不同的初始行为，对比发现不同的运营手段、产品功能对核心业务目标的影响。

在做运营活动时，我们可能会在产品内的多个运营位上投放活动素材，试图在用户与产品交互过程中的各个触点上，吸引用户的注意力，引导流量走向和用户行为，促成最终转化。此外，用户本身可能还会通过搜索、内容推荐等触点获取信息，这些触点对用户是否能达成转化也发挥着重要作用。

也就是说，在用户转化路径上，站内的众多触点都参与了对用户的劝说和引导，影响了用户的最终决策。那么，对比各个用户触点，它们对关键指标的达成分别贡献了多大力量，是否都如运营人员所预期的那样，具有优秀的转化能力；亦或者，存在被低估的情况？在之后的运营中，该如何调整对各运营位资源投入的权重分配？

对于以上问题，归因分析提供了一种直观的度量 —— 转化贡献度，主要用于衡量和评估站内的用户触点对总体转化目标达成（如订单总金额）所作出的贡献，可以非常直接地量化每个运营位和触点的转化效果和价值贡献。常见的归因分析模型有以下五种：

• 首次触点归因：将转化功劳 100% 归于首次互动的待归因事件；

• 末次触点归因：将转化功劳 100% 归于末次互动的待归因事件；

• 线性归因：将转化功劳平均分配给转化路径上的所有待归因事件；

• 位置归因：按待归因事件在转化路径上的位置分配转化功劳，一般首次和末次互动的事件各占 40%，中间触点的事件均分剩余的 20%；

• 时间衰减归因：按待归因事件发生的时间顺序，分配转化功劳，距离目标事件发生时间越近的待归因事件，做出的贡献越大，分配到的功劳越多。

通过易观方舟归因分析模型，只需简单五步设置（定义目标事件、触点事件、选择归因模型、定义窗口期和选择查询时间范围），就可直观看到各触点对总体转化指标的贡献情况。

热图分析模型能够用热谱图直观呈现用户在网站、H5页面、APP上的点击、滚动行为，帮助产品、运营人员了解用户的点击偏好，辅助做页面设计优化、内容调整等。

常见的热图类型有以下4种：

• 点击位置热图，用于展示用户在网站上所有点击的位置，聚集的点击越多，颜色越亮。通常用于分析着陆页 ：是否点击了CTA的内容？是否有被大量点击的重要按钮或元素被放到了很少有用户到达的地方？是否有用户点击的图片或文字其实没有链接？

• 点击元素热图，展示可交互元素的点击情况。用于分析：具体是哪些元素吸引了多少点击？占据了整页点击多少比例？是否有不符合我们预期的失误诱导？

• 浏览深度线，展示用户抵达某个区域的留存比例。百分比越低，越少用户能够看到这一位置。通常用于寻找CTA的最佳位置和内容营销转换监测。

• 注意力热图，展示用户在某个区域停留的时长，停留时间越长，该区域颜色越亮。通常用于分析：了解到网页哪些内容吸引访客，哪些内容认为重要却被用户忽略？是否有被用户仔细阅读的内容放到了过于靠下的位置？

不同类型的热图各有优缺点，例如点击位置热图，劣势是上报的数据量会增加，但可以非常直观地定性分析用户的探索性需求，发现非交互元素上意料之外的大量点击；点击元素热图，过滤掉了部分不可点击的内容，对可点击元素可以集中定量分析，但不够直观。

我们可以在不同场景下选择不同适合的类型，目前易观方舟已经支持 Web 端的点击位置热图、点击元素热图、浏览深度线，APP 端的点击位置热图和点击元素热图。

分布分析主要能够提供「维度指标化」之后的数据分解能力，将原有维度按照一定的数值区间进行维度划分，进而分析每个维度区间的分布情况，在以下分析场景中十分常见：分析订单的金额分布、分析某类特殊事件的发生时段分布、分析某类特殊事件的发生次数分布、分析触发某类事件的用户年龄分布。

由此可见，分布分析主要针对的是数值型和日期型这两类属性，如金额、年龄、时间、频次，因此当用户打点上传的数据中包括这两类属性时，那么在日常的分析中就有可能会使用分布分析来解决一些特定问题。常用指标有：X 事件的次数分布、X 事件的活跃时段分布、X 事件的活跃天数分布、X 事件 Y 属性的总和/均值/人均值等分布。

间隔分析，主要用于统计用户从触发指定的起始事件开始到完成指定目标事件之间的时间间隔。也就是说主要提供从起始事件到转化目标之间的时间角度和步长角度的相关指标统计，便于关注转化的人群能够从这些指标中观察转化过程的情况。

间隔分析应用场景比较丰富，既可以用于统计产品的登录时间间隔、复购周期等，作为衡量用户活跃度和用户黏性的分析工具；也可以作为对转化漏斗分析的一种补充，通过转化时长指标来衡量特定转化路径在时间维度上的转化效率。

用于转化效率评估时，间隔分析是对转化漏斗的一种补充。不过两者各有侧重，间隔分析聚焦于用户完成转化的时间效率，而转化漏斗聚焦于转化的结果指标以及转化流程中各环节的转化和流失情况。

我们在关注转化结果和影响结果维度的同时，也需要关注转化过程中的效率指标，例如：对金融理财类 App而言，从落地页引流到首次入金，中间涉及的转化环节很多，除了最终转化率之外，需要关注核心步骤之间的转化效率，尤其是注册、绑卡等几个环节。

通过间隔分析，观察用户完成两次指定事件的时间间隔分布情况，同时结合其他分析模型，我们可以洞悉用户行为背后的规律，从而发掘改善用户体验、提升活跃度、产品转化率以及不断提升产品价值的线索。

路径是指用户在应用中使用的行为轨迹。在产品运营过程中，无论是产品、运营还是市场团队都希望能够清晰地了解用户行为路径，来验证运营思路、指导产品迭代优化，达到用户增长、转化的最终目的。

当有明确的转化路径时，通过预先建立漏斗来监测转化率会比较容易。但是很多情况下，虽然有最终的转化目标，但是用户到达该目标却有多条路径，无法确定哪条路径是用户走得最多的路径，哪条转化路径最短，这时候就需要智能路径分析模型的帮助。

通过易观方舟智能路径分析模型，能够打开用户行为黑盒，探索式发现转化目标的来源路径，可视化呈现所有路径和用户占比。

通过智能路径分析模型能够解决如下问题：

• 用户主要是从哪条路径最终形成支付转化的？

• 用户离开预想的路径后，实际走向是什么？

• 不同特征的用户行为路径有什么差异？

漏斗分析，是分析用户使用某项业务时，经过一系列步骤转化效果的方法。易观方舟的漏斗分析模型能够灵活自定义多步骤之间的转化过程，找到关键流失环节及影响因素，进而分析用户行为进行针对性优化动作。

那么，具体而言，漏斗分析能够解决什么问题呢？例如：

• 官网流量很大，但注册用户很少，是过程中哪个环节出了问题？

• 用户从“注册 – 绑卡 - 提交订单 - 支付订单” 总体转化率如何？

• 不同地区的用户支付转化率有什么差异？

• 两个推广渠道带来了不同的用户，哪个渠道的注册转化率高？

• 上周针对注册环节的问题做了一次优化，转化率趋势是否有提升？

在理想情况下，用户会沿着产品设计的路径到达最终目标事件，但实际情况是用户行为路径是多种多样的。通过埋点事件配置关键业务路径，可以分析多种业务场景下转化和流失的情况，我们不仅找出产品潜在问题的位置，还可以定位每个环节流失用户，进而定向营销促转化。