不同的業(yè)務(wù)場(chǎng)景，往往需要不同的數(shù)據(jù)分析模型應(yīng)用，熟練掌握常見(jiàn)的數(shù)據(jù)分析模型，不僅是數(shù)據(jù)分析的基礎(chǔ)，也是PPT報(bào)告的必備，日后數(shù)據(jù)分析和增長(zhǎng)規(guī)劃的真誠(chéng)必殺技~

十大數(shù)據(jù)分析模型包含：事件分析、漏斗分析、熱圖分析、留存分析、事件流分析、用戶分層分析、用戶細(xì)查、分布分析、歸因分析等。

01 事件分析

事件分析作為一種實(shí)證研究方法，是指通過(guò)數(shù)據(jù)分析市場(chǎng)某一特定事件對(duì)公司價(jià)值的影響。

什么叫做“事件”呢？

簡(jiǎn)單講就是：用戶在產(chǎn)品上的行為，它是用戶行為的一個(gè)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(kāi)發(fā)人員通過(guò)埋點(diǎn)進(jìn)行采集。通俗講就是：將一段代碼放入對(duì)應(yīng)的頁(yè)面/按鈕，用戶進(jìn)入頁(yè)面/點(diǎn)擊按鈕的本質(zhì)是在加載背后的代碼，同時(shí)再加載事件采集代碼，這樣就被SDK所記錄。

一個(gè)完整的事件應(yīng)該包含

• 用戶信息：描述用戶信息，比如：用戶訪問(wèn)/登陸ID
• 時(shí)間信息：事件發(fā)生事件
• 行為信息：用戶做了什么行為
• 行為對(duì)象信息：用戶行為作用在哪些對(duì)象上，比如：點(diǎn)擊按鈕A，瀏覽了頁(yè)面B，修改文本框C，那ABC都是用戶行為作用的對(duì)象。

事件分析是所有數(shù)據(jù)分析模型中最基礎(chǔ)的一種，指對(duì)用戶行為事件的指標(biāo)進(jìn)行統(tǒng)計(jì)、維度細(xì)分、篩選等分析操作。

例如，對(duì)于“點(diǎn)擊加入購(gòu)物車按鈕”這個(gè)事件，我們可以用“點(diǎn)擊次數(shù)”或者“點(diǎn)擊人數(shù)”來(lái)度量，對(duì)應(yīng)的指標(biāo)分別是“點(diǎn)擊加入購(gòu)物車按鈕的次數(shù)”和“點(diǎn)擊加入購(gòu)物車按鈕的人數(shù)”。

度量結(jié)果可以通過(guò)線圖、縱向柱狀圖、橫向柱狀圖（條形圖）、表格、數(shù)值、氣泡圖等呈現(xiàn)。

比如利用氣泡圖來(lái)展示五款產(chǎn)品功能所在的區(qū)域，判斷功能存在的必要性，以功能使用人數(shù)為Y軸，產(chǎn)品好評(píng)率為X軸，交叉成為四象限，為五款產(chǎn)品功能進(jìn)行判斷。

采集時(shí)機(jī)，通常有3種采集時(shí)機(jī)，包括：用戶點(diǎn)擊（click）、網(wǎng)頁(yè)加載完成、服務(wù)器判斷返回。在設(shè)計(jì)埋點(diǎn)需求文檔時(shí)，采集時(shí)機(jī)的說(shuō)明尤為重要，也是保證數(shù)據(jù)準(zhǔn)確性的核心。

事件分析，通過(guò)行為信息之間的相互關(guān)系，尋找規(guī)律，準(zhǔn)確了解產(chǎn)品特征合理配置追蹤，關(guān)于變化趨勢(shì)對(duì)比。

02 漏斗分析

漏斗分析與事件分析不同的地方在于，漏斗分析是基于用戶（也就是基于人）來(lái)統(tǒng)計(jì)某一批用戶所發(fā)生的行為，不會(huì)受到歷史瀏覽頁(yè)面用戶的事件影響，可以更加準(zhǔn)確地顯示出某一時(shí)間段產(chǎn)品存在的問(wèn)題。

一個(gè)完整的漏斗分析需要：

• 步驟：這里是指用戶行為，由事件加篩選條件組成。
• 時(shí)間范圍：指漏斗第一步發(fā)生的時(shí)間范圍。
• 轉(zhuǎn)化周期：指用戶完成漏斗的時(shí)間限制，漏斗分析只統(tǒng)計(jì)在這個(gè)時(shí)間范圍內(nèi)，用戶從第一步到最后一步的轉(zhuǎn)化。
• 時(shí)間范圍：指漏斗第一步發(fā)生的事件范圍
• 轉(zhuǎn)化周期：指用戶完成漏斗的時(shí)間限制

漏斗分析只統(tǒng)計(jì)在這個(gè)時(shí)間范圍內(nèi)，用戶從第一步到最后一步的轉(zhuǎn)化。

以注冊(cè)轉(zhuǎn)化漏斗為例，漏斗模型可以度量每一步的注冊(cè)轉(zhuǎn)化率和整體注冊(cè)轉(zhuǎn)化率。

從“開(kāi)始注冊(cè)”到“注冊(cè)第三步完成”，每一步的轉(zhuǎn)化率分別為55.8%、18.5%、92.5%，整體注冊(cè)轉(zhuǎn)化率為9.54%。我們可以很明顯地看出，“注冊(cè)第一步完成”的轉(zhuǎn)化率明顯低于其他兩個(gè)步驟。后面通過(guò)數(shù)據(jù)反饋和用戶調(diào)研發(fā)現(xiàn)，在于短信服務(wù)商的發(fā)送達(dá)到率不高，導(dǎo)致整個(gè)驗(yàn)證碼存在收不到情況。

漏斗分析，通過(guò)轉(zhuǎn)化率和正常范圍內(nèi)進(jìn)行對(duì)比，可以輕松通過(guò)時(shí)間維度監(jiān)控每一步和整體轉(zhuǎn)化率的趨勢(shì)，幫助及時(shí)發(fā)現(xiàn)問(wèn)題和進(jìn)行調(diào)整。

03 熱圖分析

產(chǎn)品存在的目的是為了幫助用戶實(shí)現(xiàn)特定的目標(biāo)，比如查找信息，注冊(cè)服務(wù)，購(gòu)買產(chǎn)品等。

當(dāng)用戶在訪問(wèn)產(chǎn)品的過(guò)程中，并進(jìn)行了下一步操作，需要關(guān)注的問(wèn)題：

• 1）用戶是否有點(diǎn)擊運(yùn)營(yíng)設(shè)置的內(nèi)容？
• 2）是否有重要的按鈕或元素被大量點(diǎn)擊，但是資源位沒(méi)有被充分利用？
• 3）不同的運(yùn)營(yíng)位，不同內(nèi)容對(duì)用戶的吸引度有多少？
• 4）核心資源位的點(diǎn)擊曝光有多少？
• 5）從重點(diǎn)元素的點(diǎn)擊來(lái)看，哪個(gè)渠道帶來(lái)的效果差異如何？

熱力圖可以提供一種清晰直觀方式幫助我們回答這些問(wèn)題，熱圖是常見(jiàn)的數(shù)據(jù)分析圖像。是以產(chǎn)品中元素的點(diǎn)擊次數(shù)，點(diǎn)擊人數(shù)，點(diǎn)擊率為基礎(chǔ)數(shù)，以特殊高亮的圖形形式展示用戶點(diǎn)擊頁(yè)面的位置或用戶所在頁(yè)面位置。通過(guò)聚合用戶行為，熱圖可以一目了然展示用戶如何跟產(chǎn)品進(jìn)行交互，幫助識(shí)別用戶行為趨勢(shì)并優(yōu)化產(chǎn)品流程。

基于鼠標(biāo)點(diǎn)擊位置的熱圖

• 鼠標(biāo)點(diǎn)擊（Mouse Click Heatmap），記錄所有的點(diǎn)擊，代表的產(chǎn)品有HotJar、CrazyEgg、Smartlook、Ptengine、Clarity、百度統(tǒng)計(jì)、Yandex.Metrica等
• 基于鼠標(biāo)點(diǎn)擊位置的熱圖不會(huì)追隨內(nèi)容的變化，只是記錄相對(duì)時(shí)間內(nèi)鼠標(biāo)點(diǎn)擊的絕對(duì)位置

基于鼠標(biāo)移動(dòng)軌跡的熱圖

• 比如mousestats，mouseflow等記錄用戶鼠標(biāo)移動(dòng)，停留行為等，熱圖多為軌跡行為，由于鼠標(biāo)的移動(dòng)和眼球的運(yùn)動(dòng)有著較大的向光性，該熱圖用于洞察用戶心理，探索用戶在產(chǎn)品上的注意力情況。
• 基于鼠標(biāo)移動(dòng)軌跡的熱圖不會(huì)追蹤內(nèi)容的變化，只是記錄相對(duì)時(shí)間鼠標(biāo)移動(dòng)的絕對(duì)位置。

基于內(nèi)容點(diǎn)擊的熱圖

• 記錄用戶在網(wǎng)站內(nèi)容上的點(diǎn)擊，自動(dòng)過(guò)濾掉頁(yè)面的空白頁(yè)，也就是沒(méi)有內(nèi)容和鏈接的無(wú)效頁(yè)面?；趦?nèi)容點(diǎn)擊的熱圖，會(huì)追蹤內(nèi)容的變化而變化，記錄相對(duì)時(shí)間內(nèi)用戶對(duì)內(nèi)的點(diǎn)擊偏好。
• 熱圖可以反映用戶在頁(yè)面位置上鼠標(biāo)的點(diǎn)擊，移動(dòng)和停留偏好，產(chǎn)品經(jīng)理和運(yùn)營(yíng)可以接種熱圖對(duì)用戶的訪問(wèn)偏好有一定的理解

04 留存分析

留存分析是衡量產(chǎn)品是否對(duì)用戶有持續(xù)吸引力和用戶粘性的重要數(shù)據(jù)分析模型?？梢酝ㄟ^(guò)表格和線圖呈現(xiàn)。

• 留存用戶：如果用戶發(fā)生其實(shí)行為，段時(shí)間后，又發(fā)生了目標(biāo)行為，即認(rèn)定用戶為留存用戶
• 留存行為：某個(gè)目標(biāo)用戶完成了其實(shí)行為后，在后續(xù)日期完成了特定的留存行為，則留存人數(shù)+1。留存行為一般會(huì)跟我們目標(biāo)強(qiáng)相關(guān)性。
• 留存率是指“留存行為用戶”只能“起始行為用戶”的比例。常見(jiàn)指標(biāo)：次日留存率，7日留存率，日月留存率

以留存分析衡量某個(gè)產(chǎn)品的激活手段是否有效

舉個(gè)例子：某產(chǎn)品為了推廣電商模塊，采用“簽到獎(jiǎng)勵(lì)”的激活手段，用戶簽到后可以獲得積分，積分可以抵扣電商購(gòu)物時(shí)的部分金額，這樣設(shè)計(jì)期望帶動(dòng)電商模塊的活躍度和購(gòu)買轉(zhuǎn)化。

由于簽到積分存在較低的“薅羊毛”門檻，部分投機(jī)用戶會(huì)堅(jiān)持簽到以獲取積分，然后用積分直接兌換商品。

通過(guò)留存分析查看用戶簽到領(lǐng)取積分的轉(zhuǎn)化情況，使用“簽到獎(jiǎng)勵(lì)”功能的用戶回來(lái)使用“簽到獎(jiǎng)勵(lì)”的留存率很高，但后續(xù)進(jìn)行電商交易模塊比較少，

——說(shuō)明簽到獎(jiǎng)勵(lì)對(duì)于活躍用戶效果較好，但激活電商模塊效果較差，需調(diào)整簽到手段，增加其他激活用戶的轉(zhuǎn)化。

留存分析的“魔法數(shù)字”

很多增長(zhǎng)黑客的故事里都提到過(guò)“魔法數(shù)字”這個(gè)概念。比如，領(lǐng)英(Linkedln)發(fā)現(xiàn)第一周增加5個(gè)新社交關(guān)系的用戶的留存率很高，臉書(shū)(Facebook)發(fā)現(xiàn)在注冊(cè)第一周里增加10個(gè)好友的用戶的留存率很高，推特(Twitter)發(fā)現(xiàn)在第一周有30個(gè)追隨者(followers)的用戶的留存率很高等。這些魔法數(shù)字都是在用戶行為的留存分析中發(fā)現(xiàn)的

一個(gè)用戶使用了我們網(wǎng)站或者APP的某些功能、做了某些動(dòng)作，然后留下來(lái)持續(xù)使用我們的產(chǎn)品、成為忠誠(chéng)的用戶。這說(shuō)明用戶的行為和留存率之間是有一些相關(guān)性的，我們要找出這種相關(guān)性，然后去看是否有因果關(guān)系

“魔法數(shù)字”的探索實(shí)踐

第一步，確定用戶使用產(chǎn)品的可能行為指標(biāo)（可能會(huì)影響留存率的指標(biāo)）。

一個(gè)電商類APP可能有包括開(kāi)啟APP，登錄、瀏覽、添加關(guān)注、收藏、加入購(gòu)物車、點(diǎn)贊、分享、購(gòu)買等行為，以及客單價(jià)、下單次數(shù)、平均下單周期等行為指標(biāo)。

第二步，分析用戶行為與最終留存率之間的相關(guān)性。

例如下圖所示push推送次數(shù)與留存率的關(guān)系圖，push推送能有效召回用戶，提升用戶在產(chǎn)品上的留存率，隨著push推送召回用戶次數(shù)的增多，用戶留存率也在逐漸升高。

當(dāng)一天推送3條push后，留存率急速攀升達(dá)到71%，但當(dāng)push推送超過(guò)3次時(shí)，此時(shí)用戶留存率基本趨于平穩(wěn)。再多的push也沒(méi)辦法提升用戶在產(chǎn)品上的留存。

當(dāng)push推送在3次，整個(gè)用戶留存達(dá)到最高值，黏性很強(qiáng)，但當(dāng)>=3次多條消息推送，邊際效益遞減，反而會(huì)打擾到用戶，所以在實(shí)際運(yùn)營(yíng)工作中，應(yīng)該控制當(dāng)天推送在3次。

在實(shí)際產(chǎn)品運(yùn)營(yíng)工作中，各種數(shù)據(jù)圖表都是綜合配合使用，結(jié)合實(shí)驗(yàn)AB測(cè)試，以打造用戶更滿意的產(chǎn)品功能和體驗(yàn)為主；“以用戶為核心”把用戶信息做基礎(chǔ)，利用多種增長(zhǎng)模型，尋找增長(zhǎng)“魔法數(shù)字”和“啊哈”時(shí)刻，才是用戶增長(zhǎng)的核心。