運(yùn)營(yíng)人常用的11大數(shù)據(jù)分析模型，你get了嗎？| 建議收藏

  ↑點(diǎn)擊關(guān)注↑開啟精益成長(zhǎng)

隨著數(shù)據(jù)運(yùn)營(yíng)持續(xù)走熱，企業(yè)及其內(nèi)部運(yùn)營(yíng)人員也越來越重視自身數(shù)據(jù)運(yùn)營(yíng)能力的培養(yǎng)。易觀方舟結(jié)合數(shù)百家客戶服務(wù)經(jīng)驗(yàn)，總結(jié)提煉出了“理數(shù)-收數(shù)-看數(shù)-用數(shù)”的數(shù)據(jù)運(yùn)營(yíng)閉環(huán)，旨在幫助企業(yè)和內(nèi)部運(yùn)營(yíng)人員低門檻、高效率地快速落地?cái)?shù)據(jù)運(yùn)營(yíng)。

今天，我們從“看數(shù)”這一環(huán)節(jié)入手，給大家介紹常見的11大數(shù)據(jù)分析模型，包括事件分析、屬性分析、渠道分析、Session分析、留存分析、歸因分析、熱圖分析、分布分析、間隔分析、路徑分析、漏斗分析。希望通過對(duì)11大數(shù)據(jù)分析模型的了解和認(rèn)識(shí)，能夠助力大家能夠系統(tǒng)和科學(xué)地開展數(shù)據(jù)分析工作。

事件，是指用戶在 APP、網(wǎng)站等應(yīng)用上發(fā)生的行為，即何人，何時(shí)，何地，通過何種方式，做了什么事。事件分析模型主要用于分析用戶在應(yīng)用上的行為，比如打開 APP、注冊(cè)、登錄、支付訂單等。通過觸發(fā)用戶數(shù)、觸發(fā)次數(shù)、訪問時(shí)長(zhǎng)等基礎(chǔ)指標(biāo)度量用戶行為，同時(shí)也支持指標(biāo)運(yùn)算，構(gòu)建復(fù)雜的指標(biāo)衡量業(yè)務(wù)過程。

那么，事件分析模型能夠解決哪些問題呢？例如：

• 監(jiān)測(cè)產(chǎn)品每天的用戶數(shù)、訪問次數(shù)、使用時(shí)長(zhǎng)；趨勢(shì)是否發(fā)生了變化？引起變化的因素有哪些？

• 北京地區(qū)的用戶和上海地區(qū)的用戶，購買家電品類的金額分布差異在哪里？

• 今天在產(chǎn)品中發(fā)起了一個(gè)話題，各個(gè)時(shí)段用戶的參與情況如何？

• 最近半年付費(fèi)用戶數(shù)和 ARPU 值是多少？

事件分析模型能夠?qū)崟r(shí)監(jiān)測(cè)用戶在不同平臺(tái)的用戶行為，通過不同維度歸因指標(biāo)變化因素，還能通過自定義指標(biāo)組合成新的指標(biāo)實(shí)現(xiàn)更為強(qiáng)大的分析能力。易觀方舟智能分析產(chǎn)品支持細(xì)分維度與條件過濾，同時(shí)支持通過分析用戶群進(jìn)行人群對(duì)比。

屬性分析是基于用戶自定義屬性或預(yù)置屬性的占比分析，能夠按照不同的屬性來統(tǒng)計(jì)用戶數(shù)等指標(biāo)的屬性占比，進(jìn)而得到初步的分析結(jié)論。例如，通過對(duì)性別屬性的用戶數(shù)占比分析，我們可以快速得到不同性別的用戶數(shù)統(tǒng)計(jì)結(jié)果。

通過屬性分析，可以快速查看在不同屬性上的用戶數(shù)分布情況，便于統(tǒng)計(jì)不同特征的用戶總量，在使用屬性分析的過程中，需要合理選擇度量方式，常用的度量方式包括：用戶數(shù)、去重?cái)?shù)、總和、最大值、最小值、均值等。

例如：我們選擇的指標(biāo)為“累計(jì)消費(fèi)金額的均值”，維度為“會(huì)員等級(jí)”，用戶選擇“所有用戶”，那么我們得到的結(jié)果是“所有不同會(huì)員等級(jí)用戶的平均消費(fèi)金額是多少”。

屬性分析模型同事件分析模型類似，可以進(jìn)行多維度多用戶之間的對(duì)比、多種圖表形式展示統(tǒng)計(jì)結(jié)果。在有標(biāo)簽功能的場(chǎng)景下，還可以對(duì)不同版本標(biāo)簽的統(tǒng)計(jì)對(duì)比分析。

渠道，即企業(yè)（產(chǎn)品）與用戶產(chǎn)生互動(dòng)的各個(gè)觸點(diǎn)，比如搜索引擎、社交媒體、廣告平臺(tái)、線下站會(huì)等等。

渠道分析模型用于分析用戶（包括訪客）的訪問來源，通過訪問用戶數(shù)、訪問次數(shù)、訪問時(shí)長(zhǎng)、跳出率等基礎(chǔ)指標(biāo)評(píng)估渠道質(zhì)量，同時(shí)也支持自定義轉(zhuǎn)化目標(biāo)衡量渠道的轉(zhuǎn)化效果。

那么，渠道分析能夠解決哪些問題呢？例如：

• 各個(gè)渠道實(shí)時(shí)的訪問用戶數(shù)、瀏覽量如何？

• 上周選擇了多個(gè)渠道對(duì)網(wǎng)站進(jìn)行推廣，各個(gè)渠道帶來的用戶注冊(cè)量如何？

• 社交媒體、搜索引擎、外部鏈接……哪個(gè)渠道帶來的用戶留存率更高？

• 微信來源用戶更多集中在公眾號(hào)還是朋友圈？

• 哪些搜索詞帶來的流量很大，且轉(zhuǎn)化效果也好？

渠道分析模型通過定義基礎(chǔ)指標(biāo)和轉(zhuǎn)化指標(biāo)、選擇分析平臺(tái)、渠道維度，就能夠清晰地呈現(xiàn)各渠道表現(xiàn)，從而評(píng)估不同渠道的實(shí)際產(chǎn)出效果，最終選擇優(yōu)質(zhì)渠道組合，提高整體ROI。

Session，即會(huì)話，是指在指定的時(shí)間段內(nèi)在網(wǎng)站/H5/小程序/APP上發(fā)生的一系列用戶行為的集合。例如，一次會(huì)話可以包含多個(gè)頁面瀏覽、交互事件等。Session 是具備時(shí)間屬性的，根據(jù)不同的切割規(guī)則，可以生成不同長(zhǎng)度的 Session。

Session分析模型含多種度量 Session 訪問質(zhì)量的指標(biāo)，包括訪問次數(shù)、人均訪問次數(shù)、總訪問時(shí)長(zhǎng)、單次訪問時(shí)長(zhǎng)、單次訪問深度、跳出次數(shù)、跳出率、退出次數(shù)、退出率、人均訪問時(shí)長(zhǎng)、總頁面停留時(shí)長(zhǎng)、平均頁面停留時(shí)長(zhǎng)。

不同于事件分析，Session 分析中額外支持了一些維度的細(xì)分，以滿足特定場(chǎng)景下針對(duì) Session 分析的需求，包括：

• 渠道來源分組：用以區(qū)分每次訪問的渠道來源，僅適用于 Web/H5/小程序；

• 瀏覽頁面數(shù)：以步長(zhǎng)5為間隔，統(tǒng)計(jì)每次瀏覽頁面數(shù)的分布情況；

• 著陸頁：用以區(qū)分每次訪問的著陸頁，可以評(píng)價(jià)不同著陸頁的訪問質(zhì)量；

• 退出頁：用以區(qū)分每次訪問的退出頁，可以評(píng)價(jià)不同頁面的退出情況，找到退出率高的頁面進(jìn)行優(yōu)化；

• 訪問時(shí)長(zhǎng)：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 以上的區(qū)間進(jìn)行劃分，統(tǒng)計(jì)每次訪問的時(shí)長(zhǎng)分布。

同事件分析類似，Session 分析也支持多指標(biāo)、多維度和多過濾條件，同時(shí)也支持多用戶分群之間的橫向?qū)Ρ?。同時(shí)在 Session 分析中，還支持按照日、周、月三種不同粒度來進(jìn)行統(tǒng)計(jì)分析，用戶可以根據(jù)查詢數(shù)據(jù)的時(shí)間跨度來選擇合適的粒度進(jìn)行分析。

留存是指用戶在 APP、網(wǎng)站等應(yīng)用上使用過，并一段時(shí)間后仍有使用。

留存分析模型是一種衡量用戶健康度/參與度的方法，超越下載量、DAU 等指標(biāo)，深入了解用戶的留存和流失狀況，發(fā)現(xiàn)影響產(chǎn)品可持續(xù)增長(zhǎng)的關(guān)鍵因素，指導(dǎo)市場(chǎng)決策、產(chǎn)品改進(jìn)、提升用戶價(jià)值等。

那么，留存分析模型能夠解決哪些問題呢？例如：

• 上個(gè)月做了一次產(chǎn)品迭代，如何評(píng)估其效果？是否完成了產(chǎn)品經(jīng)理期望完成的行為？

• 作為一個(gè)社交 APP，在注冊(cè)后不添加好友和添加 10 個(gè)好友的用戶后續(xù)留存有差異嗎？

• 短期留存低，長(zhǎng)期留存一定很差嗎？

• 兩個(gè)推廣渠道帶來不同的用戶，哪個(gè)渠道的用戶更有可能是的高價(jià)值用戶？

• 近 30 天注冊(cè)的用戶，半個(gè)月都沒有回訪的用戶比例是多少？

留存分析模型支持條件過濾和多人群的對(duì)比分析，支持對(duì)全量數(shù)據(jù)隨機(jī)抽樣計(jì)算。同時(shí)我們還可以通過留存分析判斷新用戶在幾天、幾周、幾月后是否愿意回來使用你的功能，還可自定義初始行為和結(jié)束行為進(jìn)行功能留存分析。

留存是基于某個(gè)用戶群體的初始行為時(shí)間來計(jì)算的，描述發(fā)生了某個(gè)行為的同期群，在一段時(shí)間后是否發(fā)生了期望的行為。初始行為和后續(xù)行為均可以是任意事件或者某個(gè)具體的事件。

不同的分析場(chǎng)景中可以設(shè)置多個(gè)不同的留存條件來分析：

• 初始行為和后續(xù)行為設(shè)置為相同，對(duì)比不同的功能重復(fù)發(fā)生的情況，發(fā)現(xiàn)用戶對(duì)不同功能的使用粘性；

• 初始行為相同，設(shè)置不同的后續(xù)行為，對(duì)比同一個(gè)優(yōu)化是否對(duì)其他功能有不同的影響；

• 后續(xù)行為相同，設(shè)置不同的初始行為，對(duì)比發(fā)現(xiàn)不同的運(yùn)營(yíng)手段、產(chǎn)品功能對(duì)核心業(yè)務(wù)目標(biāo)的影響。

在做運(yùn)營(yíng)活動(dòng)時(shí)，我們可能會(huì)在產(chǎn)品內(nèi)的多個(gè)運(yùn)營(yíng)位上投放活動(dòng)素材，試圖在用戶與產(chǎn)品交互過程中的各個(gè)觸點(diǎn)上，吸引用戶的注意力，引導(dǎo)流量走向和用戶行為，促成最終轉(zhuǎn)化。此外，用戶本身可能還會(huì)通過搜索、內(nèi)容推薦等觸點(diǎn)獲取信息，這些觸點(diǎn)對(duì)用戶是否能達(dá)成轉(zhuǎn)化也發(fā)揮著重要作用。

也就是說，在用戶轉(zhuǎn)化路徑上，站內(nèi)的眾多觸點(diǎn)都參與了對(duì)用戶的勸說和引導(dǎo)，影響了用戶的最終決策。那么，對(duì)比各個(gè)用戶觸點(diǎn)，它們對(duì)關(guān)鍵指標(biāo)的達(dá)成分別貢獻(xiàn)了多大力量，是否都如運(yùn)營(yíng)人員所預(yù)期的那樣，具有優(yōu)秀的轉(zhuǎn)化能力；亦或者，存在被低估的情況？在之后的運(yùn)營(yíng)中，該如何調(diào)整對(duì)各運(yùn)營(yíng)位資源投入的權(quán)重分配？

對(duì)于以上問題，歸因分析提供了一種直觀的度量 —— 轉(zhuǎn)化貢獻(xiàn)度，主要用于衡量和評(píng)估站內(nèi)的用戶觸點(diǎn)對(duì)總體轉(zhuǎn)化目標(biāo)達(dá)成（如訂單總金額）所作出的貢獻(xiàn)，可以非常直接地量化每個(gè)運(yùn)營(yíng)位和觸點(diǎn)的轉(zhuǎn)化效果和價(jià)值貢獻(xiàn)。常見的歸因分析模型有以下五種：

• 首次觸點(diǎn)歸因：將轉(zhuǎn)化功勞 100% 歸于首次互動(dòng)的待歸因事件；

• 末次觸點(diǎn)歸因：將轉(zhuǎn)化功勞 100% 歸于末次互動(dòng)的待歸因事件；

• 線性歸因：將轉(zhuǎn)化功勞平均分配給轉(zhuǎn)化路徑上的所有待歸因事件；

• 位置歸因：按待歸因事件在轉(zhuǎn)化路徑上的位置分配轉(zhuǎn)化功勞，一般首次和末次互動(dòng)的事件各占 40%，中間觸點(diǎn)的事件均分剩余的 20%；

• 時(shí)間衰減歸因：按待歸因事件發(fā)生的時(shí)間順序，分配轉(zhuǎn)化功勞，距離目標(biāo)事件發(fā)生時(shí)間越近的待歸因事件，做出的貢獻(xiàn)越大，分配到的功勞越多。

通過易觀方舟歸因分析模型，只需簡(jiǎn)單五步設(shè)置（定義目標(biāo)事件、觸點(diǎn)事件、選擇歸因模型、定義窗口期和選擇查詢時(shí)間范圍），就可直觀看到各觸點(diǎn)對(duì)總體轉(zhuǎn)化指標(biāo)的貢獻(xiàn)情況。

熱圖分析模型能夠用熱譜圖直觀呈現(xiàn)用戶在網(wǎng)站、H5頁面、APP上的點(diǎn)擊、滾動(dòng)行為，幫助產(chǎn)品、運(yùn)營(yíng)人員了解用戶的點(diǎn)擊偏好，輔助做頁面設(shè)計(jì)優(yōu)化、內(nèi)容調(diào)整等。

常見的熱圖類型有以下4種：

• 點(diǎn)擊位置熱圖，用于展示用戶在網(wǎng)站上所有點(diǎn)擊的位置，聚集的點(diǎn)擊越多，顏色越亮。通常用于分析著陸頁 ：是否點(diǎn)擊了CTA的內(nèi)容？是否有被大量點(diǎn)擊的重要按鈕或元素被放到了很少有用戶到達(dá)的地方？是否有用戶點(diǎn)擊的圖片或文字其實(shí)沒有鏈接？

• 點(diǎn)擊元素?zé)釄D，展示可交互元素的點(diǎn)擊情況。用于分析：具體是哪些元素吸引了多少點(diǎn)擊？占據(jù)了整頁點(diǎn)擊多少比例？是否有不符合我們預(yù)期的失誤誘導(dǎo)？

• 瀏覽深度線，展示用戶抵達(dá)某個(gè)區(qū)域的留存比例。百分比越低，越少用戶能夠看到這一位置。通常用于尋找CTA的最佳位置和內(nèi)容營(yíng)銷轉(zhuǎn)換監(jiān)測(cè)。

• 注意力熱圖，展示用戶在某個(gè)區(qū)域停留的時(shí)長(zhǎng)，停留時(shí)間越長(zhǎng)，該區(qū)域顏色越亮。通常用于分析：了解到網(wǎng)頁哪些內(nèi)容吸引訪客，哪些內(nèi)容認(rèn)為重要卻被用戶忽略？是否有被用戶仔細(xì)閱讀的內(nèi)容放到了過于靠下的位置？

不同類型的熱圖各有優(yōu)缺點(diǎn)，例如點(diǎn)擊位置熱圖，劣勢(shì)是上報(bào)的數(shù)據(jù)量會(huì)增加，但可以非常直觀地定性分析用戶的探索性需求，發(fā)現(xiàn)非交互元素上意料之外的大量點(diǎn)擊；點(diǎn)擊元素?zé)釄D，過濾掉了部分不可點(diǎn)擊的內(nèi)容，對(duì)可點(diǎn)擊元素可以集中定量分析，但不夠直觀。

我們可以在不同場(chǎng)景下選擇不同適合的類型，目前易觀方舟已經(jīng)支持 Web 端的點(diǎn)擊位置熱圖、點(diǎn)擊元素?zé)釄D、瀏覽深度線，APP 端的點(diǎn)擊位置熱圖和點(diǎn)擊元素?zé)釄D。

分布分析主要能夠提供「維度指標(biāo)化」之后的數(shù)據(jù)分解能力，將原有維度按照一定的數(shù)值區(qū)間進(jìn)行維度劃分，進(jìn)而分析每個(gè)維度區(qū)間的分布情況，在以下分析場(chǎng)景中十分常見：分析訂單的金額分布、分析某類特殊事件的發(fā)生時(shí)段分布、分析某類特殊事件的發(fā)生次數(shù)分布、分析觸發(fā)某類事件的用戶年齡分布。

由此可見，分布分析主要針對(duì)的是數(shù)值型和日期型這兩類屬性，如金額、年齡、時(shí)間、頻次，因此當(dāng)用戶打點(diǎn)上傳的數(shù)據(jù)中包括這兩類屬性時(shí)，那么在日常的分析中就有可能會(huì)使用分布分析來解決一些特定問題。常用指標(biāo)有：X 事件的次數(shù)分布、X 事件的活躍時(shí)段分布、X 事件的活躍天數(shù)分布、X 事件 Y 屬性的總和/均值/人均值等分布。

間隔分析，主要用于統(tǒng)計(jì)用戶從觸發(fā)指定的起始事件開始到完成指定目標(biāo)事件之間的時(shí)間間隔。也就是說主要提供從起始事件到轉(zhuǎn)化目標(biāo)之間的時(shí)間角度和步長(zhǎng)角度的相關(guān)指標(biāo)統(tǒng)計(jì)，便于關(guān)注轉(zhuǎn)化的人群能夠從這些指標(biāo)中觀察轉(zhuǎn)化過程的情況。

間隔分析應(yīng)用場(chǎng)景比較豐富，既可以用于統(tǒng)計(jì)產(chǎn)品的登錄時(shí)間間隔、復(fù)購周期等，作為衡量用戶活躍度和用戶黏性的分析工具；也可以作為對(duì)轉(zhuǎn)化漏斗分析的一種補(bǔ)充，通過轉(zhuǎn)化時(shí)長(zhǎng)指標(biāo)來衡量特定轉(zhuǎn)化路徑在時(shí)間維度上的轉(zhuǎn)化效率。

用于轉(zhuǎn)化效率評(píng)估時(shí)，間隔分析是對(duì)轉(zhuǎn)化漏斗的一種補(bǔ)充。不過兩者各有側(cè)重，間隔分析聚焦于用戶完成轉(zhuǎn)化的時(shí)間效率，而轉(zhuǎn)化漏斗聚焦于轉(zhuǎn)化的結(jié)果指標(biāo)以及轉(zhuǎn)化流程中各環(huán)節(jié)的轉(zhuǎn)化和流失情況。

我們?cè)陉P(guān)注轉(zhuǎn)化結(jié)果和影響結(jié)果維度的同時(shí)，也需要關(guān)注轉(zhuǎn)化過程中的效率指標(biāo)，例如：對(duì)金融理財(cái)類 App而言，從落地頁引流到首次入金，中間涉及的轉(zhuǎn)化環(huán)節(jié)很多，除了最終轉(zhuǎn)化率之外，需要關(guān)注核心步驟之間的轉(zhuǎn)化效率，尤其是注冊(cè)、綁卡等幾個(gè)環(huán)節(jié)。

通過間隔分析，觀察用戶完成兩次指定事件的時(shí)間間隔分布情況，同時(shí)結(jié)合其他分析模型，我們可以洞悉用戶行為背后的規(guī)律，從而發(fā)掘改善用戶體驗(yàn)、提升活躍度、產(chǎn)品轉(zhuǎn)化率以及不斷提升產(chǎn)品價(jià)值的線索。

路徑是指用戶在應(yīng)用中使用的行為軌跡。在產(chǎn)品運(yùn)營(yíng)過程中，無論是產(chǎn)品、運(yùn)營(yíng)還是市場(chǎng)團(tuán)隊(duì)都希望能夠清晰地了解用戶行為路徑，來驗(yàn)證運(yùn)營(yíng)思路、指導(dǎo)產(chǎn)品迭代優(yōu)化，達(dá)到用戶增長(zhǎng)、轉(zhuǎn)化的最終目的。

當(dāng)有明確的轉(zhuǎn)化路徑時(shí)，通過預(yù)先建立漏斗來監(jiān)測(cè)轉(zhuǎn)化率會(huì)比較容易。但是很多情況下，雖然有最終的轉(zhuǎn)化目標(biāo)，但是用戶到達(dá)該目標(biāo)卻有多條路徑，無法確定哪條路徑是用戶走得最多的路徑，哪條轉(zhuǎn)化路徑最短，這時(shí)候就需要智能路徑分析模型的幫助。

通過易觀方舟智能路徑分析模型，能夠打開用戶行為黑盒，探索式發(fā)現(xiàn)轉(zhuǎn)化目標(biāo)的來源路徑，可視化呈現(xiàn)所有路徑和用戶占比。

通過智能路徑分析模型能夠解決如下問題：

• 用戶主要是從哪條路徑最終形成支付轉(zhuǎn)化的？

• 用戶離開預(yù)想的路徑后，實(shí)際走向是什么？

• 不同特征的用戶行為路徑有什么差異？

漏斗分析，是分析用戶使用某項(xiàng)業(yè)務(wù)時(shí)，經(jīng)過一系列步驟轉(zhuǎn)化效果的方法。易觀方舟的漏斗分析模型能夠靈活自定義多步驟之間的轉(zhuǎn)化過程，找到關(guān)鍵流失環(huán)節(jié)及影響因素，進(jìn)而分析用戶行為進(jìn)行針對(duì)性優(yōu)化動(dòng)作。

那么，具體而言，漏斗分析能夠解決什么問題呢？例如：

• 官網(wǎng)流量很大，但注冊(cè)用戶很少，是過程中哪個(gè)環(huán)節(jié)出了問題？

• 用戶從“注冊(cè) – 綁卡 - 提交訂單 - 支付訂單” 總體轉(zhuǎn)化率如何？

• 不同地區(qū)的用戶支付轉(zhuǎn)化率有什么差異？

• 兩個(gè)推廣渠道帶來了不同的用戶，哪個(gè)渠道的注冊(cè)轉(zhuǎn)化率高？

• 上周針對(duì)注冊(cè)環(huán)節(jié)的問題做了一次優(yōu)化，轉(zhuǎn)化率趨勢(shì)是否有提升？

在理想情況下，用戶會(huì)沿著產(chǎn)品設(shè)計(jì)的路徑到達(dá)最終目標(biāo)事件，但實(shí)際情況是用戶行為路徑是多種多樣的。通過埋點(diǎn)事件配置關(guān)鍵業(yè)務(wù)路徑，可以分析多種業(yè)務(wù)場(chǎng)景下轉(zhuǎn)化和流失的情況，我們不僅找出產(chǎn)品潛在問題的位置，還可以定位每個(gè)環(huán)節(jié)流失用戶，進(jìn)而定向營(yíng)銷促轉(zhuǎn)化。