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(duì)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(hù)當(dāng)下在想什么，更要知道用戶(hù)背后在想什么，以及用戶(hù)正在經(jīng)歷著什么。”
傳統(tǒng)用戶(hù)模型構(gòu)建方式：
用戶(hù)模型：基于對(duì)用戶(hù)的訪談和觀察等研究結(jié)果建立，嚴(yán)謹(jǐn)可靠但費(fèi)時(shí)； 臨時(shí)用戶(hù)模型：基于行業(yè)專(zhuān)家或市場(chǎng)調(diào)查數(shù)據(jù)對(duì)用戶(hù)的理解建立，快速但容易有偏頗。（缺乏時(shí)間，資源的情況下）為了節(jié)省時(shí)間，降低風(fēng)險(xiǎn)，產(chǎn)品團(tuán)隊(duì)往往盡快將產(chǎn)品推向用戶(hù)，快速試錯(cuò)，在這種場(chǎng)景下如何構(gòu)造用戶(hù)模型？
整理和收集已經(jīng)獲得的任何可認(rèn)知用戶(hù)的經(jīng)驗(yàn)和數(shù)據(jù)，將這些信息映射成為用戶(hù)的描述信息（屬性）或用戶(hù)的行為信息，并存儲(chǔ)起來(lái)形成用戶(hù)檔案； 實(shí)時(shí)關(guān)注自身數(shù)據(jù)的波動(dòng)，及時(shí)采取行動(dòng)； 記錄用戶(hù)的行為數(shù)據(jù)而不是單純地為用戶(hù)打標(biāo)簽； 360°覆蓋用戶(hù)全生命周期的用戶(hù)檔案。用戶(hù)的每一步成長(zhǎng)都通過(guò)行為記錄下來(lái)，基于用戶(hù)所在生命周期的不同階段，針對(duì)新用戶(hù)、流失用戶(hù)、活躍用戶(hù)、沉默用戶(hù)分別采取有針對(duì)性的拉新、轉(zhuǎn)化、留存等運(yùn)營(yíng)策略。
二、事件模型 1. 事件是什么就是用戶(hù)在產(chǎn)品上的行為，它是用戶(hù)行為的一個(gè)專(zhuān)業(yè)描述，用戶(hù)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(hù)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所記錄下來(lái)了。
2. 事件的采集事件：用戶(hù)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(shí)機(jī)：用戶(hù)點(diǎn)擊（click）、網(wǎng)頁(yè)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(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。
舉個(gè)例子：在采集過(guò)程中如果沒(méi)有明確時(shí)機(jī)，當(dāng)用戶(hù)點(diǎn)擊了注冊(cè)按鈕，由于用戶(hù)輸入了錯(cuò)誤的注冊(cè)信息實(shí)際沒(méi)有注冊(cè)成功，可能仍然會(huì)進(jìn)行記錄，這樣在統(tǒng)計(jì)注冊(cè)成功事件的時(shí)候就不是準(zhǔn)確的。
而正確的采集時(shí)機(jī)描述應(yīng)該是“服務(wù)器返回注冊(cè)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(yè)面）
3. 事件的分析人數(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(gè)時(shí)間區(qū)間內(nèi)，觸發(fā)某一事件的人數(shù)占當(dāng)前時(shí)間段內(nèi)所有活躍人數(shù)的比。
4. 事件的管理當(dāng)事件很多時(shí)，可以對(duì)事件進(jìn)行分門(mén)別類(lèi)地管理。同時(shí)，可以從產(chǎn)品業(yè)務(wù)角度將重要的用戶(hù)行為標(biāo)注出來(lái)，以便可以在分析時(shí)方便、快捷地查找常用、重要的事件。
三、漏斗模型漏斗模型幫助你分析一個(gè)多步驟過(guò)程中每一步的轉(zhuǎn)化與流失情況。
舉例來(lái)說(shuō)，用戶(hù)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(gè)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(shí)間。
我們需要將按照流程操作的用戶(hù)進(jìn)行各個(gè)轉(zhuǎn)化層級(jí)上的監(jiān)控，尋找每個(gè)層級(jí)的可優(yōu)化點(diǎn)；對(duì)沒(méi)有按照流程操作的用戶(hù)繪制他們的轉(zhuǎn)化路徑，找到可提升用戶(hù)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(gè)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(shí)和全局觀念，才能夠有效采集，為每個(gè)環(huán)節(jié)的漏斗優(yōu)化做出決策依據(jù)，推動(dòng)各個(gè)部門(mén)優(yōu)化 四、熱圖分析模型 1. 什么是熱圖分析模型反映用戶(hù)在網(wǎng)頁(yè)上的關(guān)注點(diǎn)在哪里，尤其對(duì)于官網(wǎng)首頁(yè)來(lái)說(shuō)，信息密度極高，用戶(hù)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(yè)面可點(diǎn)擊元素的點(diǎn)擊。前者可以追蹤頁(yè)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(yè)面上可點(diǎn)擊元素的點(diǎn)擊情況。
2）瀏覽熱圖
也稱(chēng)注意力熱圖，記錄的是用戶(hù)在不同頁(yè)面或同一頁(yè)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)。
2. 熱圖分析模型中的新特性1）面向特定人群的分析與人群對(duì)比
比如理財(cái)產(chǎn)品，投資用戶(hù)和未投資用戶(hù)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(yè)面的瀏覽次數(shù) 聚焦率=點(diǎn)擊次數(shù)/當(dāng)前頁(yè)面的點(diǎn)擊總次數(shù) 3. 應(yīng)用場(chǎng)景 落地頁(yè)效果分析 首頁(yè)流量追蹤 關(guān)鍵頁(yè)體驗(yàn)衡量（產(chǎn)品體驗(yàn)和下載頁(yè)面） 自定義留存分析模型 五、自定義留存分析模型 1. 留存定義和公式1）定義：滿(mǎn)足某個(gè)條件的用戶(hù)，在某個(gè)時(shí)間點(diǎn)有沒(méi)有進(jìn)行回訪行為
2）公式：若滿(mǎn)足某個(gè)條件的用戶(hù)數(shù)為n，在某個(gè)時(shí)間點(diǎn)進(jìn)行回訪行為的用戶(hù)數(shù)為m，那么該時(shí)間點(diǎn)的留存率就是m/n
2. 三種留存方式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(hù)
2）Unbounded留存（N天內(nèi)留存）：留存會(huì)累計(jì)計(jì)算N天內(nèi)所有完成過(guò)回訪行為的用戶(hù)。
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(shí)候我們不希望受限于這種固定時(shí)間度量，我們希望劃分為幾個(gè)觀察期：
第一個(gè)觀察期：次日 第二個(gè)觀察期：第3日-第7日 第三個(gè)觀察期：第8日-第14日 第四個(gè)觀察期：第15日到第30日 3. 自定義留存上述三種留存方式，都是對(duì)時(shí)間的限定，對(duì)留存的定義都是用戶(hù)打開(kāi)了APP或進(jìn)入了網(wǎng)站。
自定義留存是基于業(yè)務(wù)場(chǎng)景下的留存情況，比如閱讀類(lèi)產(chǎn)品會(huì)把看過(guò)至少一篇文章的用戶(hù)定義為真正的留存用戶(hù)，電商類(lèi)產(chǎn)品會(huì)把至少查看過(guò)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(duì)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(hù)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(duì)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(hù)群，在滴滴的一次增長(zhǎng)分享會(huì)曾提到過(guò)“搶了紅包的用戶(hù)后來(lái)打了車(chē)的日留存”，即初始行為是搶了紅包，回訪行為是打了車(chē)。
“搶了紅包的用戶(hù)打了車(chē)的3日留存”——即初始行為是搶了紅包，回訪行為是打車(chē)，看這部分人的第三天留存。
六、粘性分析 1. 定義對(duì)活躍用戶(hù)使用產(chǎn)品的習(xí)慣的分析，例如一個(gè)月使用了幾天，使用大于一天，大于七天的用戶(hù)有多少。
例如某些產(chǎn)品上線了新功能，用戶(hù)使用需要簽到，可以由此分析出用戶(hù)的使用習(xí)慣，評(píng)估新功能的吸引力和健康度。
2. 作用使用留存分析，了解產(chǎn)品和功能黏住用戶(hù)的能力如何，用戶(hù)喜歡哪個(gè)功能，不同用戶(hù)在同一功能在適用上的差異，有助于科學(xué)評(píng)估產(chǎn)品，制定留存策略
3. 舉例股票APP，已投資用戶(hù)和未投資的用戶(hù)觸發(fā)功能【查看股票市場(chǎng)】的次數(shù)。
七、全行為路徑分析行為路徑分析分為：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(duì)用戶(hù)在APP或網(wǎng)站的每個(gè)模塊的流轉(zhuǎn)情況，挖掘用戶(hù)的訪問(wèn)模式，從而優(yōu)化產(chǎn)品或網(wǎng)站
一般可用樹(shù)形圖表現(xiàn)，如下圖，一個(gè)線上培訓(xùn)網(wǎng)站，用戶(hù)大都會(huì)打開(kāi)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(hù)并沒(méi)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(hù)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(hù)使用頻率高的相關(guān)課程，引導(dǎo)用戶(hù)點(diǎn)擊得到想要的結(jié)果。
八、用戶(hù)分群模型分群是對(duì)某一特征用戶(hù)的劃分和歸組，而分層，更多的是對(duì)全量用戶(hù)的一個(gè)管理手段，細(xì)分用戶(hù)的方法其實(shí)我們一直在用，比如我們熟悉的RFM模型：
1. RFM模型是從用戶(hù)的業(yè)務(wù)數(shù)據(jù)中提取了三個(gè)特征維度：1）最近一次消費(fèi)時(shí)間（Recency）
2）消費(fèi)頻率 (Frequency)
3）消費(fèi)金額 (Monetary)
通過(guò)這三個(gè)維度將用戶(hù)有效地細(xì)分為8個(gè)具有不同用戶(hù)價(jià)值及應(yīng)對(duì)策略的群體，如下圖所示：
2. 另外四個(gè)用戶(hù)分群的維度1）用戶(hù)屬性：用戶(hù)客觀的屬性，描述用戶(hù)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(lái)源等就是用戶(hù)屬性
2）活躍時(shí)間
3）做過(guò)，沒(méi)做過(guò)
4）新增于：何時(shí)新增用戶(hù)較多
作者：李啟方
來(lái)源：數(shù)據(jù)分析不是個(gè)事兒
重慶分公司
重慶分公司
