1幌氮、事件分析模型
1）什么是行為事件分析眷蜓？
事件指的是用戶操作產(chǎn)品的一個行為，即用戶在產(chǎn)品內(nèi)做了什么事情想鹰，轉(zhuǎn)義成描述性語言就是“操作+對象”紊婉。
事件分析是對用戶行為事件的指標(biāo)進(jìn)行統(tǒng)計(jì)、維度細(xì)分辑舷、篩選等分析操作喻犁，是用戶行為數(shù)據(jù)分析的核心，也是是漏斗模型何缓、用戶留存分析模型肢础、用戶行為路徑分析模型的基礎(chǔ)。
在日常工作中碌廓，市場传轰、運(yùn)營、產(chǎn)品根據(jù)其KPI的不同而關(guān)注不同的事件指標(biāo)谷婆，在指標(biāo)洞察分析的過程中慨蛙，行為事件分析就會起到重要作用辽聊。
事件分析能解決什么問題：
- 產(chǎn)品和運(yùn)營同學(xué)如何才能對網(wǎng)站每天的 PV、UV期贫、DAU 等總體數(shù)據(jù)有一個直觀的把握跟匆，包括它們的數(shù)值以及趨勢？（最近三個月來自哪個渠道的用戶注冊量最高通砍？變化趨勢如何贾铝？）
- 面對復(fù)雜的數(shù)據(jù)，單從數(shù)字來看埠帕，不僅效率低下垢揩，而且難以直觀的發(fā)現(xiàn)數(shù)據(jù)背后所展現(xiàn)的趨勢，應(yīng)該怎么辦敛瓷？
- 如各時段的人均購買金額是分別多少叁巨？上周來自北京發(fā)生過購買行為的獨(dú)立用戶數(shù)，按照年齡段的分布情況呐籽？
- 當(dāng)做了第三方付費(fèi)渠道推廣后锋勺，運(yùn)營同學(xué)如何才能有效比較不同渠道帶來的流量？
2狡蝶、漏斗分析
漏斗分析是一套流程式的數(shù)據(jù)分析模型庶橱，通過將用戶行為從起點(diǎn)到終點(diǎn)的各個行為節(jié)點(diǎn)作為分析模型節(jié)點(diǎn)，并衡量每個節(jié)點(diǎn)的轉(zhuǎn)化效果贪惹，從而了解用戶各節(jié)點(diǎn)的轉(zhuǎn)化率情況苏章，是轉(zhuǎn)化分析的重要工具，漏斗分析模型已廣泛應(yīng)用于流量監(jiān)控奏瞬、產(chǎn)品目標(biāo)轉(zhuǎn)化枫绅、注冊轉(zhuǎn)化、下單轉(zhuǎn)化等日常數(shù)據(jù)運(yùn)營工作中硼端。
通過觀察不同屬性的用戶群體（如新注冊用戶與老客戶并淋、不同渠道來源的客戶）各環(huán)節(jié)轉(zhuǎn)化率和轉(zhuǎn)化率的差異對比，可以快速了解轉(zhuǎn)化率最高和最低的用戶群體與節(jié)點(diǎn)珍昨，并針對轉(zhuǎn)化率異常環(huán)節(jié)進(jìn)行調(diào)整優(yōu)化县耽。
使用漏斗分析注意事項(xiàng)：
重點(diǎn)關(guān)注兩點(diǎn)：一是哪一步流失最多，二是流失的人都有哪些行為（關(guān)注流程的每一個步驟镣典，可以有效定位高損耗節(jié)點(diǎn)兔毙，結(jié)合用戶行為路徑模型進(jìn)行分析）。
在定位到問題點(diǎn)之后骆撇，需要進(jìn)行深入拆解分析瞒御，此時可能會涉及到歸因分析（要做到科學(xué)歸因、屬性關(guān)聯(lián)原則）
3神郊、留存分析
一般我們講的留存率肴裙，是指目標(biāo)用戶在一段時間內(nèi)回到網(wǎng)站/App 中完成某個行為的比例趾唱。
留存分析模型是一種用來分析用戶參與情況/活躍度的分析模型，用來分析用戶在留下來蜻懦、持續(xù)使用產(chǎn)品的情況甜癞，是衡量產(chǎn)品對用戶吸引力的重要分析方法。
隨著用戶紅利的消失宛乃、市場飽和度上升悠咱，獲客成本也一直在增加，留存率就越來越重要了征炼，只有做好了留存析既，才能保障新用戶在注冊后不會白白流失，才能降低整體的獲客成本谆奥。
常見的指標(biāo)有次日留存率眼坏、七日留存率、次周留存率酸些、月留存率等（計(jì)算留存率時記得要做去重處理）宰译。
留存率計(jì)算的方式：
- 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
- 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魄懂。
- 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)算沿侈，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：
4市栗、歸因分析
歸因分析的作用是幫我們找出一件事件發(fā)生的主要原因是什么缀拭，根據(jù)對業(yè)務(wù)流程進(jìn)行拆解，并結(jié)合業(yè)務(wù)的性質(zhì)肃廓，去確定在整個流程中影響當(dāng)前事件/指標(biāo)的主要因素智厌。
常見的歸因分析方法有：
- 線性歸因：認(rèn)為每個“待歸因事件”平均分配此次功勞，適合坑位效果比較平均的產(chǎn)品
- 首次歸因： 第一個觸點(diǎn)給用戶建立了認(rèn)知盲赊，與用戶形成了連接，適用于強(qiáng)流量依賴的業(yè)務(wù)場景敷扫，拉人比后續(xù)所有事都重要哀蘑；
- 末次歸因：把貢獻(xiàn)歸結(jié)到用戶最后一次接觸到的產(chǎn)品界面或功能、按鈕葵第，常用于電商業(yè)務(wù)的站內(nèi)歸因的計(jì)算绘迁；
- 遞減歸因：適用于轉(zhuǎn)化路徑比較長，非目標(biāo)事件（不是最終事件）差異不大的卒密，沒有哪一步起到一個完全主導(dǎo)的作用缀台；
- 位置歸因：對特定觸點(diǎn)指定相應(yīng)的權(quán)重；
具體可以根據(jù)自己業(yè)務(wù)的實(shí)際情況哮奇，選擇相應(yīng)的歸因模型膛腐。
凡是有成交睛约、充值環(huán)節(jié)的業(yè)務(wù)，都可以通過歸因分析來幫助我們在眾多的營銷觸點(diǎn)當(dāng)中哲身，找到最有效辩涝、對用戶認(rèn)知影響最明顯的一個或幾個觸點(diǎn)，以此來指導(dǎo)我們在后續(xù)的站內(nèi)資源位分配時勘天，給不同的業(yè)務(wù)分配最適合的資源位怔揩。
5、分布分析（單維用條形圖脯丝、柱狀圖商膊，多維用散點(diǎn)圖）
分布分析是用戶在特定指標(biāo)下的頻次、總額等的歸類展現(xiàn)宠进，主要用來了解不同區(qū)間事件發(fā)生頻次晕拆，不同事件計(jì)算變量加和，以及不同頁面瀏覽時長等區(qū)間的用戶數(shù)量分布砰苍。
主要有頻次分布潦匈、數(shù)量分布、時間分布赚导、地區(qū)分布茬缩、年齡分布、金額分布等等吼旧。
通過對用戶各維度的分布分析凰锡，可以更好的挖掘用戶的分布規(guī)律、優(yōu)化產(chǎn)品策略圈暗，快速識別核心的用戶群體掂为，提高資源配置效率。
6员串、用戶路勁分析（用戶行為序列）
用戶路徑分析是用戶在APP或網(wǎng)站中的訪問行為路徑勇哗。
為了衡量網(wǎng)站優(yōu)化的效果或營銷推廣的效果，以及了解用戶行為偏好寸齐，時常要對訪問路徑轉(zhuǎn)換為數(shù)據(jù)進(jìn)行分析欲诺。
用戶路徑的分析結(jié)果通常以桑基圖形式展現(xiàn)渺鹦，以目標(biāo)事件為起點(diǎn)／終點(diǎn)扰法，詳細(xì)查看后續(xù)／前置路徑，可以詳細(xì)查看某個節(jié)點(diǎn)事件的流向毅厚。
以電商為例塞颁，買家從登錄網(wǎng)站／APP到支付成功要經(jīng)過首頁瀏覽、搜索商品、加入購物車祠锣、提交訂單酷窥、支付訂單等過程。而在用戶真實(shí)的選購過程是一個交叉反復(fù)的過程锤岸，例如提交訂單后竖幔，用戶可能會返回首頁繼續(xù)搜索商品，也可能去取消訂單是偷，每一個路徑背后都有不同的動機(jī)拳氢。與其他分析模型配合進(jìn)行深入分析后，能為找到快速用戶動機(jī)蛋铆，從而引領(lǐng)用戶走向最優(yōu)路徑或者期望中的路徑馋评。
某電商：“未支付訂單”超過30分鐘自動取消，刺激用戶支付
除了零售行業(yè)以外刺啦，用戶行為路徑在電商行業(yè)分析也應(yīng)用廣泛留特。某電商網(wǎng)站客戶通過用戶路徑分析，看出有兩條主要的路徑：（神策數(shù)據(jù)文章例子）
- 一是啟動App-搜索商品-提交訂單-支付訂單玛瘸；
- 二是啟動App-未支付訂單-搜索相似商品-取消訂單蜕青。
通過第一條用戶路徑相關(guān)數(shù)值顯示，客戶提交訂單后糊渊，大約75%的用戶會支付右核，而高達(dá)25%的用戶沒有支付訂單；第二條用戶路徑顯然是一條有明確目的——為未最終敲定的商品而來的用戶渺绒，因?yàn)樵诖蜷_app后直奔“未支付訂單”贺喝，但是路徑中顯示此用戶再次“搜索相似商品”，這一行為可以判斷客戶可能存在比價行為宗兼，表明價格一定程度上影響了這部分用戶的支付欲望躏鱼，這是一批“價格導(dǎo)向”的客戶。
對此殷绍，該電商運(yùn)營人員采取針對性措施：
- “未支付訂單”超過30分鐘則自動取消染苛；
- 將支付頁面附近放置優(yōu)惠券領(lǐng)取。
當(dāng)該電商新版本上線后主到，再次通過用戶路徑分析模型殖侵，發(fā)現(xiàn)客戶在提交訂單后，由于30分鐘的時間限制镰烧，有更多的客戶愿意立即支付訂單；同時未支付訂單大大降低楞陷，說明在支付支付頁面附近放置優(yōu)惠券的方式刺激到對價格敏感的客戶怔鳖。因此這也是一次很成功的改版。
7固蛾、用戶分群（用戶屬性分析结执、用戶畫像）
用戶分群是通過用戶的歷史行為路徑度陆、行為特征、偏好献幔、屬性等進(jìn)行標(biāo)簽化處理懂傀，并將具有相同標(biāo)簽的用戶劃分為一個群體，用戶畫像是用戶分群的前提（漏斗分析關(guān)注階段差異蜡感，用戶分群關(guān)注群體差異）蹬蚁。
用戶分群經(jīng)常與事件分析、漏斗分析郑兴、留存分析等配合使用犀斋，通過將分群人員套用在事件分析、漏斗分析與留存分析等分析工具中進(jìn)一步分析情连，然后通過運(yùn)營手段對這部分人群進(jìn)行定向的精準(zhǔn)化運(yùn)營叽粹。
常用的方法包括：
- 找到做過某些事情的人群：比如過去 7 天完成過 3 次購物車計(jì)算
- 有某些特定屬性的人群：比如年齡在 25 歲以下的男性
- 在轉(zhuǎn)化過程中流失的人群：比如提交了訂單但沒有付款
用戶分群的意義：
- 運(yùn)營人員可以根據(jù)需求對特定目標(biāo)人群完成精準(zhǔn)信息推送工作，如召回流失用戶却舀、刺激用戶復(fù)購等等虫几；
- 當(dāng)完成特定人群的精準(zhǔn)信息推送工作，可再分析以查看運(yùn)營營銷效果挽拔；
- 降低運(yùn)營成本辆脸。
8、點(diǎn)擊分析（類似于頁面的熱力圖）
點(diǎn)擊分析經(jīng)常被應(yīng)用于顯示頁面或頁面組（結(jié)構(gòu)相同的頁面篱昔，如商品詳情頁每强、官網(wǎng)博客等）區(qū)域中不同元素點(diǎn)擊密度的圖示。包括元素被點(diǎn)擊的次數(shù)州刽、占比空执、發(fā)生點(diǎn)擊的用戶列表、按鈕的當(dāng)前與歷史內(nèi)容等因素穗椅。
點(diǎn)擊分析需要配合用戶行為路徑分析等模型進(jìn)行結(jié)合使用辨绊，才能達(dá)到更好的效果（用戶點(diǎn)擊某個模塊或按鈕之后的下一步是要做什么？）匹表，才有助于識別用戶行為趨勢并優(yōu)化進(jìn)一步流程门坷。
為了讓用戶在訪問中停留下來并進(jìn)行下一步動作，也許您在關(guān)心這些問題：
- 用戶最喜歡點(diǎn)擊的是頁面的哪個模塊和元素袍镀？
- 用戶是否點(diǎn)擊了我們希望互動的內(nèi)容默蚌？
- 有沒有重要按鈕或元素被大量點(diǎn)擊，卻被放到了不起眼的地方苇羡？
- 用戶感興趣的內(nèi)容是否和我們預(yù)想的一樣绸吸？
- 不同的運(yùn)營位、不同的內(nèi)容對用戶的吸引分別是怎樣的？
- 具體元素的點(diǎn)擊數(shù)據(jù)如何锦茁？
- 不同渠道的訪問者對于頁面的關(guān)注點(diǎn)具備哪些差異和特征攘轩？
- 從重要元素的點(diǎn)擊來看，哪個渠道質(zhì)量更好码俩？
- 「未轉(zhuǎn)化」的用戶與「轉(zhuǎn)化」用戶之間的熱圖表現(xiàn)差異如何度帮？
如果某個模塊或按鈕用戶經(jīng)常點(diǎn)擊，但是卻沒有產(chǎn)生下鉆或跳轉(zhuǎn)稿存，那么就要搞清楚是沒有那個模塊功能還是模塊功能設(shè)計(jì)的不合理導(dǎo)致用戶體驗(yàn)不佳的笨篷，此時經(jīng)常需要配合ABtest進(jìn)行實(shí)驗(yàn)測試，從而達(dá)到改進(jìn)產(chǎn)品提升客戶體驗(yàn)挠铲。
點(diǎn)擊分析和熱力圖是提升用戶體驗(yàn)的重要分析方法冕屯。
9、時間分析（從時間維度進(jìn)行分析）
時間是日常工作中非常重要的分析維度拂苹，時間分析分為時間序列分析和間隔分析（可使用箱線圖）安聘。
間隔分析是從事件發(fā)生的時間間隔維度來探索用戶行為數(shù)據(jù)價值，能夠科學(xué)地反映特定用戶群體（如北京地區(qū)年齡 30 歲以上女士）瓢棒，發(fā)生指定行為事件（ 如事件 A 到 B 的轉(zhuǎn)化等）的時間間隔及數(shù)據(jù)分布情況浴韭。
時間分析更多是用在跟用戶分布分析、用戶路徑分析等前面八種分析模型進(jìn)行結(jié)合使用的才有意義脯宿。
