1、事件分析模型
1）什么是行為事件分析？
事件指的是用戶操作產(chǎn)品的一個(gè)行為，即用戶在產(chǎn)品內(nèi)做了什么事情，轉(zhuǎn)義成描述性語(yǔ)言就是“操作+對(duì)象”。
事件分析是對(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，是用戶行為數(shù)據(jù)分析的核心，也是是漏斗模型、用戶留存分析模型、用戶行為路徑分析模型的基礎(chǔ)。
在日常工作中，市場(chǎng)、運(yùn)營(yíng)、產(chǎn)品根據(jù)其KPI的不同而關(guān)注不同的事件指標(biāo)，在指標(biāo)洞察分析的過(guò)程中，行為事件分析就會(huì)起到重要作用。
事件分析能解決什么問(wèn)題：
- 產(chǎn)品和運(yùn)營(yíng)同學(xué)如何才能對(duì)網(wǎng)站每天的 PV、UV、DAU 等總體數(shù)據(jù)有一個(gè)直觀的把握，包括它們的數(shù)值以及趨勢(shì)？（最近三個(gè)月來(lái)自哪個(gè)渠道的用戶注冊(cè)量最高？變化趨勢(shì)如何？）
- 面對(duì)復(fù)雜的數(shù)據(jù)，單從數(shù)字來(lái)看，不僅效率低下，而且難以直觀的發(fā)現(xiàn)數(shù)據(jù)背后所展現(xiàn)的趨勢(shì)，應(yīng)該怎么辦？
- 如各時(shí)段的人均購(gòu)買金額是分別多少？上周來(lái)自北京發(fā)生過(guò)購(gòu)買行為的獨(dú)立用戶數(shù)，按照年齡段的分布情況？
- 當(dāng)做了第三方付費(fèi)渠道推廣后，運(yùn)營(yíng)同學(xué)如何才能有效比較不同渠道帶來(lái)的流量？
2、漏斗分析
漏斗分析是一套流程式的數(shù)據(jù)分析模型，通過(guò)將用戶行為從起點(diǎn)到終點(diǎn)的各個(gè)行為節(jié)點(diǎn)作為分析模型節(jié)點(diǎn)，并衡量每個(gè)節(jié)點(diǎn)的轉(zhuǎn)化效果，從而了解用戶各節(jié)點(diǎn)的轉(zhuǎn)化率情況，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、產(chǎn)品目標(biāo)轉(zhuǎn)化、注冊(cè)轉(zhuǎn)化、下單轉(zhuǎn)化等日常數(shù)據(jù)運(yùn)營(yíng)工作中。
通過(guò)觀察不同屬性的用戶群體（如新注冊(cè)用戶與老客戶、不同渠道來(lái)源的客戶）各環(huán)節(jié)轉(zhuǎn)化率和轉(zhuǎn)化率的差異對(duì)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)，并針對(duì)轉(zhuǎn)化率異常環(huán)節(jié)進(jìn)行調(diào)整優(yōu)化。
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(gè)步驟，可以有效定位高損耗節(jié)點(diǎn)，結(jié)合用戶行為路徑模型進(jìn)行分析）。
在定位到問(wèn)題點(diǎn)之后，需要進(jìn)行深入拆解分析，此時(shí)可能會(huì)涉及到歸因分析（要做到科學(xué)歸因、屬性關(guān)聯(lián)原則）
3、留存分析
一般我們講的留存率，是指目標(biāo)用戶在一段時(shí)間內(nèi)回到網(wǎng)站/App 中完成某個(gè)行為的比例。
留存分析模型是一種用來(lái)分析用戶參與情況/活躍度的分析模型，用來(lái)分析用戶在留下來(lái)、持續(xù)使用產(chǎn)品的情況，是衡量產(chǎn)品對(duì)用戶吸引力的重要分析方法。
隨著用戶紅利的消失、市場(chǎng)飽和度上升，獲客成本也一直在增加，留存率就越來(lái)越重要了，只有做好了留存，才能保障新用戶在注冊(cè)后不會(huì)白白流失，才能降低整體的獲客成本。
常見(jiàn)的指標(biāo)有次日留存率、七日留存率、次周留存率、月留存率等（計(jì)算留存率時(shí)記得要做去重處理）。
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(huì)累計(jì)計(jì)算N天內(nèi)所有完成過(guò)回訪行為的用戶。
- 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：
4、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，根據(jù)對(duì)業(yè)務(wù)流程進(jìn)行拆解，并結(jié)合業(yè)務(wù)的性質(zhì)，去確定在整個(gè)流程中影響當(dāng)前事件/指標(biāo)的主要因素。
常見(jiàn)的歸因分析方法有：
- 線性歸因：認(rèn)為每個(gè)“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(gè)觸點(diǎn)給用戶建立了認(rèn)知，與用戶形成了連接，適用于強(qiáng)流量依賴的業(yè)務(wù)場(chǎng)景，拉人比后續(xù)所有事都重要；
- 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，常用于電商業(yè)務(wù)的站內(nèi)歸因的計(jì)算；
- 遞減歸因：適用于轉(zhuǎn)化路徑比較長(zhǎng)，非目標(biāo)事件（不是最終事件）差異不大的，沒(méi)有哪一步起到一個(gè)完全主導(dǎo)的作用；
- 位置歸因：對(duì)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，選擇相應(yīng)的歸因模型。
凡是有成交、充值環(huán)節(jié)的業(yè)務(wù)，都可以通過(guò)歸因分析來(lái)幫助我們?cè)诒姸嗟臓I(yíng)銷觸點(diǎn)當(dāng)中，找到最有效、對(duì)用戶認(rèn)知影響最明顯的一個(gè)或幾個(gè)觸點(diǎn)，以此來(lái)指導(dǎo)我們?cè)诤罄m(xù)的站內(nèi)資源位分配時(shí)，給不同的業(yè)務(wù)分配最適合的資源位。
5、分布分析（單維用條形圖、柱狀圖，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)，主要用來(lái)了解不同區(qū)間事件發(fā)生頻次，不同事件計(jì)算變量加和，以及不同頁(yè)面瀏覽時(shí)長(zhǎng)等區(qū)間的用戶數(shù)量分布。
主要有頻次分布、數(shù)量分布、時(shí)間分布、地區(qū)分布、年齡分布、金額分布等等。
通過(guò)對(duì)用戶各維度的分布分析，可以更好的挖掘用戶的分布規(guī)律、優(yōu)化產(chǎn)品策略，快速識(shí)別核心的用戶群體，提高資源配置效率。
6、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(wèn)行為路徑。
為了衡量網(wǎng)站優(yōu)化的效果或營(yíng)銷推廣的效果，以及了解用戶行為偏好，時(shí)常要對(duì)訪問(wèn)路徑轉(zhuǎn)換為數(shù)據(jù)進(jìn)行分析。
用戶路徑的分析結(jié)果通常以?；鶊D形式展現(xiàn)，以目標(biāo)事件為起點(diǎn)／終點(diǎn)，詳細(xì)查看后續(xù)／前置路徑，可以詳細(xì)查看某個(gè)節(jié)點(diǎn)事件的流向。
以電商為例，買家從登錄網(wǎng)站／APP到支付成功要經(jīng)過(guò)首頁(yè)瀏覽、搜索商品、加入購(gòu)物車、提交訂單、支付訂單等過(guò)程。而在用戶真實(shí)的選購(gòu)過(guò)程是一個(gè)交叉反復(fù)的過(guò)程，例如提交訂單后，用戶可能會(huì)返回首頁(yè)繼續(xù)搜索商品，也可能去取消訂單，每一個(gè)路徑背后都有不同的動(dòng)機(jī)。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(dòng)機(jī)，從而引領(lǐng)用戶走向最優(yōu)路徑或者期望中的路徑。
某電商：“未支付訂單”超過(guò)30分鐘自動(dòng)取消，刺激用戶支付
除了零售行業(yè)以外，用戶行為路徑在電商行業(yè)分析也應(yīng)用廣泛。某電商網(wǎng)站客戶通過(guò)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(dòng)App-搜索商品-提交訂單-支付訂單；
- 二是啟動(dòng)App-未支付訂單-搜索相似商品-取消訂單。
通過(guò)第一條用戶路徑相關(guān)數(shù)值顯示，客戶提交訂單后，大約75%的用戶會(huì)支付，而高達(dá)25%的用戶沒(méi)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(lái)的用戶，因?yàn)樵诖蜷_(kāi)app后直奔“未支付訂單”，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(jià)行為，表明價(jià)格一定程度上影響了這部分用戶的支付欲望，這是一批“價(jià)格導(dǎo)向”的客戶。
對(duì)此，該電商運(yùn)營(yíng)人員采取針對(duì)性措施：
- “未支付訂單”超過(guò)30分鐘則自動(dòng)取消；
- 將支付頁(yè)面附近放置優(yōu)惠券領(lǐng)取。
當(dāng)該電商新版本上線后，再次通過(guò)用戶路徑分析模型，發(fā)現(xiàn)客戶在提交訂單后，由于30分鐘的時(shí)間限制，有更多的客戶愿意立即支付訂單；同時(shí)未支付訂單大大降低，說(shuō)明在支付支付頁(yè)面附近放置優(yōu)惠券的方式刺激到對(duì)價(jià)格敏感的客戶。因此這也是一次很成功的改版。
7、用戶分群（用戶屬性分析、用戶畫像）
用戶分群是通過(guò)用戶的歷史行為路徑、行為特征、偏好、屬性等進(jìn)行標(biāo)簽化處理，并將具有相同標(biāo)簽的用戶劃分為一個(gè)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，用戶分群關(guān)注群體差異）。
用戶分群經(jīng)常與事件分析、漏斗分析、留存分析等配合使用，通過(guò)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，然后通過(guò)運(yùn)營(yíng)手段對(duì)這部分人群進(jìn)行定向的精準(zhǔn)化運(yùn)營(yíng)。
常用的方法包括：
- 找到做過(guò)某些事情的人群：比如過(guò)去 7 天完成過(guò) 3 次購(gòu)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(guò)程中流失的人群：比如提交了訂單但沒(méi)有付款
用戶分群的意義：
- 運(yùn)營(yíng)人員可以根據(jù)需求對(duì)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、刺激用戶復(fù)購(gòu)等等；
- 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(yíng)營(yíng)銷效果；
- 降低運(yùn)營(yíng)成本。
8、點(diǎn)擊分析（類似于頁(yè)面的熱力圖）
點(diǎn)擊分析經(jīng)常被應(yīng)用于顯示頁(yè)面或頁(yè)面組（結(jié)構(gòu)相同的頁(yè)面，如商品詳情頁(yè)、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)、占比、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。
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，才能達(dá)到更好的效果（用戶點(diǎn)擊某個(gè)模塊或按鈕之后的下一步是要做什么？），才有助于識(shí)別用戶行為趨勢(shì)并優(yōu)化進(jìn)一步流程。
為了讓用戶在訪問(wèn)中停留下來(lái)并進(jìn)行下一步動(dòng)作，也許您在關(guān)心這些問(wèn)題：
- 用戶最喜歡點(diǎn)擊的是頁(yè)面的哪個(gè)模塊和元素？
- 用戶是否點(diǎn)擊了我們希望互動(dòng)的內(nèi)容？
- 有沒(méi)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？
- 用戶感興趣的內(nèi)容是否和我們預(yù)想的一樣？
- 不同的運(yùn)營(yíng)位、不同的內(nèi)容對(duì)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？
- 不同渠道的訪問(wèn)者對(duì)于頁(yè)面的關(guān)注點(diǎn)具備哪些差異和特征？
- 從重要元素的點(diǎn)擊來(lái)看，哪個(gè)渠道質(zhì)量更好？
- 「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？
如果某個(gè)模塊或按鈕用戶經(jīng)常點(diǎn)擊，但是卻沒(méi)有產(chǎn)生下鉆或跳轉(zhuǎn)，那么就要搞清楚是沒(méi)有那個(gè)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，此時(shí)經(jīng)常需要配合ABtest進(jìn)行實(shí)驗(yàn)測(cè)試，從而達(dá)到改進(jìn)產(chǎn)品提升客戶體驗(yàn)。
點(diǎn)擊分析和熱力圖是提升用戶體驗(yàn)的重要分析方法。
9、時(shí)間分析（從時(shí)間維度進(jìn)行分析）
時(shí)間是日常工作中非常重要的分析維度，時(shí)間分析分為時(shí)間序列分析和間隔分析（可使用箱線圖）。
間隔分析是從事件發(fā)生的時(shí)間間隔維度來(lái)探索用戶行為數(shù)據(jù)價(jià)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），發(fā)生指定行為事件（ 如事件 A 到 B 的轉(zhuǎn)化等）的時(shí)間間隔及數(shù)據(jù)分布情況。
時(shí)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。
