一、事件分析

1. 事件分析概述

事件分析是指對具體的行為事件進行指標加工的一種方法，常見的指標計算規則為行為事件發生的人數、次數、人均次數，以及針對行為事件的屬性特征進行特殊運算，如去重、求和、求均值等。

2. 事件分析應用示例

事件分析通用的分析方法是先定義對應指標的事件，再從其他多個維度進行細分下鉆，比如“時間”、“地區”、“操作系統”等，查看指標數據的特征表現。如基于時間維度進行對比觀測指標（日活躍用戶數）波動是否有異常。

二、漏斗分析

1. 漏斗分析概述

漏斗分析是指將某個業務場景中關聯的事件，根據發生的先后順序進行組織，從而系統性了解用戶的轉化效率。

漏斗分析不但可以整體性的反映用戶在一定時間周期內，瀏覽網站或者APP中從起點到終點的轉化率，而且還可以分析瀏覽過程中每一次跳轉所產生的留存和流失，這樣就能夠直觀地發現異常數據，從而通過分析根因找到問題所在，最后通過優化該環節來達到提升轉化率的目標。

2. 漏斗分析應用示例

漏斗分析模型已經廣泛應用于渠道來源分析、新用戶激活、核心主流程優化、搜索功能優化等日常數據運營工作中。如果整體轉化率較低，則可根據漏斗分析查看各步驟轉化率，直觀地發現問題所在，從而進行針對性的優化。

三、用戶路徑分析

1. 用戶路徑分析概述

與漏斗分析模型不同，漏斗分析模型是分析既定的行為轉化，如電商產品中用戶從瀏覽產品詳情到最終支付每一步的轉化率。而全行為路徑是根據用戶在APP或網站中的訪問行為，分析用戶在各模塊中跳轉規律與特點，挖掘出用戶的群體特征，進而實現業務指標：如提升核心模塊的到達率、APP產品設計的優化改版、流失用戶去向分析等。

四、留存分析

1. 留存分析概述

留存分析是一種用來分析用戶參與情況和粘性的分析模型，考察發生了初始行為的用戶中，有多少人會在后續的幾天里面發生后續行為。這是用來衡量產品對用戶價值高低的重要方法。

定義：滿足某個條件的用戶，在某個時間點有沒有進行回訪行為。

公式：若滿足某個條件的用戶數為N，在某個時間點進行回訪行為的用戶數為M，那么該時間點的留存率就是M/N。

五、Session分析

1. Session分析概述

對于網站或者APP而言，用戶一系列行為是一次訪問，也就是一個Session。Session分析法是用來分析把用戶單點發生的行為串聯起來形成一個整體的前提下，Session整體或者Session中某個特定事件的訪問特征。常見的指標分為Session整體的次數、人數、時長、深度、跳出率等，以及Session中某個特定事件的次數、人數、時長、退出率等。

以某網站為例，用戶在一次訪問中，諸如“用戶平均會來幾次”、“每次平均逛了幾個頁面”、“每次來評價呆多久”、“某個具體頁面用戶平均停留多長時間”這樣的問題都需要通過Session分析解決。通過Session分析，可統計用戶在網站或者APP中的整體訪問深度、以及某些特殊節點的訪問情況，從而在產品或者運營層面輸入優化策略。

六、熱力分析

1. 熱力分析概述

熱力分析即應用一種特殊高亮的顏色、數據標注等，顯示頁面或者頁面組（結構相同的頁面，如商品詳情頁、官網博客等）區域中不同元素點擊密度、觸達率、停留分布等特征。熱力分析法主要用來分析用戶在頁面上的點擊、觸達深度等情況，并以直觀的效果展示給使用者，比較直觀的表現了用戶在產品頁面上的瀏覽偏好，有力的說明了用戶和網頁的交互情況。

按計算維度劃分，熱圖可以分為點擊熱圖和瀏覽熱圖。

? 點擊熱圖，追蹤的是鼠標的點擊情況，進行人數、次數統計并基于百分比進行熱力分布，點擊熱圖又分為兩種，一種是鼠標的所有點擊，一種是頁面可點擊元素的點擊。前者可以追蹤頁面上所有可點擊和不可點擊位置的被點擊情況，后者只是追蹤頁面上可點擊元素的點擊情況。

? 瀏覽熱圖，記錄的是用戶在不同頁面或同一頁面不同位置停留時間的百分比計算，基于停留時長。

七、歸因分析

1. 歸因分析概述

歸因分析一般用于廣告投放的渠道歸因，將用戶點擊行為的“貢獻”合理地分配到每一個渠道，通過渠道歸因來衡量渠道的效果，亦可指導業務人員在渠道投放時合理分配投入。

常見的歸因思路有下面幾種：

1）首次歸因

多個待選中觸點時，認為第一個的功勞為100%。理由是第一個觸點給用戶建立了認知，與用戶形成了連接。適用于重視新用戶線索的業務。

2）末次歸因

多個待選中觸點時，認為最后一個的功勞為100%。這種思路適用范圍最為廣泛，常用于電商業務的站內歸因的計算。

3）線性歸因

多個待選中觸點時，認為每個“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品。

4）位置歸因

多個待選中觸點時，認為第一個和最后一個各占40%功勞，其余平分剩余的20%功勞。兼顧最初的線索和最終的決策。

除此之外，還有“時間篩選歸因”、“末次非直接點擊”的歸因計算思路，在實際的應用過程中，需要根據自身業務特點來選擇合適的歸因方法。

八、間隔分析

1. 間隔分析概述

間隔分析指的是用戶行為與行為之間的間隔時長。如新用戶進入注冊頁面，到完成注冊的間隔時長，反映了注冊流程的順暢程度；用戶發生兩次充值之間的間隔時長，反映了用戶的充值周期等。

在一些場景下，通過對間隔時長分布的觀察，可以得到對產品或者用戶的洞察，從而知道我們發生下一步的業務動作。例如，通過對用戶開始注冊和注冊成功兩個行為之間的時長分布，我們可以獲知用戶完成注冊普遍所需要花費的時長，當某天注冊成功率沒有發生明顯波動，而時長的分布整體變長時，我們則需要檢查注冊驗證碼的短信通道是否暢通、后臺注冊接口是否正常等。

九、分布分析

1. 分布分析概述

分布分析是用戶在特定指標下的頻次、總額等特征的結構化分段展現。分布分析是了解數據分布表現的主要方法，往往能通過對數據結構的分層分析，判斷極端數值的占比、對整體數據的影響，同時了解數據分布的集中度，以及主要的數據分布的區間段是什么。從事件在不同維度中的分布來觀察，我們可以了解該事件除了累計數量和頻次這些簡單指標之外，洞察數據在分布特征上的特點，便于了解業務的健康度、分層結構等信息。

常見的分布模型一般包含以下類型：事件頻率、一天內的時間分布、消費金額的區分等。

分布分析價值主要體現在以下幾個方面：

? 挖掘用戶分布規律，優化產品策略

? 除去極值影響，數據更接近整體真實表現

? 快速識別核心用戶群體，資源配置有的放矢

十、屬性分析

1. 屬性分析概述

屬性分析指在分析行為事件特點的同時，也需要對觸發事件的用戶本身來分析。屬性分析通過對用戶各類特征進行標示，從而了解用戶的屬性，或者屬性交叉的分布結構，進而可以對用戶進行分層標記，以便進行后續的產品、運營動作。

屬性分析可對基礎屬性、社會關系、行為特征、業務表現特征等進行結構分析。基礎屬性包含姓名、年齡、家庭、婚姻狀況、性別、最高教育程度等；社會相關包含已婚未婚、有無小孩等屬性；行為特征包含注冊時間、用戶首次訪問渠道來源等；業務相關屬性則是從業務數據中提取，如業務為健身相關，那么可能會包含體脂率等。

屬性分析的價值主要體現在豐富用戶畫像維度，讓用戶行為洞察粒度更細。