數(shù)據(jù)角度的模型一般指的是統(tǒng)計(jì)或數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、人工智能等類型的模型，是純粹從科學(xué)角度出發(fā)定義的。







　　1、行為事件分析



　　行為事件分析法來研究某行為事件的發(fā)生對企業(yè)組織價(jià)值的影響以及影響程度。企業(yè)借此來追蹤或記錄的用戶行為或業(yè)務(wù)過程，如用戶注冊、瀏覽產(chǎn)品詳情頁、成功投資、提現(xiàn)等，通過研究與事件發(fā)生關(guān)聯(lián)的所有因素來挖掘用戶行為事件背后的原因、交互影響等。



　　在日常工作中，運(yùn)營、市場、產(chǎn)品、數(shù)據(jù)分析師根據(jù)實(shí)際工作情況而關(guān)注不同的事件指標(biāo)。如最近三個(gè)月來自哪個(gè)渠道的用戶注冊量**?變化趨勢如何?各時(shí)段的人均充值金額是分別多少?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?每天的獨(dú)立Session數(shù)是多少?諸如此類的指標(biāo)查看的過程中，行為事件分析起到重要作用。



　　行為事件分析法具有強(qiáng)大的篩選、分組和聚合能力，邏輯清晰且使用簡單，已被廣泛應(yīng)用。行為事件分析法一般經(jīng)過事件定義與選擇、下鉆分析、解釋與結(jié)論等環(huán)節(jié)。



　　2、漏斗分析模型



　　漏斗分析是一套流程分析，它能夠科學(xué)反映用戶行為狀態(tài)以及從起點(diǎn)到終點(diǎn)各階段用戶轉(zhuǎn)化率情況的重要分析模型。



　　漏斗分析模型已經(jīng)廣泛應(yīng)用于流量監(jiān)控、產(chǎn)品目標(biāo)轉(zhuǎn)化等日常數(shù)據(jù)運(yùn)營工作中。例如在一款產(chǎn)品服務(wù)平臺中，直播用戶從**APP開始到花費(fèi)，一般的用戶購物路徑為**APP、注冊賬號、進(jìn)入直播間、互動行為、禮物花費(fèi)五大階段，漏斗能夠展現(xiàn)出各個(gè)階段的轉(zhuǎn)化率，通過漏斗各環(huán)節(jié)相關(guān)數(shù)據(jù)的比較,能夠直觀地發(fā)現(xiàn)和說明問題所在，從而找到優(yōu)化方向。對于業(yè)務(wù)流程相對規(guī)范、周期較長、環(huán)節(jié)較多的流程分析,能夠直觀地發(fā)現(xiàn)和說明問題所在。



　　3、留存分析模型



　　留存分析是一種用來分析用戶參與情況/活躍程度的分析模型，考察進(jìn)行初始行為的用戶中，有多少人會進(jìn)行后續(xù)行為。這是用來衡量產(chǎn)品對用戶價(jià)值高低的重要方法。留存分析可以幫助回答以下問題：



　　一個(gè)新客戶在未來的一段時(shí)間內(nèi)是否完成了您期許用戶完成的行為?如支付訂單等;某個(gè)社交產(chǎn)品改進(jìn)了新注冊用戶的引導(dǎo)流程，期待改善用戶注冊后的參與程度，如何驗(yàn)證?想判斷某項(xiàng)產(chǎn)品改動是否奏效，如新增了一個(gè)邀請好友的功能，觀察是否有人因新增功能而多使用產(chǎn)品幾個(gè)月?關(guān)于留存分析，我寫過詳細(xì)的介紹文章，供您參考：解析常見的數(shù)據(jù)分析模型——留存分析。



　　4、分布分析模型



　　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)。它可以展現(xiàn)出單用戶對產(chǎn)品的依賴程度，分析客戶在不同地區(qū)、不同時(shí)段所購買的不同類型的產(chǎn)品數(shù)量、購買頻次等，幫助運(yùn)營人員了解當(dāng)前的客戶狀態(tài)，以及客戶的運(yùn)轉(zhuǎn)情況。如訂單金額(100以下區(qū)間、100元-200元區(qū)間、200元以上區(qū)間等)、購買次數(shù)(5次以下、5-10次、10以上)等用戶的分布情況。



　　分布分析模型的功能與價(jià)值：科學(xué)的分布分析模型支持按時(shí)間、次數(shù)、事件指標(biāo)進(jìn)行用戶條件篩選及數(shù)據(jù)統(tǒng)計(jì)。為不同角色的人員統(tǒng)計(jì)用戶在**/周/月中，有多少個(gè)自然時(shí)間段(小時(shí)/天)進(jìn)行了某項(xiàng)操作、進(jìn)行某項(xiàng)操作的次數(shù)、進(jìn)行事件指標(biāo)。



　　5、點(diǎn)擊分析模型



　　即應(yīng)用一種特殊高亮的顏色形式，顯示頁面或頁面組(結(jié)構(gòu)相同的頁面，如商品詳情頁、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)擊圖是點(diǎn)擊分析方法的效果呈現(xiàn)。點(diǎn)擊分析具有分析過程**、靈活、易用，效果直觀的特點(diǎn)。點(diǎn)擊分析采用可視化的設(shè)計(jì)思想與架構(gòu)，簡潔直觀的操作方式，直觀呈現(xiàn)訪客熱衷的區(qū)域，幫助運(yùn)營人員或管理者評估網(wǎng)頁的設(shè)計(jì)的科學(xué)性。



　　6、用戶行為路徑分析模型



　　用戶路徑分析，顧名思義，用戶在APP或網(wǎng)站中的訪問行為路徑。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，時(shí)常要對訪問路徑的轉(zhuǎn)換數(shù)據(jù)進(jìn)行分析。



　　以電商為例，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、提交訂單、支付訂單等過程。而在用戶真實(shí)的選購過程是一個(gè)交纏反復(fù)的過程，例如提交訂單后，用戶可能會返回首頁繼續(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機(jī)，從而**用戶走向**路徑或者期望中的路徑。



　　7、用戶分群分析模型



　　用戶分群即用戶信息標(biāo)簽化，通過用戶的歷史行為路徑、行為特征、偏好等屬性，將具有相同屬性的用戶劃分為一個(gè)群體，并進(jìn)行后續(xù)分析。我們通過漏斗分析可以看到，用戶在不同階段所表現(xiàn)出的行為是不同的，譬如新用戶的關(guān)注點(diǎn)在哪里?已購用戶什么情況下會再次付費(fèi)?因?yàn)槿后w特征不同，行為會有很大差別，因此可以根據(jù)歷史數(shù)據(jù)將用戶進(jìn)行劃分，進(jìn)而再次觀察該群體的具體行為。這就是用戶分群的原理。



　　8、屬性分析模型



　　顧名思義，根據(jù)用戶自身屬性對用戶進(jìn)行分類與統(tǒng)計(jì)分析，比如查看用戶數(shù)量在注冊時(shí)間上的變化趨勢、查看用戶按省份的分布情況。用戶屬性會涉及到用戶信息，如姓名、年齡、家庭、婚姻狀況、性別、**教育程度等自然信息;也有產(chǎn)品相關(guān)屬性，如用戶常駐省市、用戶等級、用戶**訪問渠道來源等。



　　屬性分析模型的價(jià)值是什么?一座房子的面積無法**衡量其價(jià)值大小，而房子的位置、風(fēng)格、是否學(xué)區(qū)、交通環(huán)境更是相關(guān)的屬性。同樣，用戶各維度屬性都是進(jìn)行**衡量用戶畫像的不可或缺的內(nèi)容。



　　屬性分析主要價(jià)值在：豐富用戶畫像維度，讓用戶行為洞察粒度更細(xì)致。科學(xué)的屬性分析方法，可以對于所有類型的屬性都可以將“去重?cái)?shù)”作為分析指標(biāo)，對于數(shù)值類型的屬性可以將“總和”“均值”“**值”“最小值”作為分析指標(biāo);可以添加多個(gè)維度，沒有維度時(shí)無法展示圖形，數(shù)字類型的維度可以自定義區(qū)間，方便進(jìn)行更加精細(xì)化的分析。



　　大數(shù)據(jù)分析中常見的分析模型.中琛魔方大數(shù)據(jù)分析平臺(www.zcmorefun.com)表示數(shù)據(jù)經(jīng)過一層層的分析，挖掘，最終變成用戶所需的數(shù)據(jù)，對于企業(yè)而言，數(shù)據(jù)分析的利用對于企業(yè)決策的制定至關(guān)重要。在商業(yè)智能領(lǐng)域，數(shù)據(jù)分析的使用非常頻繁，對于軟件的數(shù)據(jù)分析能力的要求也是十分高。