不同的业务场景，往往需要不同的数据分析模型应用，熟练掌握常见的数据分析模型，不仅是数据分析的基础，也是PPT报告的必备，日后数据分析和增长规划的真诚必杀技~

十大数据分析模型包含：事件分析、漏斗分析、热图分析、留存分析、事件流分析、用户分层分析、用户细查、分布分析、归因分析等。

01 事件分析

事件分析作为一种实证研究方法，是指通过数据分析市场某一特定事件对公司价值的影响。

什么叫做“事件”呢？

简单讲就是：用户在产品上的行为，它是用户行为的一个专业描述，用户在产品上的所有获得的程序反馈都可以抽象为事件，由开发人员通过埋点进行采集。通俗讲就是：将一段代码放入对应的页面/按钮，用户进入页面/点击按钮的本质是在加载背后的代码，同时再加载事件采集代码，这样就被SDK所记录。

一个完整的事件应该包含

• 用户信息：描述用户信息，比如：用户访问/登陆ID
• 时间信息：事件发生事件
• 行为信息：用户做了什么行为
• 行为对象信息：用户行为作用在哪些对象上，比如：点击按钮A，浏览了页面B，修改文本框C，那ABC都是用户行为作用的对象。

事件分析是所有数据分析模型中最基础的一种，指对用户行为事件的指标进行统计、维度细分、筛选等分析操作。

例如，对于“点击加入购物车按钮”这个事件，我们可以用“点击次数”或者“点击人数”来度量，对应的指标分别是“点击加入购物车按钮的次数”和“点击加入购物车按钮的人数”。

度量结果可以通过线图、纵向柱状图、横向柱状图（条形图）、表格、数值、气泡图等呈现。

比如利用气泡图来展示五款产品功能所在的区域，判断功能存在的必要性，以功能使用人数为Y轴，产品好评率为X轴，交叉成为四象限，为五款产品功能进行判断。

采集时机，通常有3种采集时机，包括：用户点击（click）、网页加载完成、服务器判断返回。在设计埋点需求文档时，采集时机的说明尤为重要，也是保证数据准确性的核心。

事件分析，通过行为信息之间的相互关系，寻找规律，准确了解产品特征合理配置追踪，关于变化趋势对比。

02 漏斗分析

漏斗分析与事件分析不同的地方在于，漏斗分析是基于用户（也就是基于人）来统计某一批用户所发生的行为，不会受到历史浏览页面用户的事件影响，可以更加准确地显示出某一时间段产品存在的问题。

一个完整的漏斗分析需要：

• 步骤：这里是指用户行为，由事件加筛选条件组成。
• 时间范围：指漏斗第一步发生的时间范围。
• 转化周期：指用户完成漏斗的时间限制，漏斗分析只统计在这个时间范围内，用户从第一步到最后一步的转化。
• 时间范围：指漏斗第一步发生的事件范围
• 转化周期：指用户完成漏斗的时间限制

漏斗分析只统计在这个时间范围内，用户从第一步到最后一步的转化。

以注册转化漏斗为例，漏斗模型可以度量每一步的注册转化率和整体注册转化率。

从“开始注册”到“注册第三步完成”，每一步的转化率分别为55.8%、18.5%、92.5%，整体注册转化率为9.54%。我们可以很明显地看出，“注册第一步完成”的转化率明显低于其他两个步骤。后面通过数据反馈和用户调研发现，在于短信服务商的发送达到率不高，导致整个验证码存在收不到情况。

漏斗分析，通过转化率和正常范围内进行对比，可以轻松通过时间维度监控每一步和整体转化率的趋势，帮助及时发现问题和进行调整。

03 热图分析

产品存在的目的是为了帮助用户实现特定的目标，比如查找信息，注册服务，购买产品等。

当用户在访问产品的过程中，并进行了下一步操作，需要关注的问题：

• 1）用户是否有点击运营设置的内容？
• 2）是否有重要的按钮或元素被大量点击，但是资源位没有被充分利用？
• 3）不同的运营位，不同内容对用户的吸引度有多少？
• 4）核心资源位的点击曝光有多少？
• 5）从重点元素的点击来看，哪个渠道带来的效果差异如何？

热力图可以提供一种清晰直观方式帮助我们回答这些问题，热图是常见的数据分析图像。是以产品中元素的点击次数，点击人数，点击率为基础数，以特殊高亮的图形形式展示用户点击页面的位置或用户所在页面位置。通过聚合用户行为，热图可以一目了然展示用户如何跟产品进行交互，帮助识别用户行为趋势并优化产品流程。

基于鼠标点击位置的热图

• 鼠标点击（Mouse Click Heatmap），记录所有的点击，代表的产品有HotJar、CrazyEgg、Smartlook、Ptengine、Clarity、百度统计、Yandex.Metrica等
• 基于鼠标点击位置的热图不会追随内容的变化，只是记录相对时间内鼠标点击的绝对位置

基于鼠标移动轨迹的热图

• 比如mousestats，mouseflow等记录用户鼠标移动，停留行为等，热图多为轨迹行为，由于鼠标的移动和眼球的运动有着较大的向光性，该热图用于洞察用户心理，探索用户在产品上的注意力情况。
• 基于鼠标移动轨迹的热图不会追踪内容的变化，只是记录相对时间鼠标移动的绝对位置。

基于内容点击的热图

• 记录用户在网站内容上的点击，自动过滤掉页面的空白页，也就是没有内容和链接的无效页面。基于内容点击的热图，会追踪内容的变化而变化，记录相对时间内用户对内的点击偏好。
• 热图可以反映用户在页面位置上鼠标的点击，移动和停留偏好，产品经理和运营可以接种热图对用户的访问偏好有一定的理解

04 留存分析

留存分析是衡量产品是否对用户有持续吸引力和用户粘性的重要数据分析模型。可以通过表格和线图呈现。

• 留存用户：如果用户发生其实行为，段时间后，又发生了目标行为，即认定用户为留存用户
• 留存行为：某个目标用户完成了其实行为后，在后续日期完成了特定的留存行为，则留存人数+1。留存行为一般会跟我们目标强相关性。
• 留存率是指“留存行为用户”只能“起始行为用户”的比例。常见指标：次日留存率，7日留存率，日月留存率

以留存分析衡量某个产品的激活手段是否有效

举个例子：某产品为了推广电商模块，采用“签到奖励”的激活手段，用户签到后可以获得积分，积分可以抵扣电商购物时的部分金额，这样设计期望带动电商模块的活跃度和购买转化。

由于签到积分存在较低的“薅羊毛”门槛，部分投机用户会坚持签到以获取积分，然后用积分直接兑换商品。

通过留存分析查看用户签到领取积分的转化情况，使用“签到奖励”功能的用户回来使用“签到奖励”的留存率很高，但后续进行电商交易模块比较少，

——说明签到奖励对于活跃用户效果较好，但激活电商模块效果较差，需调整签到手段，增加其他激活用户的转化。

留存分析的“魔法数字”

很多增长黑客的故事里都提到过“魔法数字”这个概念。比如，领英(Linkedln)发现第一周增加5个新社交关系的用户的留存率很高，脸书(Facebook)发现在注册第一周里增加10个好友的用户的留存率很高，推特(Twitter)发现在第一周有30个追随者(followers)的用户的留存率很高等。这些魔法数字都是在用户行为的留存分析中发现的

一个用户使用了我们网站或者APP的某些功能、做了某些动作，然后留下来持续使用我们的产品、成为忠诚的用户。这说明用户的行为和留存率之间是有一些相关性的，我们要找出这种相关性，然后去看是否有因果关系

“魔法数字”的探索实践

第一步，确定用户使用产品的可能行为指标（可能会影响留存率的指标）。

一个电商类APP可能有包括开启APP，登录、浏览、添加关注、收藏、加入购物车、点赞、分享、购买等行为，以及客单价、下单次数、平均下单周期等行为指标。

第二步，分析用户行为与最终留存率之间的相关性。

例如下图所示push推送次数与留存率的关系图，push推送能有效召回用户，提升用户在产品上的留存率，随着push推送召回用户次数的增多，用户留存率也在逐渐升高。

当一天推送3条push后，留存率急速攀升达到71%，但当push推送超过3次时，此时用户留存率基本趋于平稳。再多的push也没办法提升用户在产品上的留存。

当push推送在3次，整个用户留存达到最高值，黏性很强，但当>=3次多条消息推送，边际效益递减，反而会打扰到用户，所以在实际运营工作中，应该控制当天推送在3次。

在实际产品运营工作中，各种数据图表都是综合配合使用，结合实验AB测试，以打造用户更满意的产品功能和体验为主；“以用户为核心”把用户信息做基础，利用多种增长模型，寻找增长“魔法数字”和“啊哈”时刻，才是用户增长的核心。