對於互聯網打工人來說，數據分析是一項必備技能！花了這麼多錢，營銷效果到底達到沒有？什麼樣的功能才能真正戳中用戶的痛點？
學會數據分析，既要會用Excel，Python等工具，也要擁有數據分析的思維。給大家整理了7個最好用最常見的大數據分析模型！幫助你高效地完成數據分析！
7個常見的大數據分析模型：
- 事件分析
- 留存分析
- 漏斗分析
- 路徑分析
- Session分析
- 分布分析
- 歸因分析
01 事件分析
幹啥的：研究某行為事件的發生對企業組織價值的影響以及影響程度。
怎麼用：追蹤或記錄的用戶行為或業務過程，如用戶註冊、瀏覽產品詳情頁、成功投資、提現等，通過研究與事件發生關聯的所有因素來挖掘用戶行為事件背後的原因、交互影響等。
應用場景舉例：
問題：運營人員發現，某渠道某天的PV數據異常高，需要排查原因？分為以下步驟：
- 定義事件：將事件定義為PV值，通過篩選條件限定渠道
- 多維度下鑽分析：將PV值按照日期、地理位置、機型、操作系統、IP等不同維度進行分析
- 通過多維度展示結果，給出PV數據的解釋，是虛假流量？（全部來自某IP），數值異常高？（某天數據上漲）
02 留存分析模型
幹啥的：分析用戶參與情況/活躍程度，考察進行初始行為的用戶中有多少人會進行後續行為。這是用來衡量產品對用戶價值高低的重要方法。
怎麼用：留存分析分三種，N-day留存、unbounded留存、bracket留存。
應用場景舉例：
問題：最近的新增客戶很多，想看用戶留存的情況如何？可分為以下幾個步驟：
- 根據新用戶註冊/下載的時間進行同期分組（月/周/日）
- 觀察用戶發生投資的 7 日留存、14 日留存或 30 日留存(可自由選擇)
- 比較不同的同期群，觀察每天留存率的變化趨勢了。
03 漏斗分析模型
幹啥的：反映用戶行為狀態以及從起點到終點各階段用戶轉化率情況
怎麼用：通過觀察不同屬性的用戶群體各環節轉化率，各流程步驟轉化率的差異對比，了解轉化率最高的用戶群體，分析漏鬥合理性，並針對轉化率異常環節進行調整。
典型場景舉例：
問題：銷售人員想要了解從需求發現到贏單的各個環節的轉化情況？可參考以下步驟：
- 從需求發現這一環節開始，按照需求設計銷售漏斗圖
- 根據銷售漏斗圖的各個環節進行跟進和數據錄入
- 自動生產數據分析表，觀測客戶各階段轉化率
詳細參考：
04 路徑分析模型
幹啥的：互聯網產品特有的一類數據分析方法，提升產品核心模塊的到達率、提取出特定用戶群體的主流路徑與刻畫用戶瀏覽特徵。
怎麼用：根據每位用戶在APP或網站中的行為事件，分析用戶在APP或網站中各個模塊的流轉規律與特點，挖掘用戶的訪問或瀏覽模式，進而實現一些特定的業務用途。
路徑分析主要為解決以下問題：
- 用戶主要是從哪條路徑最終形成支付轉化的?
- 用戶離開預想的路徑後，實際走向是什麼?
- 不同特徵的用戶行為路徑有什麼差異?
05 session分析模型
幹啥的：對指定的時間段內，用戶在網站/H5/小程序/APP上發生的一系列用戶行為的集合進行指標分析。
Session 的關鍵點是：多長時間內用戶做了什麼事。
怎麼用：包括訪問次數、人均訪問次數、總訪問時長、單次訪問時長、單次訪問深度、跳出次數、跳出率、退出次數、退出率、人均訪問時長、總頁面停留時長、平均頁面停留時長等。
兩個公式：
- 平均訪問時長=所有用戶的session市場之和/Session數
- 平均交互深度=session內事件之和/session數
06 分布分析模型
幹啥的：通過對質量的變動分布狀態的分析中發現問題，了解生產工序是否正常，廢品是否發生等情況。其工具是直方圖，故又稱直方圖法。
怎麼用：提供「維度指標化」之後進行數據分解，將原有維度按照一定的數值區間進行維度劃分，進而分析每個維度區間的分布情況。
舉個例子：
把特別依賴的用戶單獨篩選出來，建一個用戶運營的專項項目，去運營用戶。也可以把那些付款金額大的用戶，去做一些運營活動。
下圖就可以看出人數和交易客單的分布情況：
07 歸因分析模型
幹啥的：歸因分析要解決的問題就是廣告效果的產生，其功勞應該如何合理的分配給哪些渠道。
怎麼用：衡量和評估站內的用戶觸點對總體轉化目標達成所做出的貢獻，可以非常直接的量化每個運營位和觸點的轉化效果和價值貢獻。
舉個例子：
小陳同學在手機上看到了朋友圈廣告發布了最新的蘋果手機，午休的時候刷抖音看到了有網紅在評測評，下班在地鐵上刷朋友圈的時候發現已經有小夥伴收到手機在晒圖了，於是喝了一杯江小白壯壯膽回家跟老婆申請經費，最後老婆批准了讓他去京東買，有保障。那麼請問，朋友圈廣告、抖音、好友朋友圈、京東各個渠道對這次成交分別貢獻了多少價值？
希望以上的數據模型能幫助你事半功倍！關注@簡道雲，超多乾貨來襲~
