七個好用常見的大數據分析模型
互聯網打工人來說，數據分析是一項必備技能！花了這么多錢，營銷效果到底達到沒有？什么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！
1. 事件分析
干啥的：研究某行為事件的發(fā)生對企業(yè)組織價值的影響以及影響程度。
怎么用：追蹤或記錄的用戶行為或業(yè)務過程，如用戶注冊、瀏覽產品詳情頁、成功投資、提現等，通過研究與事件發(fā)生關聯的所有因素來挖掘用戶行為事件背后的原因、交互影響等。
應用場景舉例：
問題：運營人員發(fā)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。
- 多維度下鉆分析：將PV值按照日期、地理位置、機型、操作系統(tǒng)、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）。
2. 留存分析模型
干啥的：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后續(xù)行為。這是用來衡量產品對用戶價值高低的重要方法。
怎么用：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：
- 根據新用戶注冊/下載的時間進行同期分組（月/周/日）。
- 觀察用戶發(fā)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
干啥的：反映用戶行為狀態(tài)以及從起點到終點各階段用戶轉化率情況。
怎么用：通過觀察不同屬性的用戶群體各環(huán)節(jié)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，分析漏斗合理性，并針對轉化率異常環(huán)節(jié)進行調整。
典型場景舉例：
問題：銷售人員想要了解從需求發(fā)現到贏單的各個環(huán)節(jié)的轉化情況？可參考以下步驟：
- 從需求發(fā)現這一環(huán)節(jié)開始，按照需求設計銷售漏斗圖
- 根據銷售漏斗圖的各個環(huán)節(jié)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
4.路徑分析模型
干啥的：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征。
怎么用：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(guī)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(yè)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后，實際走向是什么?
- 不同特征的用戶行為路徑有什么差異?
5.session分析模型
干啥的：對指定的時間段內，用戶在網站/H5/小程序/APP上發(fā)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么事。
怎么用：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
6.分布分析模型
干啥的：通過對質量的變動分布狀態(tài)的分析中發(fā)現問題，了解生產工序是否正常，廢品是否發(fā)生等情況。其工具是直方圖，故又稱直方圖法。
怎么用：提供「維度指標化」之后進行數據分解，將原有維度按照一定的數值區(qū)間進行維度劃分，進而分析每個維度區(qū)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：
7.歸因分析模型
干啥的：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。
怎么用：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(fā)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(fā)現已經有小伙伴收到手機在曬圖了，于是喝了一杯江小白壯壯膽回家跟老婆申請經費，最后老婆批準了讓他去京東買，有保障。那么請問，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！
