運營(yíng)數據分析模型，運營(yíng)8大數據分析模型，新手必備

“不僅要知道用戶(hù)當下在想什么，數據手必更要知道用戶(hù)背后在想什么，分析以及用戶(hù)正在經(jīng)歷著(zhù)什么。模型(′-ι_-｀)”

傳統用戶(hù)模型構建方式

用戶(hù)模型：基于對用(yong)戶(hù)的大數訪(fǎng)談和觀(guān)察等研究結果建立，嚴謹可靠但費時(shí)；

臨時(shí)用戶(hù)模型：基于行業(yè)專(zhuān)家或市場(chǎng)調(╯°□°）╯查數據對用戶(hù)的據分理解建立，快速但容易有偏頗。析模型新（缺乏時(shí)間，運營(yíng)運營(yíng)資源的數據手必情況下）

為了節省時(shí)間，降低風(fēng)險，分析產(chǎn)品團隊往往盡快將產(chǎn)品推向用戶(hù)，模型快速試錯，大數在這種場(chǎng)景下如何構造用戶(hù)模型？據分

1，首先，析模型新整理和收集已經(jīng)獲得的運??營(yíng)運營(yíng)任何可認知用戶(hù)的經(jīng)驗和數據，將這些信息映射成為用戶(hù)的描述信息（屬性）或用戶(hù)的行為信息，并存儲起來(lái)形成用戶(hù)檔案,

2，實(shí)時(shí)關(guān)注自身數(?????)據的波動(dòng)，及時(shí)采( ?ヮ?)取行動(dòng)

3，記錄用戶(hù)的行為數據而不是單純地為用戶(hù)打標簽

4，360°覆蓋用戶(hù)全生命周期的用戶(hù)檔案

用戶(hù)的每一步成長(cháng)都通過(guò)行為記錄下來(lái)，基于用戶(hù)所在生命周期的不同階段，針對新用戶(hù)、流失用戶(hù)、活躍用戶(hù)、沉默用戶(hù)分別采取有針對性的拉新、轉化、留存等運營(yíng)策略。

1.事件是什么

就是用戶(hù)在產(chǎn)品上的行為，它是用戶(hù)行為的一個(gè)專(zhuān)業(yè)描述，用戶(hù)在產(chǎn)品上的所有獲得的程序反饋都可以抽象為事件，由開(kāi)發(fā)人員通過(guò)埋點(diǎn)進(jìn)行采集，通俗講就是：將一段代碼(′?_?`)放入對應的頁(yè)面/按鈕，用戶(hù)進(jìn)入頁(yè)面/點(diǎn)擊按鈕的本質(zhì)是在加載背后的代碼，同時(shí)再加載事件采集代(dai)碼，這樣就被SDK所記錄下來(lái)了。

（利用百度統計加入代碼(′；д；`)采集用戶(hù)下載成功和失敗事件）

2.事件的ヽ(′▽?zhuān)?ノ采集

事件：用戶(hù)在產(chǎn)品上的??行為

屬性：描述事件的維度

值：屬性的內容

采集時(shí)機:用戶(hù)點(diǎn)(╯‵□′)╯擊??（click）、網(wǎng)頁(yè)加載完成??、服務(wù)(wu)器判斷返回等。在設計埋點(diǎn)(dian)需求文檔時(shí)，采集時(shí)機的說(shuō)明尤為重要，也??是保證數據準確性的核心。

舉個(gè)例子，在采集過(guò)程中如果沒(méi)有明確時(shí)機，當用戶(hù)點(diǎn)擊了注冊(′?｀*)按鈕，由于用戶(hù)輸入了錯誤的注冊信息實(shí)際沒(méi)有注冊成功，可能仍然會(huì )(′?｀)(hui)進(jìn)行記錄，這樣在統計注冊成功事件的時(shí)候就不是準確的。而正確的采集時(shí)機描述應該是“服務(wù)器返回注冊成功的判斷”。（日本官網(wǎng)采集的就是返回(hui)激活成功或者失敗頁(yè)面）

3.事件的分析

4.事件的管理

當事件很多時(shí)，可以對事件進(jìn)行分門(mén)別類(lèi)地管理。同時(shí)，可以從產(chǎn)品??業(yè)務(wù)角度將??重??要的用戶(hù)行為標注出(′?ω?`)來(lái)，以便可以在分析時(shí)方便、快捷地查找常用、重要的事件。

漏斗模型幫助你分析一個(gè)多步驟過(guò)程中每一步的轉化與流失情況。

舉例來(lái)說(shuō)，用戶(hù)下載產(chǎn)品的完整流程可能包含以下步驟：

我們可以將如上流程設置為一個(gè)漏斗，分析整體的轉化情況，以及每一步具體的轉化率和轉化中位時(shí)間

我們需要將按照流程操作的(de)用戶(hù)進(jìn)行各個(gè)轉化層級上的監控，尋找每個(gè)層級的可優(yōu)化點(diǎn)；

對沒(méi)有按照流程操作的用戶(hù)繪制他們的轉化路徑，找到可提升用??戶(hù)體驗，縮??短路(lu)徑的空間。

更好的利用漏斗模型：

1.細化每一個(gè)環(huán)節，展示到點(diǎn)擊之間？點(diǎn)擊到下載之間？下載到安裝之間？安裝到體驗之間？

2.ヾ(′▽?zhuān)??擁有埋點(diǎn)意識和全局觀(guān)念，才能夠有效采集(ji)，為每個(gè)環(huán)節的漏斗優(yōu)化做出決策依據，推動(dòng)各個(gè)部門(mén)優(yōu)化

什么是熱圖分析模型？

反映用戶(hù)在網(wǎng)頁(yè)上的關(guān)注點(diǎn)在哪里，尤其對于??官網(wǎng)首頁(yè)來(lái)說(shuō)??，信息密度極高，用戶(hù)究竟是(shi)如何點(diǎn)擊，如何瀏覽的效果圖

按計算維度劃分，熱圖可以分為點(diǎn)擊熱圖和瀏覽熱圖。

點(diǎn)擊熱(re)圖：追蹤的是鼠標的點(diǎn)擊情況，進(jìn)行(xing)人數、次數統計并基(ji)于百分比進(jìn)(jin)行熱力分布( ?ヮ?)，點(diǎn)擊熱圖又分為兩種，一種是鼠標的所有點(diǎn)擊，一種是頁(yè)面可點(diǎn)擊元素的點(diǎn)擊。前者可以追蹤頁(yè)面上所有可點(diǎn)擊和不可點(diǎn)擊位置的被(??ヮ?)?*:???點(diǎn)擊情況，后者只追蹤頁(yè)面上可點(diǎn)擊元素的點(diǎn)擊情況。

瀏覽??熱圖（也稱(chēng)(╯°□°）╯︵ ┻━┻注意(yi)力熱圖）記錄??的是用戶(hù)在不同頁(yè)面或同一頁(yè)面不同位置停留時(shí)間的百分比計算，基于停(╬ ò﹏ó)留??時(shí)長(cháng)。

1、面向特??定人群的分析與人群對比

比如理財產(chǎn)品，投資用戶(hù)和未投資用戶(hù)關(guān)注點(diǎn)肯定不同

2、聚焦分析

點(diǎn)擊率= 點(diǎn)擊次數/當前頁(yè)面的瀏覽次數

聚焦率=點(diǎn)擊次數/當前頁(yè)面的點(diǎn)擊總次(ci)數

應用場(chǎng)景

1、落地頁(yè)效果分析(′-ι_-｀)

2、首頁(yè)流量追蹤

3、關(guān)鍵頁(yè)體驗衡量（產(chǎn)品體驗和下載頁(yè)面）

留存定義和公式

定義：滿(mǎn)足某個(gè)條件的用戶(hù)，在某個(gè)時(shí)間點(diǎn)有沒(méi)有進(jìn)行回訪(fǎng)行為

公式：若滿(mǎn)足某個(gè)條件的用戶(hù)數為n，在某個(gè)時(shí)間點(diǎn)進(jìn)行回訪(fǎng)行為的用戶(hù)數為m，那么該時(shí)間點(diǎn)的留存率就是m/n

第一個(gè)觀(guān)察期：次日

第二個(gè)觀(guān)察期：第3日-第7日

第三個(gè)觀(guān)察期：第8日-第14日

第四個(gè)觀(guān)察期：第15日到第30日

自定義留存

上述三種留存方式，都是對時(shí)間的限定，對留存的定義都是用戶(hù)打開(kāi)(kai)了APP或進(jìn)入了網(wǎng)站

自定義留存是基于業(yè)務(wù)場(chǎng)景下的留存情況，比如閱讀類(lèi)產(chǎn)品會(huì )把看過(guò)至少一篇文章的用戶(hù)定義為真正的留存用戶(hù)，電商類(lèi)產(chǎn)品會(huì )把至少(′▽?zhuān)?查看過(guò)一次商品詳??情定義為有效留存

定義：對活躍用戶(hù)使用產(chǎn)品的習慣的分析，例如一個(gè)月使用了幾天，使用大于一天，大于七天的用戶(hù)有多少，例如某些(xie)產(chǎn)品上線(xiàn)了新功能，用戶(hù)使用需要簽到，可以由此分析出用戶(hù)的使用習慣，評估新功能的吸引力和健康度。

作用：使用留存分析，了解產(chǎn)品和功能黏住用戶(hù)的能力如何，用戶(hù)喜歡哪個(gè)功能，不同用戶(hù)在同一功能在適用上的差異，有助于科學(xué)評估產(chǎn)品，制定留存策略

舉例：股票APP，已投資用戶(hù)和未投資的用戶(hù)觸發(fā)功能【查看股票市場(chǎng)】的次數

行為路徑分析分為漏斗分析和全行為路徑分析。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，例如電商產(chǎn)品，分析從查看產(chǎn)品詳情到最終支付每一步的轉化率。而全行為ˉ\_(ツ)_/ˉ路徑分析是對用戶(hù)在A(yíng)PP或網(wǎng)站的??每個(gè)模塊的流轉情況，挖掘用戶(hù)的訪(fǎng)問(wèn)模式，從而優(yōu)化產(chǎn)品或網(wǎng)站

一般可用樹(shù)形圖(′?_?`)表現，如下圖，一個(gè)線(xiàn)上培訓網(wǎng)(′?｀)站，用戶(hù)大都會(huì )打開(kāi)搜索課程，所以需要優(yōu)化搜索課程。而在第一次搜索課程后，用戶(hù)并(bing)沒(méi)有搜索到想要的課程，又進(jìn)行了第二次搜索，因此可以將用戶(hù)搜索頻率高的關(guān)鍵詞設置成(cheng)可點(diǎn)擊元素，鏈接到用ヽ(′▽?zhuān)?ノ戶(hù)使用頻率高的相關(guān)課程。引導用戶(hù)點(diǎn)擊得到想要的結果

分群是對某一特征用戶(hù)的劃分(′▽?zhuān)?和歸組，而分層，更多的是對全量用戶(hù)的一個(gè)管理手段，細分用戶(hù)的方法其實(shí)我們一直在用，比如我們熟悉的RFM模型：

RFM模型是從用戶(hù)的業(yè)務(wù)數據中提取了三個(gè)特征維度：最近一次消(′ω｀)費時(shí)間（Rece??ncy）、消費頻率 (Frequency)、消費金額 (M(′?｀*)onetary)。通過(guò)這三個(gè)維度將用戶(hù)有效地細分為8個(gè)具有不同用戶(hù)價(jià)值及應對策略的群體，如下圖所示。

另外四個(gè)用戶(hù)分群的維度：

1、用戶(hù)屬性：用戶(hù)客觀(guān)的屬性，描述用戶(hù)真實(shí)人口屬性的ヽ(′ー｀)ノ標簽，比如：年齡、性別、城市、瀏覽器版本、系統版本、操作版本、渠道來(lái)源等就是用戶(hù)屬性

2.活躍時(shí)間

3.做過(guò)，沒(méi)做過(guò)

4.新增于(yu)：何時(shí)新增用戶(hù)較多