常见的九种大数据分析模型

常见的9种大数据分析模型分别为：
事件分析、
属性分析、
渠道分析、
Session分析、
留存分析、
归因分析、
漏斗分析、
路径分析、
分布分析

1、【事件分析】
事件分析，是指用户在 APP、网站等应用上发生的行为，即何人，何时，何地，通过何种方式，做了什么事。
事件分析模型主要用于分析用户在应用上的行为，比如打开 APP、注册、登录、支付订单等。通过触发用户数、触发次数、访问时长等基础指标度量用户行为，同时也支持指标运算，构建复杂的指标衡量业务过程。
那么，事件分析模型能够解决哪些问题呢？
例如：
监测产品每天的用户数、访问次数、使用时长；趋势是否发生了变化？
引起变化的因素有哪些？
北京地区的用户和上海地区的用户，购买家电品类的金额分布差异在哪里？
今天在产品中发起了一个话题，各个时段用户的参与情况如何？
最近半年付费用户数和 ARPU 值是多少？

事件分析模型能够实时监测用户在不同平台的用户行为，通过不同维度归因指标变化因素，还能通过自定义指标组合成新的指标实现更为强大的分析能力。

2、【属性分析】
属性分析是基于用户自定义属性或预置属性的占比分析，能够按照不同的属性来统计用户数等指标的属性占比，进而得到初步的分析结论。例如，通过对性别属性的用户数占比分析，我们可以快速得到不同性别的用户数统计结果。

通过属性分析，可以快速查看在不同属性上的用户数分布情况，便于统计不同特征的用户总量，在使用属性分析的过程中，需要合理选择度量方式，常用的度量方式包括：用户数、去重数、总和、最大值、最小值、均值等。

例如：我们选择的指标为“累计消费金额的均值”，维度为“会员等级”，用户选择“所有用户”，那么我们得到的结果是“所有不同会员等级用户的平均消费金额是多少”。

属性分析模型同事件分析模型类似，可以进行多维度多用户之间的对比、多种图表形式展示统计结果。在有标签功能的场景下，还可以对不同版本标签的统计对比分析。

3、【渠道分析】

渠道，即企业（产品）与用户产生互动的各个触点，比如搜索引擎、社交媒体、广告平台、线下站会等等。

渠道分析模型用于分析用户（包括访客）的访问来源，通过访问用户数、访问次数、访问时长、跳出率等基础指标评估渠道质量，同时也支持自定义转化目标衡量渠道的转化效果。

那么，渠道分析能够解决哪些问题呢？
例如：
各个渠道实时的访问用户数、浏览量如何？
上周选择了多个渠道对网站进行推广，各个渠道带来的用户注册量如何？
社交媒体、搜索引擎、外部链接……哪个渠道带来的用户留存率更高？
微信来源用户更多集中在公众号还是朋友圈？
哪些搜索词带来的流量很大，且转化效果也好？

渠道分析模型通过定义基础指标和转化指标、选择分析平台、渠道维度，就能够清晰地呈现各渠道表现，从而评估不同渠道的实际产出效果，最终选择优质渠道组合，提高整体ROI。

4、【Session分析】
Session，即会话，是指在指定的时间段内在网站/H5/小程序/APP上发生的一系列用户行为的集合。
例如，一次会话可以包含多个页面浏览、交互事件等。Session 是具备时间属性的，根据不同的切割规则，可以生成不同长度的 Session。

Session分析模型含多种度量 Session 访问质量的指标，包括访问次数、人均访问次数、总访问时长、单次访问时长、单次访问深度、跳出次数、跳出率、退出次数、退出率、人均访问时长、总页面停留时长、平均页面停留时长。

不同于事件分析，Session 分析中额外支持了一些维度的细分，以满足特定场景下针对 Session 分析的需求，包括：

渠道来源分组：用以区分每次访问的渠道来源，仅适用于 Web/H5/小程序；
浏览页面数：以步长5为间隔，统计每次浏览页面数的分布情况；
着陆页：用以区分每次访问的着陆页，可以评价不同着陆页的访问质量；
退出页：用以区分每次访问的退出页，可以评价不同页面的退出情况，找到退出率高的页面进行优化；
访问时长：按照 0-3 secs，3-10 secs，10-30 secs，30-60 secs，1-3 mins，3-10 mins，10-30 mins，30-60 mins，1 hour 以上的区间进行划分，统计每次访问的时长分布。

同事件分析类似，Session 分析也支持多指标、多维度和多过滤条件，同时也支持多用户分群之间的横向对比。同时在 Session 分析中，还支持按照日、周、月三种不同粒度来进行统计分析，用户可以根据查询数据的时间跨度来选择合适的粒度进行分析。

5、【留存分析 】
留存分析 留存是指用户在 APP、网站等应用上使用过，并一段时间后仍有使用。

留存分析模型是一种衡量用户健康度/参与度的方法，超越下载量、DAU 等指标，深入了解用户的留存和流失状况，发现影响产品可持续增长的关键因素，指导市场决策、产品改进、提升用户价值等。

那么，留存分析模型能够解决哪些问题呢？
例如：
上个月做了一次产品迭代，如何评估其效果？
是否完成了产品经理期望完成的行为？
作为一个社交 APP，在注册后不添加好友和添加 10 个好友的用户后续留存有差异吗？
短期留存低，长期留存一定很差吗？
两个推广渠道带来不同的用户，哪个渠道的用户更有可能是的高价值用户？
近 30 天注册的用户，半个月都没有回访的用户比例是多少？

留存分析模型支持条件过滤和多人群的对比分析，支持对全量数据随机抽样计算。同时我们还可以通过留存分析判断新用户在几天、几周、几月后是否愿意回来使用你的功能，还可自定义初始行为和结束行为进行功能留存分析。

留存是基于某个用户群体的初始行为时间来计算的，描述发生了某个行为的同期群，在一段时间后是否发生了期望的行为。初始行为和后续行为均可以是任意事件或者某个具体的事件。

不同的分析场景中可以设置多个不同的留存条件来分析：
初始行为和后续行为设置为相同，对比不同的功能重复发生的情况，发现用户对不同功能的使用粘性；
初始行为相同，设置不同的后续行为，对比同一个优化是否对其他功能有不同的影响；
后续行为相同，设置不同的初始行为，对比发现不同的运营手段、产品功能对核心业务目标的影响。

6、【归因分析】
归因分析 在做运营活动时，我们可能会在产品内的多个运营位上投放活动素材，试图在用户与产品交互过程中的各个触点上，吸引用户的注意力，引导流量走向和用户行为，促成最终转化。此外，用户本身可能还会通过搜索、内容推荐等触点获取信息，这些触点对用户是否能达成转化也发挥着重要作用。
也就是说，在用户转化路径上，站内的众多触点都参与了对用户的劝说和引导，影响了用户的最终决策。那么，对比各个用户触点，它们对关键指标的达成分别贡献了多大力量，是否都如运营人员所预期的那样，具有优秀的转化能力；亦或者，存在被低估的情况？在之后的运营中，该如何调整对各运营位资源投入的权重分配？

对于以上问题，归因分析提供了一种直观的度量 —— 转化贡献度，主要用于衡量和评估站内的用户触点对总体转化目标达成（如订单总金额）所作出的贡献，可以非常直接地量化每个运营位和触点的转化效果和价值贡献。常见的归因分析模型有以下五种

首次触点归因：
将转化功劳 100% 归于首次互动的待归因事件；
末次触点归因：将转化功劳 100% 归于末次互动的待归因事件；
线性归因：将转化功劳平均分配给转化路径上的所有待归因事件；
位置归因：按待归因事件在转化路径上的位置分配转化功劳，一般首次和末次互动的事件各占 40%，中间触点的事件均分剩余的 20%； 时间衰减归因：按待归因事件发生的时间顺序，分配转化功劳，距离目标事件发生时间越近的待归因事件，做出的贡献越大，分配到的功劳越多。

7、【路径分析】
路径分析 路径是指用户在应用中使用的行为轨迹。在产品运营过程中，无论是产品、运营还是市场团队都希望能够清晰地了解用户行为路径，来验证运营思路、指导产品迭代优化，达到用户增长、转化的最终目的。

当有明确的转化路径时，通过预先建立漏斗来监测转化率会比较容易。但是很多情况下，虽然有最终的转化目标，但是用户到达该目标却有多条路径，无法确定哪条路径是用户走得最多的路径，哪条转化路径最短，这时候就需要智能路径分析模型的帮助。

通过智能路径分析模型能够解决如下问题：

用户主要是从哪条路径最终形成支付转化的？
用户离开预想的路径后，实际走向是什么？
不同特征的用户行为路径有什么差异？

8、【漏斗分析】
漏斗分析，是分析用户使用某项业务时，经过一系列步骤转化效果的方法。漏斗分析模型能够灵活自定义多步骤之间的转化过程，找到关键流失环节及影响因素，进而分析用户行为进行针对性优化动作。

官网流量很大，但注册用户很少，是过程中哪个环节出了问题？
用户从“注册 – 绑卡 - 提交订单 - 支付订单” 总体转化率如何？
不同地区的用户支付转化率有什么差异？
两个推广渠道带来了不同的用户，哪个渠道的注册转化率高？
上周针对注册环节的问题做了一次优化，转化率趋势是否有提升？

在理想情况下，用户会沿着产品设计的路径到达最终目标事件，但实际情况是用户行为路径是多种多样的。通过埋点事件配置关键业务路径，可以分析多种业务场景下转化和流失的情况，我们不仅找出产品潜在问题的位置，还可以定位每个环节流失用户，进而定向营销促转化。

9、【分布分析】
分布分析主要能够提供「维度指标化」之后的数据分解能力，将原有维度按照一定的数值区间进行维度划分，进而分析每个维度区间的分布情况，在以下分析场景中十分常见：分析订单的金额分布、分析某类特殊事件的发生时段分布、分析某类特殊事件的发生次数分布、分析触发某类事件的用户年龄分布。

由此可见，分布分析主要针对的是数值型和日期型这两类属性，如金额、年龄、时间、频次，因此当用户打点上传的数据中包括这两类属性时，那么在日常的分析中就有可能会使用分布分析来解决一些特定问题。常用指标有：X 事件的次数分布、X 事件的活跃时段分布、X 事件的活跃天数分布、X 事件 Y 属性的总和/均值/人均值等分布。