1. 行为事件分析
- 行为事件分析：
- 行为事件分析法主要用于研究某行为事件的发生对产品的影响及影响程度，一般来说，事件通过埋点来获取。
- 对于一具体的行为，首先要对其进行定义，将人物（Who）、时间（When）、地点（Where）、交互（How）、交互内容（What）进行聚合，构成一个完整的用户行为事件。
- Who：事件的参与主体，如用户id，设备id等；
- When：事件发生的时间；
- Where：事件发生的地点，如通过ip地址解析，GPS获取；
- How：用户从事行为的方式，如使用的设备、app版本、渠道等；
- What：用户在事件中所做行为的具体内容，如对于购买行为事件，可能包含购买商品名称、类型、数量、金额、付款方式等。
- 作用：
- 定义完成后，需要进行多维度的下钻分析，进行细分，确认导致该行为的原因，针对存在的现象，找出产生这一现象的行为。
- 如登录页面下，点击登录和跳过登录的新用户有什么行为差别。通过对用户行为事件的定义，然后进行多维度（如位置、事件、app版本等）拆分，找到原因。
2. 路径分析
- 用户行为路径分析作用：
- 明确用户现存路径有哪些，发现路径问题；
- 优化用户行为沿着最优访问路径前进；
- 结合业务场景需求进行前端布局调整。
- 应用场景：
- 确定产品用户从访问到转化/流失都经过了哪些流程；
- 分析转化用户与流失用户是否有行为区别；
- 分析用户行为路径是否符合预期。
- 涉及的数据指标：
- 全链路页面级PV、UV，以及路径流转关系
3. 漏斗分析
- 漏斗分析作用：
- 描述从一个事件环节的最开始、到最终转化成购买的整个流程中，相邻环节的转化率表现力。
- 就是指用数据指标来量化每一个步骤的表现。
流量漏斗模型在产品中的经典运用是 AARRR 模型，不过现在已经流行更新的 RARRA 模型。
- 应用场景：
- 衡量每一个转化步骤的转化率；
- 通过异常数据指标找出有问题的环节并解决，最终提升整体购买转化率。
-
AARRR 模型：
- 漏斗分析核心指标
- 注册
- 登录
- 收藏
- 加购
- 下单
- 复购
- 登录
- 着陆页停留时长
- 浏览
- 详情页停留时长
- 搜索页至详情页转化率
- 详情页至收藏页转化率
- 详情页至加购页转化率
- 详情页至下单页转化率
- 加购
- 加购量
- 加购率
- 收藏
- 收藏量
- 收藏率
- 下单
- 下单页停留时长
- 下单页至支付页转化率
- 支付
- 支付页停留时长
- 销售金额
- 活动销售金额
- 日常销售金额
- 广告销售金额
- 销售量
- 活动销售量
- 日常销售量
- 广告销售量
- 订单数
- 7天订单数
- 30天订单数
-
下单人数
- 流量转化标签
- 高流量高转化
- 高流量低转化
- 低流量高转化
- 低流量低转化
- 单日数据：
- 单日下单笔数
- 单日下单金额
- 单日下单用户数
- 单日支付笔数
- 单日支付金额
- 单日支付人数
- 单日支付商品数
- 单日支付平均时长
- 7 日数据：
- 7日登陆天数
- 7日支付次数
- 7日支付金额
- 7日下单次数
- 7日下单金额
- 7日被加入购物车次数
- 7日被加入购物车件数
- 30 日数据：
- 30 日登陆天数
- 30日支付次数
- 30日支付金额
- 30日下单次数
- 30日下单金额
- 30日被加入购物车次数
- 30日被加入购物车件数
- 累计数据：
- 累积登录天
- 累计下单次数
- 累计下单金额
- 累计支付次数
- 累计支付金额
- 累计退款次数
- 累计退款件数
- 累计退款金额
4. 归因分析
- 归因模型与漏斗模型相关联，它其实是一种既定的规则，我们需要根据产品的实际需求，将达成目标（形成转化）之前的功劳根据设定的权重分配给每一个转化节点。
- 产品形成一次转化，用户可能要经历很多个转化节点（这里的转化并不一定指用户走完设计的全部流程。一次注册也可以看作一次转化，一次访问也可以看作一次转化，要根据业务实际需求制定）。
- 归因模型在使用过程中通常分为几类：
- 最终互动模型
- 首次互动模型
- 线性归因模型
- 时间衰减归因模型。
- 归因模型的作用：
-
归因模型的意义在于寻找到真正对于现阶段产品发展有利的方面，并将优势扩大化。同时，它是具有时效性的，产品的不同阶段归因模型所得到的结果很可能是不一样的。
-
- 归因分析应用示例
- 场景：电商业务下站内归因
- 在电商案例中，我们对某时间段内成交订单进行归因分析；
- 此处我们选用的归因计算方式是“末次归因”。
- 归因窗口期设为 1 天，即观察用户在发生订单行为之前的 24 时之内点击了哪些坑位。
- 核心是找到离“提交订单”最近的一个坑位点击行为。
-
分析过程：
- 如上图，APP 内多个坑位中，首页精选推荐，商详页相关推荐，首页 Banner 以及首页运营位对于成单的 贡献分别占据了 37.5%、20.83%、20.83%、12.5%。
- 搜索和购物车下方的相关推荐仅带来不足 10% 的成单贡献。
- 分析结果：
- 最终的贡献度反映了不同坑位对最终成单转化的贡献及互相之间的差异。
- 对比不同坑位的有效转化点击率，可得知不同坑位对用户的吸引程度。
- 场景：电商业务下站内归因
5. 点击热力图
- 点击分析：
- 点击热力图是用不同颜色的高亮来代表点击的频率。
- 点击分析被应用于显示页面或页面组区域中不同元素的点击密度示。包括：元素被点击的次数、占比、发生点击的用户列表、按钮的当前与历史内容等因素。
- 点击分析具有分析过程高效、灵活、易用，效果直观的特点。
- 作用：
- 点击分析采用可视化的设计思想与架构，直观地呈现访客热衷的区域，在精细化运营上起到了重要的作用。
- 它可以精准地评估用户与产品交互背后的深层次的关系；
- 实现网页内跳转点击分析，对网页深层次的点击进行抽丝剥茧般的分析；
- 还可以与其他分析模型配合，以更加全面的视角来探索数据的价值，切实感知用户体验，完成运营的科学决策。
-
网页热力图示例：
6. 用户分群
- 用户分群：
- 用户分群数据分析方法，是进行用户画像的关键数据分析模型，这是企业进行数据分析、精细化运营的第一步。
- 用户分群即用户信息标签化，通过用户的历史行为路径、行为特征、偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析。
- 一般来说，用户分群可以分为普通分群和预测分群，普通分群是依据用户的属性特征和行为特征将用户群体进行分类；预测分群是根据用户以往的行为属性特征，运用机器学习算法来预测他们将来会发生某些事件的概率。
- 作用：
- 与漏斗模型关注阶段差异相比，用户分群更关注群体差异。
- 通过漏斗分析模型，可以看到用户在不同阶段所表现出的行为是不同的。
- 然而，由于群体特征不同，在相同阶段不同群体的行为会有很大差别，因此运营人员或者产品人员希望可以根据历史数据将用户进行划分，将具有一定规律特性的用户群体进行聚类，进而再次观察该群体的具体行为，形成更加清晰的用户画像。
- 通过用户分群，企业可以打破数据孤岛并真实地了解客户，定位营销目标群体，帮助企业实现精准、高效地营销。
7. 留存分析
- 留存分析：
- 留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。
- 留存用户和留存率体现了应用的质量和保留用户的能力，还可以从宏观上把握用户生命周期长度以及定位产品可改善至之处。
- 目前市面上存在很多专业的数据机构在提供数据统计服务，国外比较流行的是Flurry，Google Analytics，国内比较有名的是友盟、TalkingData以及无需埋点即可实现数据统计分析的GrowingIO。
- 用户留存分析一般需要先按照不同的维度进行用户分组（时间/渠道/行为等），然后对分组进行数据的比较分析，找到数据变化的原因。
- 用户留存示例：
8. 流失预警
- 在用户生命周期中，用户进入成熟期之后，并不代表就运营人员可以高枕无忧，这一阶段的用户随时会滑向休眠阶段；
- 一旦用户进入休眠阶段、则用户随时流失，必须要尽快识别出休眠用户，并针对性调整精细化运营策略、唤醒用户，才能阻止用户流失；
- 新用户获取的成本高昂，用户流失后的召回成本也不低，而且效果很不理想；
- 相比而言，维系老用户的边际成本几乎可以忽略不计，及时发现用户流失倾向、对于产品运营者而言，所付出的成本和收益相比微乎其微；
- 用户流失预警模型，对于延长用户生命周期至关重要。
