《運營必備11大數據分析模型》易觀方舟logo《運營必備11大數據分析模型》大模型相關卡通圖標（+模型名稱）《運營必備11大數據分析模型》運營必備11大數據分析模型目錄《運營必備11大數據分析模型》前 言數據運營能力已經被公認為運營人員的加分項甚至是必備技能，其高低也在很大程度上決定著運營人員的薪資高低和職業生命周期的長短。一方面，它能大幅提升運營人員的工作效率；另一方面，它能更全面和深入地分析運營工作，從而更好地輔助策略、指導實踐。為了讓運營人員能夠更好地落地數據運營，各種數據分析模型應運而生。通過數據分析模型，不僅能降低運營人員的認知成本，還能幫助我們撥冗化簡復雜問題，快速理解客觀事物，輕松上手數據分析。為此，易觀方舟推出《運營必備11大數據分析模型》，梳理總結事件分析、屬性分析、渠道分析、Session分析、留存分析、歸因分析、熱圖分析、分布分析、漏斗分析、間隔分析、路徑分析。這11大數據分析模型在不同運營場景中有著不同的作用，已經被廣泛應用于數據分析工作。該電子書以“數據分析模型概述+具體應用場景”為框架，深入淺出地介紹各數據分析模型是什么，以及如何使用，旨在幫助運營人員能夠在工作中高效應用各數據分析模型，實現數據運營能力的進階與升級，掌握數據驅動精益成長。《運營必備11大數據分析模型》1.事件分析1.1事件分析概述事件，是指用戶在APP、網站等應用上發生的行為，即何人、何時、何地、通過何種方式、做了什么事情。事件分析模型主要用于分析用戶在應用上的行為，例如，打開APP、注冊、登錄、支付訂單。通過觸發用戶數、觸發次數、訪問時長等基礎指標度量用戶行為，同時也可進行指標運算，構建復雜的指標衡量業務過程。具體而言，事件分析模型能夠解決以下示例問題：監測產品每天的用戶數、訪問次數、使用時長，趨勢是否發生了變化？引起變化的因素有哪些？北京地區的用戶和上海地區的用戶，購買家電品類的金額分布差異在哪里？今天在產品中發起了一個話題，各個時段用戶的參與情況如何？最近半年付費用戶數和ARPU（AverageRevenuePerPayingUser,平均每付費用戶收入）值是多少？易觀方舟智能分析產品的事件分析模型（見圖1-1），通過選擇要分析的關指標，即可實時監測用戶在不同平臺的用戶行為。通過選擇細分維度和條件過濾，還能針對不同的用戶群進行事件分析。此外，通過自定義指標組合成新的指標，還能實現更為強大的事件分析能力。1《運營必備11大數據分析模型》圖1-1易觀方舟事件分析模型示例1.2應用場景示例：電商的關鍵詞搜索事件搜索是電商用戶直達購買商品的重要途徑，對GMV（GrossMerchandiseVolume,一定時間段內的成交總額）有著十分重要的影響。在用戶有購買意向時，了解用戶的常用搜索詞、用戶是否能搜索到結果對產品體驗都極其重要。此外，用戶注意力通常只會看到搜索欄中的前幾名，搜索排名越靠前的商品越能搶占用戶的注意力。在搜索場景中通過事件分析，我們可以按每天/每周/每月等時間維度，用使用過搜索功能的用戶數、搜索功能的使用次數，以及搜索功能的人均使用次數、搜索是否結果等基礎指標度量用戶的搜索行為。此外，還可以通過用戶檢索的關鍵詞，對關鍵詞建立相應的評估指標，找到搜索熱詞，進而優化商品介紹文案，加速迭代熱門商品。2《運營必備11大數據分析模型》如圖1-2所示，為某電商客戶的關鍵詞搜索分析，以天為單位，每一個搜索關鍵詞均有關鍵詞搜索用戶數、關鍵詞搜索次數兩個指標可供查看。按照關鍵詞搜索用戶數的合計排名，依次為牛仔褲（6482）、御泥坊（3724）、商務包（3695）和外套（3608），排名越靠前說明搜索熱度越高，電商可適當增加牛仔褲的種類和庫存，并將銷售額也表現好的搜索關鍵詞設置為搜索熱詞，顯示在搜索框之下。圖1-2某電商客戶的關鍵詞搜索分析屬性分析2.1屬性分析概述屬性分析是基于用戶自定義屬性或預置屬性的占比分析，能夠按照不同的屬性來統計用戶數等指標的屬性占比，進而得到初步的分析結論。例如，通過對性別屬性的用戶數占比分析，我們可以快速得到不同性別的用戶數統計結果。3《運營必備11大數據分析模型》通過屬性分析，可以快速查看在不同屬性上的用戶數分布情況，便于統計不同特征的用戶總量，在使用屬性分析的過程中，需要合理選擇度量方式，常用的度量方式包括：用戶數、去重數、總和、最大值、最小值、均值等。易觀方舟智能分析產品的屬性分析模型（見圖2-1），可以進行多維度、多用戶之間的對比，同時支持多種圖表形式展示統計結果。例如，選擇指標為「用戶數」，維度為「所在城市」，對所有用戶進行屬性分析，就將得到所有用戶在不同城市的占比圖。在有標簽功能的場景下，屬性分析還支持對比不同版本的標簽進行統計分析對比。圖2-1易觀方舟屬性分析模型示例4《運營必備11大數據分析模型》2.2應用場景示例：用戶的地域屬性與會員屬性用戶屬性是用戶標簽與用戶狀態的記錄，在對指定時間進行賦值或更新后，最新值的屬性會隨著事件信息一并發送至數據統計后臺。根據用戶屬性定義的來源區分，其叫法也會有相應的差異，例如，由統計平臺定義的屬性被稱為固定屬性，我們自己定義的用戶屬性則可被稱為自定義屬性，其細分維度類似人口統計學變量，包括：性別、年齡、健康狀況、職業、婚姻、文化水平、收入等。通過對用戶的屬性進行分析，運營人員能夠輕松了解用戶不同屬性的分布情況。例如，分析不同國家、不同省份、不同城市等地域維度的用戶分布情況，再綜合該地發展情況進行產品喜好分析，進而迭代優化產品。如圖2-2所示，某社交零售企業為了解完成新手引導會員的城市分布，運用屬性分析模型進行分析。將指標定義為「新手引導」的「用戶數」，細分維度選擇為「城市」，通過查詢得知，在2020年5月10日當天，完成了新手引導的會員，來自深圳市有493人、鄭州市408人、北京市284人、武漢市和杭州市各264人、上海市210人、成都市207人。圖2-2易觀方舟屬性分析-用戶地域分布情況5《運營必備11大數據分析模型》根據新會員城市分布，進一步針對不同城市，細化出有針對性的運營策略。例如，可考慮加大深圳門店的地推力度以獲取直接客源；可考慮在成都、上海開展老帶新活動，用裂變的形式刺激間接客源增長。此外，該社交零售企業在運營活動的各階段都會通過屬性分析模型，綜合分析運營結果，量化該階段的運營成果。例如，將指標定義為「累計消費金額」，細分維度為「會員等級」，將用戶選擇為「所有用戶」，如圖2-3所示，即可查看該零售企業目前的會員屬性，以及不同等級會員的總人數和所占比例，進一步下鉆還能了解目前各等級的會員消費水平。圖2-3易觀方舟屬性分析-各會員等級銷售額貢獻占比渠道分析概述3.1渠道分析概述渠道，即企業或產品與用戶產生互動的各個觸點，例如，搜索引擎、社交媒體、廣告平臺、線下站會等。渠道分析模型用于分析用戶（包括訪客）的訪問來6《運營必備11大數據分析模型》源，通過訪問用戶數、訪問次數、訪問時長、跳出率等基礎指標評估渠道質量，同時也能自定義轉化目標，綜合衡量渠道的轉化效果。具體而言，渠道分析能夠解決以下示例問題：各個渠道實時的訪問用戶數、瀏覽量如何？上周選擇了多個渠道對網站進行推廣，各個渠道帶來的用戶注冊量如何？社交媒體、搜索引擎、外部鏈接……哪個渠道帶來的用戶留存率更高？微信來源用戶更多集中在公眾號還是朋友圈？哪些搜索詞帶來的流量很大，且轉化效果也好？圖3-1易觀方舟渠道分析模型示例渠道分析模型通過若干指標呈現各渠道表現，從而評估不同渠道的實際產出效果，我們可選擇最終的優質渠道組合，提高整體ROI。易觀方舟智能分析產品的7《運營必備11大數據分析模型》渠道分析模型（見圖3-1），通過選擇不同的分析平臺、渠道的維度等指標，即可快速衡量渠道表現。3.2應用場景示例：不同渠道來源的新用戶質量綜合評估轉化是指用戶在渠道完成的某個為企業帶來收益的活動，例如，注冊、購買、留言咨詢等都可被視轉化目標，當用戶達成一次目標條件，即算作完成一次轉化。提高轉化率是提高企業ROI的最快方法之一，轉化率提升也意味企業的運營正在逐漸高效。通過渠道分析模型，可以對比不同渠道用戶的注冊轉化率，并結合獲客成本，篩選高效獲客渠道，提升獲客效率。如圖3-2所示，為了解不同廣告投放渠道的注冊轉化情況，某社交產品對于近7日的新用戶來源進行了渠道分析，將分析維度定義為「渠道來源分組」，渠道的轉化目標設為「注冊成功」的「轉化用戶數」，得到通過指定廣告跟蹤轉化了851人、電子郵件543人、消息通知490、直接訪問248人、搜索引擎215人、外部鏈接148人、社交媒體73人。圖3-2易觀方舟渠道分析-不同渠道的APP新用戶注冊轉化數8《運營必備11大數據分析模型》在上述案例中，以指定廣告跟蹤、郵件、消息通知的方式獲客更多，企業可著重關注。但是否說明這些渠道質量就更好呢？其實在實際操作中，不能僅憑各渠道流量的多少來判斷推廣渠道的優劣，可選取最終轉化率和用戶留存率共同作為衡量渠道的指標，更精準地判斷各渠道ROI。當分析完各渠道新用戶轉化數量之后，可進一步分析后續用戶留存情況。如圖3-3所示，將衡量渠道的基礎指標定義為7日留存率，對于各個獲客渠道進行降序排列，評估各渠道質量，我們會發現7日留存率最高的渠道是搜索引擎，為1.37%。指定廣告跟蹤雖然流量大，但留存率僅0.32%。我們在進行渠道分析時，需要制定合理的轉化目標，綜合評估渠道價值。圖3-3易觀方舟渠道分析-不同渠道來源用戶的7日留存分析4.Session分析4.1Session分析概述在使用事件分析模型時，用戶事件以“點”的方式呈現，例如，張三在昨天晚上10點注冊成為了某外賣平臺會員并支付了首單，李四今天早上8點在王府井9《運營必備11大數據分析模型》附近掃開了某共享單車后上報了車輛故障。根據用戶行為的實時記錄反饋，我們可以確切地了解用戶在什么時間做什么事情。但事實上，有些事件并不能用這些“點”來描述，例如，用戶本月平均訪問次數，每次訪問時長，平均訪問深度。這些問題需要將一個個“點”連成“線”，再加以分析計算。Session分析就可以完美解決用戶分析中的“線”性難題。Session即會話，是指在指定的時間段內，用戶在網站/H5/小程序/APP上發生的一系列用戶行為的集合，例如，一次Session可以包含多個頁面瀏覽、交互事件。Session是具備時間屬性的，根據不同的切割規則，可以生成不同時間長度的Session。具體而言，以下一系列示例行為可被計算為一個Session：iOS應用：用戶屏熄、Home鍵切換到后臺、殺掉進程、跨天等視為Session結束；Android應用：用戶殺掉進程、屏熄、按Home鍵超過30s、跨天等視為Session結束；H5/Web應用：用戶從打開網頁到離開視為一次Session，離開包括關閉整個瀏覽器、30min未進行新打開頁面或觸發事件等行為；如果一次訪問跨天，會被切割為兩次Session。易觀方舟智能分析的Session分析模型（見圖4-1），能夠按照不同時間粒度，分析多種度量Session訪問質量的指標，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。10《運營必備11大數據分析模型》圖4-1易觀方舟Session分析模型示例此外，可以多指標、多維度和多過濾條件，還可以多用戶分群之間橫向對比。相比事件分析，Session分析額外新增了一些維度的細分，以滿足特定場景下針對Session分析的需求，包括：渠道來源分組：用以區分每次訪問的渠道來源，僅適用于Web/H5/小程序；瀏覽頁面數：以步長5為間隔，統計每次瀏覽頁面數的分布情況；著陸頁：用以區分每次訪問的著陸頁，可以評價不同著陸頁的訪問質量；退出頁：用以區分每次訪問的退出頁，可以評價不同頁面的退出情況，找到退出率高的頁面進行優化；訪問時長：按照0-3secs，3-10secs，10-30secs，30-60secs，1-3mins，3-10mins，10-30mins，30-60mins，1hour以上的區間進行劃分，統計每次訪問的時長分布。11《運營必備11大數據分析模型》4.2應用場景示例：檢測落地頁對用戶的吸引力落地頁（LandingPage）通常是用戶被廣告吸引點擊進入后看到的第一個頁面，用戶是否能在這一刻轉化，基本取決于落地頁的排版、內容、CTA設置等，優秀的落地頁總是能獲得更多的訂單或者線索。實際操作中，很多運營人員都會通過分析用戶的訪問時長與訪問深度，來考察落地頁的質量。常用的指標有“單次訪問時長”，指用戶訪問鏈接的注意力時長的平均值，計算公式為：單次訪問時長=總訪問時長/訪問次數；和“單次訪問深度”，指用戶訪問時平均瀏覽頁面數的均值，計算公式為：單次訪問深度=Session事件之和/Session數。如圖4-2，4-3所示，為某內容社區通過分析其官方網站在過去30天的用戶訪問情況，2021年9月10日，所有用戶的單次訪問時長為56分鐘14秒，單次訪問深度為3.11。圖4-2易觀方舟Session分析-訪問時長12《運營必備11大數據分析模型》圖4-3易觀方舟Session分析-訪問深度衡量落地頁效果還有一個重要指標——跳出率，通常用于衡量落地頁的用戶體驗以及對用戶的吸引程度，計算公式為：跳出的Session數/Session總數。一般情況下，用戶進入落地頁后在3秒內就會做出是否要繼續瀏覽的決定，判定落地頁是否被認可，耗時最多3秒，以3秒作為時間長度切割，我們就能通過Session分析計算跳出率。圖4-4易觀方舟Session分析-跳出率13《運營必備11大數據分析模型》如圖4-4所示，2021年9月28日，同一個落地頁在不同瀏覽器中的跳出率分別為：微信內置瀏覽器30.95%，Firefox瀏覽器22.35%，Chrome瀏覽器22.3%，Safari瀏覽器23.7%，通過對比發現，微信內置瀏覽器的落地頁跳出率有所異常，即可逐步排查原因，可能會需要優化落地頁與微信內置瀏覽器的適配。5.留存分析5.1留存分析概述留存是指用戶在小程序、APP、網站等應用上使用過，并一段時間后仍有使用。留存分析是一種衡量用戶健康度或參與度的方法，基于某個用戶群體的初始行為時間計算，描述發生某個行為的同期用戶群體，在一段時間后是否發生了期望的行為。留存分析能幫助我們深入了解用戶的留存和流失狀況，發現影響產品可持續增長的關鍵因素，指導市場決策和產品改進，并提升用戶價值。具體而言，留存分析能夠解決以下示例問題：上個月做了一次產品迭代，如何評估其效果？是否完成了產品經理期望完成的行為？作為社交APP，注冊后不添加好友和添加10個好友的用戶，后續留存有差異嗎？短期留存低，長期留存一定很差嗎？兩個推廣渠道帶來不同的用戶，哪個渠道的用戶更有可能是的高價值用戶？近30天注冊的用戶，半個月都沒有回訪的用戶比例是多少？14《運營必備11大數據分析模型》易觀方舟智能分析產品的留存分析模型（見圖5-1），通過自定義初始行為和后續行為，選定留存用戶數/留存數指標即可查看留存情況，并可以對不同維度的條件過濾，進行多人群對比分析。此外，還可以通過留存分析判斷新用戶在幾天、幾周、幾月后，是否愿意回來繼續使用你的某個產品或功能。圖5-1易觀方舟留存分析模型示例新增用戶留存和活躍用戶留存是最常用留存分析。此外，還可以通過自定義初始行為和后續行為進行留存分析，初始行為和后續行為均可以是任意事件或者某個具體事件，不同的分析場景中可以設置多個不同的留存條件來分析：初始行為和后續行為設置為相同，對比不同的功能重復發生的情況，發現用戶對不同功能的使用粘性；初始行為相同，設置不同的后續行為，對比同一個優化是否對其他功能有不同的影響；15《運營必備11大數據分析模型》后續行為相同，設置不同的初始行為，對比發現不同的運營手段、產品功能對核心業務目標的影響。5.2應用場景示例：發放優惠券的用戶留存情況某零售品牌在今年9月入駐了Y市，首店開業時，通過線上線下不同渠道分發了一些優惠券，但銷量一直沒有太大變化。開業一周后，該零售品牌通過留存分析監測到開業首周的用戶數據（見圖5-5）。由于該零售品牌的主要目的是監測優惠券的發放效果，所以將初始行為設定為「使用優惠券」，后續行為設定為「支付訂單」，以監測開業一周以來的用戶留存與轉化情況。圖5-5易觀方舟留存分析-某零售品牌監測優惠券發放效果通過數據可以看出，在優惠券使用當日，用戶留存大概為70%左右，留存率并不算低。但到了領券后第一日，用戶留存率就直降至0.93%，并隨著時間的推移不斷減少直至全部沉寂。現有的用戶基本都為當天的優惠券吸引進來的，次日乃至以后能產生復購行為的幾乎沒有，這說明大多數新用戶僅僅只是抱著“薅羊毛”的心態來消費，這類用戶并不能作為該零售品牌的核心用戶。對于這類情況，企業應該考慮重新制定優惠券玩法，以真正觸達自身的核心用戶群體。16《運營必備11大數據分析模型》6.歸因分析6.1歸因分析概述在做運營活動時，我們可能會在產品內的多個運營位上投放活動素材，試圖在用戶與產品交互過程中的各個觸點上，吸引用戶的注意力，引導流量走向和用戶行為，促成最終轉化。此外，用戶本身可能還會通過搜索、內容推薦等觸點獲取信息，這些觸點對用戶是否能達成轉化也發揮著重要作用。也就是說，在用戶轉化路徑上，站內的眾多觸點都參與了對用戶的勸說和引導，影響了用戶的最終決策。那么，對比各個用戶觸點，它們對關鍵指標的達成分別貢獻了多大力量，是否都如運營人員所預期的那樣具有優秀的轉化能力；亦或者存在被低估的情況，在之后的運營中該如何調整對各運營位資源投入的權重分配。對于以上問題，歸因分析提供了一種直觀的度量——轉化貢獻度，主要用于衡量和評估站內的用戶觸點對總體轉化目標達成（如訂單總金額）所作出的貢獻，可以非常直接地量化每個運營位和觸點的轉化效果和價值貢獻。常見的歸因分析模型有以下五種（見圖6-1）：首次觸點歸因：將轉化功勞100%歸于首次互動的待歸因事件；末次觸點歸因：將轉化功勞100%歸于末次互動的待歸因事件；線性歸因：將轉化功勞平均分配給轉化路徑上的所有待歸因事件；位置歸因：按待歸因事件在轉化路徑上的位置分配轉化功勞，一般首次和末次互動的事件各占40%，中間觸點的事件均分剩余的20%；時間衰減歸因：按待歸因事件發生的時間順序，分配轉化功勞，距離目標事件發生時間越近的待歸因事件，做出的貢獻越大，分配到的功勞越多。17《運營必備11大數據分析模型》圖6-1易觀方舟歸因分析5大常用模型易觀方舟智能分析產品的歸因分析模型（見圖6-2），只需簡單五步設置：定義目標事件、觸點事件、選擇歸因模型、定義窗口期和選擇查詢時間范圍，就可直觀看到各觸點對總體轉化指標的貢獻情況。圖6-2易觀方舟歸因分析模型示例18《運營必備11大數據分析模型》6.2應用場景示例：站內歸因各用戶觸點的貢獻度站內歸因屬于歸因分析的一種，主要用于衡量產品內各用戶觸點，例如Banner位、搜索框、推薦位、運營位等，對目標事件的貢獻度。由于產品內的用戶觸點通常被比作一個個坑位，站內歸因通常也被稱為坑位歸因。便于理解，我們可以假設某用戶在某電商App內的購買旅程如下：首先，通過首頁Banner位看到了該品牌按摩椅，點擊進入商品詳情頁，初步瀏覽3秒后返回；然后，參加某運營位的活動，看到了該品牌按摩椅的促銷，點擊進入商品詳情頁瀏覽10秒后返回；然后，又通過搜索框搜索按摩椅關鍵詞，進行多番對比后又看到該品牌按摩椅，點擊進入商品詳情頁瀏覽了長達20秒后還是沒有下定決定購買；最后，看到推薦位對該品牌按摩椅的推薦，并領取推薦的優惠券，最終被打動完成支付行為。那么，在上述用戶的購買旅程中，首頁Banner位、運營位、搜索框和推薦位的領取優惠券都承擔著引導用戶行為和促進用戶轉化的作用。如何衡量電商App內內各用戶觸點對支付成功的貢獻度？運用歸因分析模型就可以幫助我們快速鎖定。如圖6-3所示，通過將目標事件選定為「支付成功」，觸點事件選擇首頁Banner位、運營位（模塊點擊）、搜索框和領取優惠券，這里我們選取首次觸點歸因，歸因窗口期（從觸發觸點事件開始到觸發目標事件，完成一次目標轉換的時限）設置為3天，即可得到各觸點的轉化貢獻度，分別為22.65%、14.48%、19.53%、17.12%，由此即可合理分配各觸點布局。19《運營必備11大數據分析模型》圖6-3易觀方舟歸因分析-站內各觸點對支付成功的貢獻度7.熱圖分析7.1熱圖分析概述熱圖分析能夠用熱譜圖直觀呈現用戶在網站、H5頁面、APP上的點擊、滾動行為，幫助產品、運營人員了解用戶的點擊偏好，輔助做頁面設計優化、內容調整等。常見的熱圖分析有以下4種類型：點擊位置熱圖（見圖7-1），用于展示用戶在網站上所有點擊的位置，聚集的點擊越多，顏色越亮。通常用于分析：用戶是否點擊了CTA的內容？是否有被大量點擊的重要按鈕或元素被放到了很少有用戶到達的地方？是否有用戶點擊的圖片或文字其實沒有鏈接？20《運營必備11大數據分析模型》圖7-1易觀方舟點擊位置熱圖示例點擊元素熱圖（見圖7-2），用于展示可交互元素的點擊情況。通常用于分析：具體是哪些元素吸引了多少點擊？占據了整頁點擊多少比例？是否有不符合我們預期的失誤誘導？圖7-2易觀方舟點擊元素熱圖示例21《運營必備11大數據分析模型》瀏覽深度線（見圖7-3），用于展示用戶抵達某個區域的留存比例，百分比越低，越少用戶能夠看到這一位置，通常用來尋找CTA的最佳位置和內容營銷轉換監測。圖7-3易觀方舟瀏覽深度線示例注意力熱圖（見圖7-4），用于展示用戶在某個區域停留的時長，停留時間越長，該區域顏色越亮。通常用于分析：了解網頁哪些內容吸引訪客？哪些內容重要卻被用戶忽略？以及是否有被用戶仔細閱讀的內容放到了過于靠下的位置。圖7-4易觀方舟注意力熱圖示例22《運營必備11大數據分析模型》不同類型的熱圖各有優缺點，例如點擊位置熱圖，劣勢是上報的數據量會增加，但可以非常直觀地定性分析用戶的探索性需求，發現非交互元素上意料之外的大量點擊；點擊元素熱圖，過濾掉了部分不可點擊的內容，對可點擊元素可以集中定量分析，但不夠直觀。我們可以在不同場景選擇合適的熱圖分析。7.2應用場景示例：用戶在網頁的注意力分析著名諾貝爾獎獲得者赫伯特·西蒙在對當今經濟發展趨勢進行預測時指出：“隨著信息的發展，有價值的不是信息，而是注意力。”注意力經濟受到重視的當下，每個營銷人在希望完全了解用戶行為的同時，也越來越想要確保自己的內容正是用戶所關注的。放在具體場景里，運營人員可能會好奇這些問題：用戶停留在頁面的哪個部分上時間最長？用戶離開網站之前向下滾動多遠用戶最常點擊頁面的哪些區域？熱圖分析模型都可以輕松解答。以易觀方舟的官網首頁為例（見圖7-5），頁面越向下滑動，留存用戶越少，說明隨著頁面的向下滑動，越來越多的用戶需求已得到滿足，或者沒有得到相應滿足。23《運營必備11大數據分析模型》圖7-5易觀方舟官網頁面瀏覽深度分析如果經過分析得出的瀏覽深度線與上述示例基本一致，建議可考慮在頭部位置放置Banner廣告。理想情況下，在用戶進入網站時無需滾動即可立即看到放置的廣告。如果用戶傾向于滾動，則可以將廣告放在較低的位置并看到最佳效果。在了解到用戶基本瀏覽深度之后，可進一步了解：用戶的鼠標大多置于在頁面的什么位置？用戶最常點擊哪里？如何將網站訪問者最大限度轉化為買家？此時，可以使用點擊位置熱圖模型進行分析。還是以易觀方舟的官網首頁為例，我們發現往往很多情況下用戶點擊的位置會和預期有很大出入。如圖7-6所示，一些沒有嵌入按鈕的空白區域，也會有很高的點擊率。綜合分析，可以給后期界面的優化提供實實在在的思路。24《運營必備11大數據分析模型》圖7-6易觀方舟官網頁面點擊位置熱圖分析想提高點擊率，將廣告放在吸引訪問者注意力的區域更為明智。如果您通過熱圖發現可能用戶習慣性點擊這個界面的右側，那么即使您不想在主體內容中放置廣告，兩側的SkyscraperAds也是個不錯的選擇。所以，熱圖分析在為品牌及其運營人員提升洞察力的同時，也可以使他們更了解用戶關注的重點。分布分析8.1分布分析概述分布分析（見圖8-1）主要能夠提供「維度指標化」之后的數據分解能力，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，在以下分析場景中十分常見：分析訂單的金額分布、分析某類特殊事件的發生時段分布、分析某類特殊事件的發生次數分布、分析觸發某類事件的用戶年齡分布。25《運營必備11大數據分析模型》圖8-1易觀方舟分布分析模型示例由此可見，分布分析主要針對的是數值型和日期型這兩類屬性，如金額、年齡、時間、頻次，因此當用戶打點上傳的數據中包括這兩類屬性時，那么在日常的分析中就有可能會使用分布分析來解決一些特定問題。常用指標有：X事件的次數分布、X事件的活躍時段分布、X事件的活躍天數分布、X事件Y屬性的總和/均值/人均值等分布。8.2應用場景示例：分析特定時段用戶分布變化，賦能精細化運營某證券公司的用戶平臺分布、投資風險等級分布、購買理財產品的金額分布，以及城市分布，如圖8-2所示。用戶平臺分布以Web/H5為主，投資風險等級分布以中低型為主，購買5萬-10萬理財產品的用戶為最多，城市主要分布在深圳、鄭州和北京。26《運營必備11大數據分析模型》圖8-2易觀方舟分布分析-某證券公司近7日基本數據監測該證券公司在2021年9月11日開始“金秋入金享福利”的活動策劃，并于9月14日正式投入推廣。在9月14日前，通過近7天的監測數據可以看到（見圖8-2），從9月14日開始，啟動證券APP的用戶數明顯有大幅提升，來自深圳的用戶人數相較于前一天，增長達到157.7%。圖8-3易觀方舟分布分析-某證券公司近7日的用戶城市分布情況27《運營必備11大數據分析模型》截至9月17日，該證券APP現有用戶的城市分布情況為：來自深圳的用戶占比39.15%、鄭州33.04%、北京26.11%、杭州25.45%、武漢21.72%、上海18.78%、成都16.83%。基于數據不難發現，該證券APP現階段可能比較契合深圳和鄭州市場，可以再進一步結合其他模型的具體數據，細化運營策略。利用分布分析模型，不僅可以監測到用戶每月啟動APP、入金、交易股票頻次的變化，還可以通過進一步細分選項的選擇，查看不同性別、不同渠道來源、不同地域等的用戶在交易頻次上的差異，為運營策略的優化提供數據支持。漏斗分析9.1漏斗分析概述漏斗分析是分析用戶使用某項業務時，經過一系列步驟轉化效果的方法。易觀方舟智能分析的漏斗分析模型（見圖9-1）能夠靈活自定義多步驟之間的轉化過程，找到關鍵流失環節及影響因素，進而分析用戶行為進行針對性優化動作。具體而言，漏斗分析能夠解決什么問題呢？例如：官網流量很大，但注冊用戶很少，是過程中哪個環節出了問題？用戶從“注冊–綁卡-提交訂單-支付訂單”總體轉化率如何？不同地區的用戶支付轉化率有什么差異？兩個推廣渠道帶來了不同的用戶，哪個渠道的注冊轉化率高？上周針對注冊環節的問題做了一次優化，轉化率趨勢是否有提升？在理想情況下，用戶會沿著產品設計的路徑到達最終目標事件，但實際情況是用戶行為路徑是多種多樣的。通過埋點事件配置關鍵業務路徑，可以分析多種28《運營必備11大數據分析模型》業務場景下轉化和流失的情況，我們不僅找出產品潛在問題的位置，還可以定位每個環節流失用戶，進而定向營銷促轉化。圖9-1易觀方舟轉化漏斗模型示例9.2應用場景示例：注冊轉化漏斗定位用戶流失原因對于需要用戶注冊的產品而言，注冊轉化流程的迭代優化是重中之重。若用戶在首次啟動APP時對注冊方式的敏感度極高，錄入信息、獲取驗證碼、賬號登錄等操作的便捷度會直接影響用戶去留，需要我們關注并改善注冊登錄的細節，提高注冊轉化率，完成用戶落地第一步。通過漏斗分析模型，我們即可查看用戶注冊流失的主要路徑。6·18期間，某專門做釣具的品牌，想通過分析用戶注冊流程中的用戶留存情況，以優化后期正式活動的營銷策略。通過漏斗分析（見圖9-2），該品牌發現在29《運營必備11大數據分析模型》過去7日的營銷預熱中，啟動用戶共381人次；進入注冊頁后流失了148人次、留存233人次，該環節的轉化率為61.15%；在填寫驗證碼階段，共流失209人次，僅留存24人，該環節的轉化率為10.3%；而最終完成注冊的新用戶只有6人，該階段流失了18人，該階段的轉化率為25%。一周以來，總留存率僅為1.58%。圖9-2易觀方舟漏斗分析-某釣具企業的注冊流程漏斗通過問題溯源，該品牌發現，根據此前的用戶畫像，自己的核心用戶為中年（45－59歲），這個年齡段的用戶可能大多喜歡用筆畫輸入法；而后端提供注冊的驗證碼為文字形式，且很多字筆畫偏多，所以很多用戶在這個階段放棄了，導致該階段的留存轉化過低。在了解到可能原因后，該品牌迅速做出調整，使得6·18正式活動期間，注冊成功轉化率率提升了近30%。除了監測注冊流程的留存情況外，漏斗分析還可運用至新用戶購買、Push效果等多個場景中。通過分析各環節用戶流失情況，改進產品及運營策略，促使用戶完成購買轉化的各個關鍵動作，通過更流暢的購物體驗，提高新用戶購買轉化率。30《運營必備11大數據分析模型》間隔分析10.1間隔分析概述間隔分析，主要用于統計用戶從觸發指定的起始事件開始，到完成指定目標事件之間的時間間隔。也就是說主要提供從起始事件到轉化目標之間的時間角度和步長角度的相關指標統計，便于從這些指標中觀察轉化過程的情況。圖10-1易觀方舟間隔分析模型示例間隔分析應用場景比較豐富，既可以用于統計產品的登錄時間間隔、復購周期等，作為衡量用戶活躍度和用戶黏性的分析工具；也可以作為對轉化漏斗分析的一種補充，通過轉化時長指標來衡量特定轉化路徑在時間維度上的轉化效率，兩者各有側重，間隔分析聚焦于用戶完成轉化的時間效率，而轉化漏斗聚焦于轉化的結果指標以及轉化流程中各環節的轉化和流失情況。前者，通過間隔分析洞察不同用戶群體的活躍差異，以優化個性化推薦策略，31《運營必備11大數據分析模型》提升用戶活躍度黏性；后者，可以了解不同渠道用戶的注冊轉化情況，有效評估不同渠道的用戶轉化花費平均時長并結合獲客成本，篩選高質高效渠道，提升獲客速度，還能夠評估用戶首次購買時長，設計相關激勵措施，抓住最佳轉化時機，降低轉化耗時。10.2應用場景示例：監測開戶的平均轉化時長通過各種渠道吸引客戶下載、注冊券商的App是第一步，引導客戶成功開戶才是券商進行客戶激活的關鍵。不同于普通的App用戶激活，證券行業的特殊性決定了開戶流程的復雜性。由于受到證監會的監督，開戶過程中的所有流程都需要報備，不僅需要客戶的基本資料，還需要進行銀行卡認證、簽署協議、視頻認證等環節，且必不可少。如圖10-2所示，某證券企業通過將起始行為選擇為「立即開戶」，轉化目標選擇為「開戶完成」，持續監測用戶開戶成功的平均轉化時長，且了解到平均轉化時長基本一直穩定在15分鐘左右。在2021年9月13日，該證券企業的用戶開戶的平均轉化時長猛增至33分鐘40秒，明顯大于平均耗時。圖10-2易觀方舟間隔分析-某證