1. 漏斗分析模型
漏斗分析是一套流程式資料分析，它能夠科學反映使用者行為狀態以及從起點到終點各階段使用者轉化率情況的重要分析模型。
運營人員可以通過觀察不同屬性的使用者群體（如新註冊使用者與老客戶、不同渠道來源的客戶）各環節轉化率，各流程步驟轉化率的差異對比，瞭解轉化率最高的使用者群體，分析漏斗合理性，並針對轉化率異常環節進行調整。
漏斗分析模型已經廣泛應用於流量監控、產品目標轉化等日常資料運營工作中。
例如，在一款產品服務平臺中，直播使用者從啟用APP開始到花費，一般的使用者購物路徑為啟用APP、註冊賬號、進入直播間、互動行為、禮物花費五大階段，漏斗能夠展現出各個階段的轉化率，通過漏斗各環節相關資料的比較，能夠直觀地發現和說明問題所在，從而找到優化方向。對於業務流程相對規範、週期較長、環節較多的流程分析，能夠直觀地發現和說明問題所在。
對於常見的註冊轉化、電商下單漏斗，分析哪一步流失最多以及流失的人都有哪些行為通常是我們比較關注的兩個點。
2. 留存分析模型
留存分析模型是一種用來分析使用者參與情況/活躍度的分析模型，考察進行初始行為的使用者中，有多少人會進行後續行為，這是用來衡量產品對使用者價值高低的重要方法。
三種留存方式：
- N-day留存：即第幾日留存，只計算第N天完成回訪行為的使用者
- Unbounded留存（N天內留存）：留存會累計計算N天內所有完成過回訪行為的使用者。
- Bracket留存（自定義觀察期留存）：N-day留存和Unbounded留存都是按照獨立的天/周/月為觀察單位計算，但有時候我們不希望受限於這種固定時間度量，我們希望劃分為幾個觀察期：
第一個觀察期：次日；第二個觀察期：第3日-第7日；第三個觀察期：第8日-第14日；第四個觀察期：第15日到第30日
上述三種留存方式，是對時間的限定，而自定義留存是基於業務場景下的留存情況，比如閱讀類產品會把看過至少一篇文章的使用者定義為真正的留存使用者，電商類產品會把至少檢視過一次商品詳情定義為有效留存。
通過留存分析，可以幫助解決以下問題：
-
在未來的一段時間內，一個使用者是否完成了你希望使用者完成的行為，如進行訂單支付？
-
某電商網站對網站進行了改進，比如改進了新註冊使用者的引導流程、改進了商品展示頁，那麼如何驗證這些改進是否促進了使用者註冊、瀏覽/購買商品的參與度？
3. 全行為路徑分析模型
全行為路徑分析是網際網路產品特有的一類資料分析方法，它主要根據每位使用者在APP或網站中的行為事件，分析使用者在APP或網站中各個模組的流轉規律與特點，挖掘使用者的訪問或瀏覽模式，進而實現一些特定的業務用途，如對提升APP核心模組的到達率、提取出特定使用者群體的主流路徑與刻畫使用者瀏覽特徵，優化與提升APP的產品設計等。
以電商為例，買家從登入網站／APP到支付成功要經過首頁瀏覽、搜尋商品、加入購物車、提交訂單、支付訂單等過程。而在使用者真實的選購過程是一個交纏反覆的過程，例如提交訂單後，使用者可能會返回首頁繼續搜尋商品，也可能去取消訂單，每一個路徑背後都有不同的動機。與其他分析模型配合進行深入分析後，能為找到快速使用者動機，從而引領使用者走向最優路徑或者期望中的路徑。
4. 熱圖分析模型
熱圖分析分很多種，這裡主要闡述針對網站頁面點選分析的熱圖分析。
頁面點選分析主要應用於使用者行為分析領域，分析使用者在網站顯示頁面（比如官網首頁）的點選行為、瀏覽次數、瀏覽時長等，以及頁面區域中不同元素的點選情況，包括首頁各元素點選率、元素聚焦度、頁面瀏覽次數和人數以及頁面內各個可點選元素的百分比等等，以這些"要素"為基礎資料進行圖形表示。
通過聚合使用者行為，熱圖可以讓人一目瞭然地瞭解人們如何與網站頁面進行互動，這有助於識別使用者行為趨勢並優化進一步流程。
為了讓使用者在訪問中停留下來並進行下一步你期望使用者進行的下一個行為，以下問題可能是你比較關心的：
-
使用者是否點選了我們希望互動的內容？
-
有沒有重要按鈕或元素被大量點選，卻被放到了不起眼的地方？
- 使用者感興趣的內容是否和我們預想的一樣？
-
不同的運營位、不同的內容對使用者的吸引分別是怎樣的？
-
不同渠道的訪問者對於頁面的關注點具備哪些差異和特徵？
-
從重要元素的點選來看，哪個渠道質量更好？
- 「未轉化」的使用者與「轉化」使用者之間的熱圖表現有何差異？
熱圖提供了一種清晰直觀的方式來幫助解答這些問題。
5. 行為事件分析模型
行為事件分析模型是針對使用者行為的分析模型之一，也是使用者行為資料分析的核心和基礎。使用者在產品上的行為我們定義為事件，它是使用者行為的一個專業描述，使用者在產品上的所有獲得的程式反饋都可以抽象為對事件進行採集。通過研究與事件發生關聯的所有因素，如使用者註冊、瀏覽產品詳情頁、成功投資、提現等，來挖掘使用者行為事件背後的原因、互動影響等。
行為事件分析模型具有強大的篩選、分組和聚合能力，邏輯清晰且使用簡單，已被廣泛應用。行為事件分析模型一般經過事件定義與選擇、下鑽分析、解釋與結論等環節。
在日常工作中，運營、市場、產品、資料分析師根據工作情況的不同而關注不同的事件指標。如最近三個月來自哪個渠道的使用者註冊量最高？變化趨勢如何？各時段的人均充值金額是分別多少？上週來自北京發生過購買行為的獨立使用者數，按照年齡段的分佈情況？每天的獨立session數是多少？諸如此類的指標檢視的過程中，行為事件分析起到重要作用。
那麼，行為事件分析模型解決什麼問題呢？
產品和運營同學如何才能對網站每天的PV、UV、DAU等總體資料有一個直觀的把握，包括它們的數值以及趨勢？面對複雜的資料，單從數字來看，不僅效率低下，而且難以直觀的發現資料背後所展現的趨勢，應該怎麼辦？當做了第三方付費渠道推廣後，運營同學如何才能有效比較不同渠道帶來的流量？
6. 使用者分群分析模型
使用者分群即對使用者資訊標籤化，通過使用者的行為特徵、偏好等屬性，將具有相同屬性的使用者劃分為一個群體，並進行後續分析。
產品運營一段時間和投方推廣一段時間後，隨著使用者的留存和新增，使用者數量越來越多，那麼我們就需要對使用者進行精細化運營，使用者分群能幫助企業更加了解使用者，分析使用者的屬性特徵、以及使用者的行為特徵，可以幫助運營人員更好地對比多個使用者群的資料，找到產品問題背後的原因，並有效改進優化方向。
7. 黏性分析模型
黏性分析是在留存分析的基礎上，對一些使用者指標進行深化，除了一些常用的留存指標外，黏性分析能夠從更多維度瞭解產品或者某功能黏住使用者的能力情況，更全面地瞭解使用者如何使用產品，新增什麼樣的功能可以提升使用者留存下來的慾望，不同使用者群體之間存在什麼樣的差異，不同使用者對新增的功能有何看法。
黏性分析能幫助更科學全面地評估產品及其功能情況，有針對性地制定留存策略。
8. 歸因分析模型
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。常見的歸因分析方法有：線性歸因、首次歸因、末次歸因、基於位置歸因、時間衰減歸因等。
我們可以根據自己業務的實際情況，選擇歸因模型。
假設一個丹丹購買口紅的場景，在依次瀏覽了頭條、微博上的廣告後，她參加了小紅書上的註冊促銷活動，又收到了優惠券，於是在百度上搜尋App，完成下單購買。
如果按照ROI分析的邏輯，我們會把所有的權重算在百度這一渠道上，這是典型的以偏概全。
9. 分佈分析模型
分佈分析是使用者在特定指標下的頻次、總額等的歸類展現，可以用來了解不同區間事件發生頻次，不同事件計算變數加和，以及不同頁面瀏覽時長等區間的使用者數量分佈。
它可以展現出單使用者對產品的依賴程度，分析客戶在不同地區、不同時段所購買的不同型別的產品數量、購買頻次等，幫助運營人員瞭解當前的客戶狀態，以及客戶的運轉情況。
如訂單金額（100以下區間、100元 - 200元區間、200元以上區間等）、購買次數（5次以下、5 - 10次、10次以上）等使用者的分佈情況。
分佈分析模型的功能與價值：科學的分佈分析模型支援按時間、次數、事件指標進行使用者條件篩選及資料統計。為不同角色的人員統計使用者在一天/周/月中，有多少個自然時間段（小時/天）進行了某項操作、進行某項操作的次數、進行事件指標。
產品優化和運營是一個動態的過程，我們需要不斷監測資料，調整產品設計或運營方法，然後繼續監測效果。
上述分析模型在分析使用者行為，進行使用者畫像構建有很大的應用。通過這些分析，企業可以很直觀的瞭解到使用者從哪裡來，以及進入網站、平臺後進行了哪些操作，什麼情況下進行了訂單支付等。並且通過這些資料，企業運營者可以不斷優化網站和商品的設計、運營和推廣的模式從而最終轉化為企業利潤的增長。
注：本文參考了神策資料、GrowingIO關於資料分析模型的介紹文章以及DataFocus的關於資料分析八大模型講解視訊
關注微信公眾號：大資料學習與分享，獲取更對技術乾貨