随着数据运营持续走热，企业及其内部运营人员也越来越重视自身数据运营能力的培养。易观方舟结合数百家客户服务经验，总结提炼出了“理数收数看数用数”的数据运营闭环，旨在帮助企业和内部运营人员低门槛、高效率地快速落地数据运营。
今天，我们从“看数”这一环节入手，给大家介绍常见的11大数据分析模型，包括事件分析、属性分析、渠道分析、Session分析、留存分析、归因分析、热图分析、分布分析、间隔分析、路径分析、漏斗分析。希望通过对11大数据分析模型的了解和认识，能够助力大家能够系统和科学地开展数据分析工作。
事件分析
事件，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：
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。易观方舟智能分析产品支持细分维度与条件过滤，同时支持通过分析用户群进行人群对比。
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**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。
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、**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：
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。
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**。例如，一次会话可以包含多个页面 、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：
同事件分析类似，Session 分析也支持多指标、**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。
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：
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：
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：
通过易观方舟归因分析模型，只需简单五步设置（定义目标事件、触点事件、选择归因模型、定义窗口期和选择查询时间范围），就可直观看到各触点对总体转化指标的贡献情况。
热图分析
热图分析模型能够用热谱图直观呈现用户在网站、H5页面、APP上的点击、滚动行为，帮助产品、运营人员了解用户的点击偏好，辅助做页面设计优化、内容调整等。
常见的热图类型有以下4种：
不同类型的热图各有优缺点，例如点击位置热图，劣势是上报的数据量会增加，但可以非常直观地定性分析用户的探索性需求，发现非交互元素上意料之外的大量点击；点击元素热图，过滤掉了部分不可点击的内容，对可点击元素可以集中定量分析，但不够直观。
我们可以在不同场景下选择不同适合的类型，目前易观方舟已经支持 Web 端的点击位置热图、点击元素热图、 深度线，APP 端的点击位置热图和点击元素热图。
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。
间隔分析
间隔分析，主要用于统计用户从触发指定的起始事件开始到完成指定目标事件之间的时间间隔。也就是说主要提供从起始事件到转化目标之间的时间角度和步长角度的相关指标统计，便于关注转化的人群能够从这些指标中观察转化过程的情况。
间隔分析应用场景比较丰富，既可以用于统计产品的登录时间间隔、复购周期等，作为衡量用户活跃度和用户黏性的分析工具；也可以作为对转化漏斗分析的一种补充，通过转化时长指标来衡量特定转化路径在时间维度上的转化效率。
