运营必备11大数据分析模型.docx

加入投资投行和股权实务及上市公司并购交流群微信13312191315

＿
O 事件分析
O 属性分析 － - - 3
9 渠道分析 6
9
11 Session 分析
4
1
7
1
0
2
5
2
9 留存分析O 归因分析IJ 热图分析O 分布分析
8
2
1
3
O 漏斗分析四 间隔分析

3
3
印 路径分析

开始创建数据分析模型吧～

《运营必备 11 大数据分析模型》

前 言

数据运营能力已经被公认为运营人员的加分项甚至是必备技能，其高低也在很大程度上决定着运营人员的薪资高低和职业生命周期的长短。一方面，它能大幅提升运营人员的工作效率；另一方面，它能更全面和深入地分析运营工作，从而更好地辅助策略、指导实践。为了让运营人员能够更好地落地数据运营，各种数据分析模型应运而生。通过数据分析模型，不仅能降低运营人员的认知成本，还能帮助我们拨冗化简复杂问题，快速理解客观事物，轻松上手数据分析。
为此，易观方舟推出《运营必备 11 大数据分析模型》，梳理总结事件分析、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、漏斗分析、间隔分析、路径分析。这 11 大数据分析模型在不同运营场景中有着不同的作用，已经被广泛应用于数据分析工作。
该电子书以“数据分析模型概述+具体应用场景”为框架，深入浅出地介绍各数据分析模型是什么，以及如何使用，旨在帮助运营人员能够在工作中高效应用各数据分析模型，实现数据运营能力的进阶与升级，掌握数据驱动精益成长。

《运营必备 11 大数据分析模型》

1. 事件分析
1.1 事件分析概述
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、做了什么事情。事件分析模型主要用于分析用户在应用上的行为， 例如，打开 APP、注册、登录、支付订单。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，同时也可进行指标运算，构建复杂的指标衡量业务过程。具体而言，事件分析模型能够解决以下示例问题：
• 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（Average Revenue Per Paying User,平均每付费用户收入）值是多少？
易观方舟智能分析产品的事 件分析模型（见图 1-1），通过选择要分析的关指标，即可实时监测用户在不同平台的用户行为。通过选择细分维度和条件过滤， 还能针对不同的用户群进行事件分析。此外，通过自定义指标组合成新的指标， 还能实现更为强大的事件分析能力。

34

图 1-1 易观方舟事件分析模型示例

1.2 应用场景示例：电商的关键词搜索事件
搜索是电商用户直达购买商品的重要途径，对 GMV（Gross Merchandise Volume,一定时间段内的成交总额）有着十分重要的影响。在用户有购买意向时， 了解用户的常用搜索词、用户是否能搜索到结果对产品体验都极其重要。此外， 用户注意力通常只会看到搜索栏中的前几名，搜索排名越靠前的商品越能抢占用户的注意力。
在搜索场景中通过事件分析，我们可以按每天/每周/每月等时间维度，用使用过搜索功能的用户数、搜索功能的使用次数，以及搜索功能的人均使用次数、搜索是否结果等基础指标度量用户的搜索行为。此外，还可以通过用户检索的关键词，对关键词建立相应的评估指标，找到搜索热词，进而优化商品介绍文案，加速迭代热门商品。

如图1-2 所示，为某电商客户的关键词搜索分析，以天为单位，每一个搜索关键词均有关键词搜索用户数、关键词搜索次数两个指标可供查看。按照关键词搜索用户数的合计排名，依次为牛仔裤（ 6482 ）、御泥坊（ 3724 ）、商务包
（3695）和外套（3608），排名越靠前说明搜索热度越高，电商可适当增加牛仔裤的种类和库存，并将销售额也表现好的搜索关键词设置为搜索热词，显示在搜索框之下。

图 1-2 某电商客户的关键词搜索分析

2. 属性分析
2.1 属性分析概述
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。
易观方舟智能分析产品的属性分析模型（见图 2-1），可以进行多维度、多用户之间的对比，同时支持多种图表形式展示统计结果。例如，选择指标为「用户数」，维度为「所在城市」，对所有用户进行属性分析，就将得到所有用户在不同城市的占比图。在有标签功能的场景下，属性分析还支持对比不同版本的标签进行统计分析对比。

图 2-1 易观方舟属性分析模型示例

2.2 应用场景示例：用户的地域属性与会员属性
用户属性是用户标签与用户状态的记录，在对指定时间进行赋值或更新后， 最新值的属性会随着事件信息一并发送至数据统计后台。根据用户属性定义的来源区分，其叫法也会有相应的差异，例如，由统计平台定义的属性被称为固定属性，我们自己定义的用户属性则可被称为自定义属性，其细分维度类似人口统计学变量，包括：性别、年龄、健康状况、职业、婚姻、文化水平、收入等。
通过对用户的属性进行分析，运营人员能够轻松了解用户不同属性的分布情况。例如，分析不同国家、不同省份、不同城市等地域维度的用户分布情况，再综合该地发展情况进行产品喜好分析，进而迭代优化产品。
如图2-2 所示，某社交零售企业为了解完成新手引导会员的城市分布，运用属性分析模型进行分析。将指标定义为「新手引导」的「用户数」，细分维度选择为「城市」，通过查询得知，在2020 年5 月10 日当天，完成了新手引导的会员，
来自深圳市有 493 人、郑州市 408 人、北京市 284 人、武汉市和杭州市各 264 人、
上海市 210 人、成都市 207 人。

图 2-2 易观方舟属性分析-用户地域分布情况

根据新会员城市分布，进一步针对不同城市，细化出有针对性的运营策略。例如，可考虑加大深圳门店的地推力度以获取直接客源；可考虑在成都、上海开展老带新活动，用裂变的形式刺激间接客源增长。

此外，该社交零售企业在运营活动的各阶段都会通过属性分析模型，综合分析运营结果，量化该阶段的运营成果。例如，将指标定义为「累计消费金额」， 细分维度为「会员等级」，将用户选择为「所有用户」，如图2-3 所示，即可查看该零售企业目前的会员属性，以及不同等级会员的总人数和所占比例，进一步下钻还能了解目前各等级的会员消费水平。

图 2-3 易观方舟属性分析-各会员等级销售额贡献占比

3. 渠道分析概述
3.1 渠道分析概述
渠道，即企业或产品与用户产生互动的各个触点，例如，搜索引擎、社交媒体、广告平台、线下站会等。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， 同时也能自定义转化目标，综合衡量渠道的转化效果。具体而言，渠道分析能够解决以下示例问题：
• 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？

图 3-1 易观方舟渠道分析模型示例
渠道分析模型通过若干指标呈现各渠道表现，从而评估不同渠道的实际产出效果，我们可选择最终的优质渠道组合，提高整体ROI。易观方舟智能分析产品的

渠道分析模型（见图 3-1），通过选择不同的分析平台、渠道的维度等指标，即可快速衡量渠道表现。

3.2 应用场景示例：不同渠道来源的新用户质量综合评估
转化是指用户在渠道完成的某个为企业带来收益的活动，例如，注册、购买、留言咨询等都可被视转化目标，当用户达成一次目标条件，即算作完成一次转化。提高转化率是提高企业 ROI 的最快方法之一，转化率提升也意味企业的运营正在 逐渐高效。
通过渠道分析模型，可以对比不同渠道用户的注册转化率，并结合获客成本， 筛选高效获客渠道，提升获客效率。如图3-2 所示，为了解不同广告投放渠道的注
册转化情况，某社交产品对于近 7 日的新用户来源进行了渠道分析，将分析维度定义为「渠道来源分组」，渠道的转化目标设为「注册成功」的「转化用户数」， 得到通过指定广告跟踪转化了 851 人、电子邮件 543 人、消息通知 490、直接访
问 248 人、搜索引擎 215 人、外部链接 148 人、社交媒体 73 人。

图 3-2 易观方舟渠道分析-不同渠道的APP 新用户注册转化数

在上述案例中，以指定广告跟踪、邮件、消息通知的方式获客更多，企业可着重关注。但是否说明这些渠道质量就更好呢？其实在实际操作中，不能仅凭各渠道流量的多少来判断推广渠道的优劣，可选取最终转化率和用户留存率共同作为衡量渠道的指标，更精准地判断各渠道 ROI。
当分析完各渠道新用户转化数量之后，可进一步分析后续用户留存情况。如图 3-3 所示，将衡量渠道的基础指标定义为 7 日留存率，对于各个获客渠道进行降
序排列，评估各渠道质量，我们会发现 7 日留存率最高的渠道是搜索引擎，为1.37%。指定广告跟踪虽然流量大，但留存率仅0.32%。我们在进行渠道分析时， 需要制定合理的转化目标，综合评估渠道价值。

图 3-3 易观方舟渠道分析-不同渠道来源用户的 7 日留存分析

4. Session 分析
4.1 Session 分析概述
在使用事件分析模型时，用户事件以“点”的方式呈现，例如，张三在昨天晚上 10 点注册成为了某外卖平台会员并支付了首单，李四今天早上 8 点在王府井

附近扫开了某共享单车后上报了车辆故障。根据用户行为的实时记录反馈，我们可以确切地了解用户在什么时间做什么事情。
但事实上，有些事件并不能用这些“点”来描述，例如，用户本月平均访问次数，每次访问时长，平均访问深度。这些问题需要将一个个“点”连成“线”， 再加以分析计算。Session 分析就可以完美解决用户分析中的“线”性难题。
Session 即会话，是指在指定的时间段内，用户在网站/H5/小程序/APP 上发生的一系列用户行为的集合，例如，一次 Session 可以包含多个页面浏览、交互事件。Session 是具备时间属性的，根据不同的切割规则，可以生成不同时间长度的Session。具体而言，以下一系列示例行为可被计算为一个 Session：
• iOS 应用：用户屏熄、Home 键切换到后台、杀掉进程、跨天等视为
Session 结束；
• Android 应用：用户杀掉进程、屏熄、按 Home 键超过 30s、跨天等视为Session 结束；
• H5/Web 应用：用户从打开网页到离开视为一次 Session，离开包括关闭整个浏览器、30min 未进行新打开页面或触发事件等行为；如果一次访问跨天， 会被切割为两次 Session。
易观方舟智能分析的 Session 分析模型（见图 4-1），能够按照不同时间粒度， 分析多种度量 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。

图 4-1 易观方舟 Session 分析模型示例
此外，可以多指标、多维度和多过滤条件，还可以多用户分群之间横向对比。相比事件分析，Session 分析额外新增了一些维度的细分，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 0-3secs，3-10secs，10-30secs，30-60secs，1-3mins， 3-10mins，10-30mins，30-60mins，1 hour 以上的区间进行划分，统计每次访问的时长分布。

4.2 应用场景示例：检测落地页对用户的吸引力
落地页（Landing Page）通常是用户被广告吸引点击进入后看到的第一个页面，用户是否能在这一刻转化，基本取决于落地页的排版、内容、CTA 设置等， 优秀的落地页总是能获得更多的订单或者线索。
实际操作中，很多运营人员都会通过分析用户的访问时长与访问深度，来考察落地页的质量。常用的指标有“单次访问时长”，指用户访问链接的注意力时长的平均值，计算公式为：单次访问时长= 总访问时长/访问次数；和“单次访问深度”，指用户访问时平均浏览页面数的均值，计算公式为：单次访问深度 =
Session 事件之和/Session 数。
如图 4-2，4-3 所示，为某内容社区通过分析其官方网站在过去 30 天的用户访问情况，2021 年 9 月 10 日，所有用户的单次访问时长为 56 分钟 14 秒，单次访问深度为 3.11。

图 4-2 易观方舟 Session 分析-访问时长

图 4-3 易观方舟 Session 分析-访问深度
衡量落地页效果还有一个重要指标——跳出率，通常用于衡量落地页的用户体验以及对用户的吸引程度，计算公式为：跳出的 Session 数/Session 总数。一般情况下，用户进入落地页后在 3 秒内就会做出是否要继续浏览的决定，判定落地
页是否被认可，耗时最多 3 秒，以 3 秒作为时间长度切割，我们就能通过 Session
分析计算跳出率。

图 44 易观方舟 Session 分析-跳出率

如图 4-4 所示，2021 年 9 月 28 日，同一个落地页在不同浏览器中的跳出率分别为：微信内置浏览器 30.95%，Firefox 浏览器 22.35%，Chrome 浏览器22.3%，Safari 浏览器 23.7%，通过对比发现，微信内置浏览器的落地页跳出率有所异常，即可逐步排查原因，可能会需要优化落地页与微信内置浏览器的适配。

5. 留存分析
5.1 留存分析概述
留存是指用户在小程序、APP、网站等应用上使用过，并一段时间后仍有使用。留存分析是一种衡量用户健康度或参与度的方法，基于某个用户群体的初始行为时间计算，描述发生某个行为的同期用户群体，在一段时间后是否发生了期望的 行为。
留存分析能帮助我们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，指导市场决策和产品改进，并提升用户价值。具体而言，留存分析能够解决以下示例问题：
• 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？
• 作为社交 APP，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？

易观方舟智能分析产品的留存分析模型（见图 5-1），通过自定义初始行为和后续行为，选定留存用户数/留存数指标即可查看留存情况，并可以对不同维度的 条件过滤，进行多人群对比分析。此外，还可以通过留存分析判断新用户在几天、几周、几月后，是否愿意回来继续使用你的某个产品或功能。

图 5-1 易观方舟留存分析模型示例
新增用户留存和活跃用户留存是最常用留存分析。此外，还可以通过自定义初始行为和后续行为进行留存分析，初始行为和后续行为均可以是任意事件或者某个具体事件，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。

5.2 应用场景示例：发放优惠券的用户留存情况
某零售品牌在今年 9 月入驻了Y 市，首店开业时，通过线上线下不同渠道分发了一些优惠券，但销量一直没有太大变化。开业一周后，该零售品牌通过留存分析监测到开业首周的用户数据（见图 5-5）。由于该零售品牌的主要目的是监测优惠券的发放效果，所以将初始行为设定为「使用优惠券」，后续行为设定为「支付订单」，以监测开业一周以来的用户留存与转化情况。

图 5-5 易观方舟留存分析-某零售品牌监测优惠券发放效果
通过数据可以看出，在优惠券使用当日，用户留存大概为 70%左右，留存率并不算低。但到了领券后第一日，用户留存率就直降至 0.93%，并随着时间的推移不断减少直至全部沉寂。现有的用户基本都为当天的优惠券吸引进来的，次日乃至以后能产生复购行为的几乎没有，这说明大多数新用户仅仅只是抱着“薅羊毛”的心态来消费，这类用户并不能作为该零售品牌的核心用户。对于这类情况， 企业应该考虑重新制定优惠券玩法，以真正触达自身的核心用户群体。

6. 归因分析
6.1 归因分析概述
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（见图 6-1）：
• 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。

图 6-1 易观方舟归因分析 5 大常用模型
易观方舟智能分析产品的归因分析模型（见图 6-2），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。

图 6-2 易观方舟归因分析模型示例

6.2 应用场景示例：站内归因各用户触点的贡献度
站内归因属于归因分析的一种，主要用于衡量产品内各用户触点，例如Banner 位、搜索框、推荐位、运营位等，对目标事件的贡献度。由于产品内的用户触点通常被比作一个个坑位，站内归因通常也被称为坑位归因。便于理解，我们可以假设某用户在某电商 App 内的购买旅程如下：
• 首先，通过首页 Banner 位看到了该品牌按摩椅，点击进入商品详情页， 初步浏览 3 秒后返回；
• 然后，参加某运营位的活动，看到了该品牌按摩椅的促销，点击进入商品详情页浏览 10 秒后返回；
• 然后，又通过搜索框搜索按摩椅关键词，进行多番对比后又看到该品牌按摩椅，点击进入商品详情页浏览了长达 20 秒后还是没有下定决定购买；
• 最后，看到推荐位对该品牌按摩椅的推荐，并领取推荐的优惠券，最终被打动完成支付行为。
那么，在上述用户的购买旅程中，首页 Banner 位、运营位、搜索框和推荐位的领取优惠券都承担着引导用户行为和促进用户转化的作用。如何衡量电商 App 内内各用户触点对支付成功的贡献度 ？运用归因分析模型就可以帮助我们快速锁定。
如图 6-3 所示，通过将目标事件选定为「支付成功」，触点事件选择首页Banner 位、运营位（模块点击）、搜索框和领取优惠券，这里我们选取首次触点归因，归因窗口期（从触发触点事件开始到触发目标事件，完成一次目标转换的时限）设置为 3 天，即可得到各触点的转化贡献度，分别为 22.65%、14.48%、19.53%、17.12%，由此即可合理分配各触点布局。

图 6-3 易观方舟归因分析-站内各触点对支付成功的贡献度

7. 热图分析
7.1 热图分析概述
热图分析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。常见的热图分析有以下 4 种类型：
• 点击位置热图（见图 7-1），用于展示用户在网站上所有点击的位置，聚集的点击越多，颜色越亮。通常用于分析 ：用户是否点击了 CTA 的内容？是否有被大量点击的重要按钮或元素被放到了很少有用户到达的地方？是否有用户点击的图片或文字其实没有链接？

图 7-1 易观方舟点击位置热图示例
• 点击元素热图（见图 7-2），用于展示可交互元素的点击情况。通常用于分析：具体是哪些元素吸引了多少点击？占据了整页点击多少比例？是否有不符合我们预期的失误诱导？

图 7-2 易观方舟点击元素热图示例

• 浏览深度线（见图 7-3），用于展示用户抵达某个区域的留存比例，百分比越低，越少用户能够看到这一位置，通常用来寻找 CTA 的最佳位置和内容营销转换监测。

图 7-3 易观方舟浏览深度线示例
• 注意力热图（见图 7-4），用于展示用户在某个区域停留的时长，停留时间越长，该区域颜色越亮。通常用于分析：了解网页哪些内容吸引访客？哪些内容重要却被用户忽略？以及是否有被用户仔细阅读的内容放到了过于靠下的位置。

图 7-4 易观方舟注意力热图示例

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选择合适的热图分析。

7.2 应用场景示例：用户在网页的注意力分析
著名诺贝尔奖获得者赫伯特·西蒙在对当今经济发展趋势进行预测时指出： “随着信息的发展，有价值的不是信息，而是注意力。”注意力经济受到重视的当下，每个营销人在希望完全了解用户行为的同时，也越来越想要确保自己的内容正是用户所关注的。放在具体场景里，运营人员可能会好奇这些问题：
• 用户停留在页面的哪个部分上时间最长？
• 用户离开网站之前向下滚动多远
• 用户最常点击页面的哪些区域？
热图分析模型都可以轻松解答。以易观方舟的官网首页为例（见图 7-5），页面越向下滑动，留存用户越少，说明随着页面的向下滑动，越来越多的用户需求已得到满足，或者没有得到相应满足。

图 7-5 易观方舟官网页面浏览深度分析
如果经过分析得出的浏览深度线与上述示例基本一致，建议可考虑在头部位置放置 Banner 广告。理想情况下，在用户进入网站时无需滚动即可立即看到放置的广告。如果用户倾向于滚动，则可以将广告放在较低的位置并看到最佳效果。在了解到用户基本浏览深度之后，可进一步了解：
• 用户的鼠标大多置于在页面的什么位置？
• 用户最常点击哪里？
• 如何将网站访问者最大限度转化为买家？
此时，可以使用点击位置热图模型进行分析。还是以易观方舟的官网首页为例，我们发现往往很多情况下用户点击的位置会和预期有很大出入。如图 7-6 所示，一些没有嵌入按钮的空白区域，也会有很高的点击率。综合分析，可以给后期界面的优化提供实实在在的思路。

图 7-6 易观方舟官网页面点击位置热图分析
想提高点击率，将广告放在吸引访问者注意力的区域更为明智。如果您通过热图发现可能用户习惯性点击这个界面的右侧，那么即使您不想在主体内容中放置广告，两侧的 Skyscraper Ads 也是个不错的选择。所以，热图分析在为品牌及其运营人员提升洞察力的同时，也可以使他们更了解用户关注的重点。

8. 分布分析
8.1 分布分析概述
分布分析（见图 8-1）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。

图 8-1 易观方舟分布分析模型示例
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。

8.2 应用场景示例：分析特定时段用户分布变化，赋能精细化运营
某证券公司的用户平台分布、投资风险等级分布、购买理财产品的金额分布， 以及城市分布，如图 8-2 所示。用户平台分布以 Web/H5 为主，投资风险等级分布以中低型为主，购买 5 万-10 万理财产品的用户为最多，城市主要分布在深圳、郑州和北京。

图 8-2 易观方舟分布分析-某证券公司近 7 日基本数据监测
该证券公司在 2021 年 9 月 11 日开始“金秋入金享福利”的活动策划，并于
9 月 14 日正式投入推广。在 9 月 14 日前，通过近 7 天的监测数据可以看到（见图 8-2），从 9 月 14 日开始，启动证券APP 的用户数明显有大幅提升，来自深圳的用户人数相较于前一天，增长达到 157.7%。

图 8-3 易观方舟分布分析-某证券公司近 7 日的用户城市分布情况

截至 9 月 17 日，该证券APP 现有用户的城市分布情况为：来自深圳的用户占比 39.15%、郑州 33.04%、北京 26.11%、杭州 25.45%、武汉 21.72%、上海18.78%、成都 16.83%。基于数据不难发现，该证券 APP 现阶段可能比较契合深圳和郑州市场，可以再进一步结合其他模型的具体数据，细化运营策略。
利用分布分析模型，不仅可以监测到用户每月启动 APP、入金、交易股票频次的变化，还可以通过进一步细分选项的选择，查看不同性别、不同渠道来源、不同地域等的用户在交易频次上的差异，为运营策略的优化提供数据支持。

9. 漏斗分析
9.1 漏斗分析概述
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。易观方舟智能分析的漏斗分析模型（见图 9-1）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。
具体而言，漏斗分析能够解决什么问题呢？例如：
• 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。

图 9-1 易观方舟转化漏斗模型示例

9.2 应用场景示例：注册转化漏斗定位用户流失原因
对于需要用户注册的产品而言，注册转化流程的迭代优化是重中之重。若用户在首次启动 APP 时对注册方式的敏感度极高，录入信息、获取验证码、账号登录等操作的便捷度会直接影响用户去留，需要我们关注并改善注册登录的细节， 提高注册转化率，完成用户落地第一步。通过漏斗分析模型，我们即可查看用户注册流失的主要路径。
6·18 期间，某专门做钓具的品牌想通过分析用户注册流程中的用户留存情况，以优化后期正式活动的营销策略。通过漏斗分析（见图 9-2），该品牌发现在

过去 7 日的营销预热中，启动用户共 381 人次；进入注册页后流失了 148 人次、
留存 233 人次，该环节的转化率为 61.15%；在填写验证码阶段，共流失 209 人
次，仅留存 24 人，该环节的转化率为 10.3%；而最终完成注册的新用户只有 6 人， 该阶段流失了 18 人，该阶段的转化率为 25%。一周以来，总留存率仅为 1.58%。

图 9-2 易观方舟漏斗分析-某钓具企业的注册流程漏斗
通过问题溯源，该品牌发现，根据此前的用户画像，自己的核心用户为中年
（45－59 岁），这个年龄段的用户可能大多喜欢用笔画输入法；而后端提供注册的验证码为文字形式，且很多字笔画偏多，所以很多用户在这个阶段放弃了，导致该阶段的留存转化过低。在了解到可能原因后，该品牌迅速做出调整，使得6·18 正式活动期间，注册成功转化率率提升了近 30%。
除了监测注册流程的留存情况外，漏斗分析还可运用至新用户购买、Push 效果等多个场景中。通过分析各环节用户流失情况，改进产品及运营策略，促使用户完成购买转化的各个关键动作，通过更流畅的购物体验，提高新用户购买转化率。

10. 间隔分析
10.1 间隔分析概述
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，便于从这些指标中观察转化过程的情况。

图 10-1 易观方舟间隔分析模型示例
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， 两者各有侧重，间隔分析聚焦于用户完成转化的时间效率，而转化漏斗聚焦于转化的结果指标以及转化流程中各环节的转化和流失情况。
前者，通过间隔分析洞察不同用户群体的活跃差异，以优化个性化推荐策略，

提升用户活跃度黏性；后者，可以了解不同渠道用户的注册转化情况，有效评估不同渠道的用户转化花费平均时长并结合获客成本，筛选高质高效渠道，提升获 客速度，还能够评估用户首次购买时长，设计相关激励措施，抓住最佳转化时机， 降低转化耗时。

10.2 应用场景示例：监测开户的平均转化时长
通过各种渠道吸引客户下载、注册券商的 App 是第一步，引导客户成功开户才是券商进行客户激活的关键。不同于普通的 App 用户激活，证券行业的特殊性决定了开户流程的复杂性。由于受到证监会的监督，开户过程中的所有流程都需要报备，不仅需要客户的基本资料，还需要进行银行卡认证、签署协议、视频认证等环节，且必不可少。
如图 10-2 所示，某证券企业通过将起始行为选择为「立即开户」，转化目标选择为「开户完成」，持续监测用户开户成功的平均转化时长，且了解到平均转化时长基本一直稳定在 15 分钟左右。在 2021 年 9 月 13 日，该证券企业的用户
开户的平均转化时长猛增至 33 分钟 40 秒，明显大于平均耗时。

图 10-2 易观方舟间隔分析-某证券企业监测用户开户平均转化时长

结合漏斗分析，经排查后发现，原来是开户过程中的银行卡认证环节出现问题。由于银行卡自动识别系统出现故障，导致用户在拍摄银行卡自动识别时出现故障，多次尝试拍摄自动识别失败，只能通过手动输入。最终，通过优化该环节， 开户的平均转化时长恢复到正常水平。

11. 路径分析
11.1 路径分析概述
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和观察用户的整体行为路径，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，这时候就需要路径分析模型的帮助。具体而言，路径分析模型能够解决以下问题：

• 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？
易观方舟智能分析产品的智能路径分析模型（见图 11-1），通过选择事件范围，定义目标行为，设置用户属性，观察路径转化情况，即可可视化呈现所有路径和用户占比，帮助你打开用户行为的黑盒，探索式发现转化目标的来源路径。

图 11-1 易观方舟智能路径分析模型示例

11.2 应用场景示例：明晰注册-购买用户行为路径
路径分析与漏斗分析的功能可能有部分重合，不同的是，路径分析多用于横向监测，漏斗分析多用于纵向监测。当用户行为没有明确路径时，可运用路径分析，不需预先设置漏斗或圈定页面/点击事件，即可计算用户使用网站或 APP 时行径流程，然后依次计算每一步的流向和转化。
如图 11-2 所示，某银行想要了解用户从注册到第一次购买理财产品之间的整个流程的转化情况，就用到了漏斗模型。

《运营必备 11 大数据分析模型》

图 11-2 易观方舟智能路径分析-某银行近 7 日理财产品成交前的用户行为分析
而在没有既定路径可做标准参照的情况下，为了解用户在购买理财产品之前会进行哪些操作，这个时候就需要运用路径分析加以计算。
上述例子中的银行，通过将目标时间选为「理财产品购买支付」，通过桑基图的方式