互联网运营分析常用模型

知乎_DataHunter：https://www.zhihu.com/question/20117449/answer/614590915

心下讲解互联网运营的10个常用方法以及用户分析的6个方法论。讲的比较细，篇幅较长，慢慢看啦~
很多方法朴实无华，却解决大量的问题。下面十个方法都是我做互联网运营分析时一定会用到的最经典的方法。它们的重要性并无优劣之分，但压轴的，往往是最重要的。

互联网运营分析

1、Link Tag的流量标记

Link tag标记流量源头 ，绝对是所有方法中最为基本重要的一种。这种方法不仅仅适用于网站的流量来源，也同样适用于app下载来源的监测（但后者需要满足一定的条件）。
Link tag的意思，是在流量源头的链出链接上（链出URL上）加上尾部参数。这些参数不仅不会影响链接的跳转，而且能够标明这个链接所属的流量源是什么（理论上能够标明流量源的属性数是无限的）。
Link tag不能单独起作用，必须要在网站分析工具或者app分析工具的配合下工作。
Link tag是流量分析的基础，要严肃的分析流量，不仅仅是常规分析，还包括归因分析（attribution analysis），都需要使用link tag的方法

2、转化漏斗

分析转化的基本模型是转化漏斗（conversion funnel），这个大家都应该很熟悉了。
转化漏斗最常见的是把最终的转化设置为某种目的的实现，最典型的就是实现销售，所以大家很多时候把转化和销售是混为一谈。但转化漏斗的最终转化也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟（session duration >10minutes）。对于增长黑客而言，构建漏斗是最为常见的工作。
漏斗帮助我们解决两方面的问题，第一、在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点；第二、在一个过程中是否出现了其他不应该出现的过程，造成转化主进程受到损害。
漏斗的构建很简单，无论web还是app，都是最好用的方法之一。但漏斗使用的奥秘则很丰富。而且漏斗方法还会和其他方法混合使用，乐趣无穷。

3、微转化

人人都懂转化漏斗，但不是所有人都关注微转化。但是你想指望一个转化漏斗不断提升转化率太困难了，而微转化却可以做到。转化漏斗解决的是转化过程中的大问题，但大问题总是有限的，这些问题搞定后，你还是需要对你的转化进行持续优化，这个时候必须要用到微转化。
微转化是指在转化必经过程之外，但同样会对转化产生影响的各种元素。这些元素与用户的互动，左右了用户的感受，也直接或者间接的影响了用户的决定。
比如，商品的一些图片展示，并不是转化过程中必须要看的，但是它们的存在，是否会对用户的购买决定产生影响？这些图片就是微转化元素。个人认为，研究微转化比研究转化更好玩。

4、合并同类项

合并同类项是大家容易忽视的常用方法。我们往往非常重视细分，但有的时候我们却需要了解更宏观的表现。
合并同类项就是这样的方法。举一个例子，我问你，一个电子商务网站，所有商品页的整体表现如何？它们作为一个整体的bounce rate怎么样，停留时间怎么样，用户满意度怎么样等等，你能够回答吗？
如果我们查看每一个商品页的表现，然后再把所有一个一个页面的数据加总起来作分析，就太麻烦了（根本无法实现分析）。这个时候，我们必须要合并同类项。
如何合并？利用分析工具的过滤工具或者查找替换功能。不支持这样功能的工具你可以考虑扔掉了，因为这根本不应放在增长黑客的专业装备箱中。
合并同类项还有很多用途，比如你要了解web或者app一个版块（频道）的整体表现，或者你要了解整个导航体系的使用情况，这都是必须使用的方法。

5、AB测试

增长黑客不谈AB测试是耻辱。
通过数据优化运营和产品的逻辑很简单——看到问题，想个主意，做出原型，测试定型。
比如，你发现转化漏斗中间有一个漏洞，于是你想，一定是商品价格不对头，让大家不想买了。你看到了问题——漏斗，而且你也想出了主意——改变定价。
但是这个主意靠不靠谱，可不是你想出来的，必须得让真实的用户用。于是你用AB测试，一部分的用户还是看到老价格，另外一部分用户看到新价格。若是你的主意真的管用，新价格就应该有更好的转化。若真如此，新的价格就被确定下来（定型），开始在新的转化高度上运行，直到你又发现一个新的需要改进的问题。
增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。快速验证，如何验证的？主要方法就是AB测试。
今天的互联网世界，由于流量红利时代的结束，对于快速迭代的要求大大提升了，这也使我们更加在意测试的力量。
在web上进行AB测试很简单，在app上难度要高很多，但解决方法还是很多的。国外那些经典app，那些卖钱游戏，几乎天天都在AB测试。

6、热图及对比热图

热图是一个大家都喜欢的功能，它是最直观的记录用户与产品界面交互的工具。不过真用起来，可能大家很少真正去深究吧！
热图，对于web、app的分析，都非常重要！今天的热图相对于过去的热图，功能得到了极大的提升。
在web端，过去一些解决不好的问题，比如只能看链接的被点击情况，点击位置错位，对浮层部分点击的标记，对链出链接的标记等等，现在已经有好的工具能够提供很多新的办法去解决。在app端则分为两种情况，内容类的app，对于热图的需求较弱；但工具类的app对于热图的需求则很显著。前者的screen中以并列内容为主，且内容动态变换，热图应用价值不高；后者则特别需要通过热图反映用户的使用习惯，并结合app内其他的engagement的分析（in-app engagement）来优化功能和布局设计，所以热图对它们很重要。
要想热图用的好，一个很重要的点在于你几乎不能单独使用一个热图就想解决问题。我常常用集中对比热图的方法。
其一，多种热图的对比分析，尤其是点击热图（触摸热图）、阅读线热图、停屏热图的对比分析；
其二，细分人群的热图对比分析，例如不同渠道、新老用户、不同时段、AB测试的热图对比等等。
其三，深度不同的互动，所反映的热图也是不同的。这种情况也值得利用热图对比功能。例如点击热图与转化热图的对比分析等。
总之，分析很多用户交互的时候，热图简直是神器，只不过，热图真的比你看到的要更强大！

7、Event Tracking（事件追踪）

互联网运营数据分析的一个很重要的基础是网站分析。今天的app分析、流量分析、渠道分析，还有后面要讲到的归因分析等等，都是在网站分析的基础之上发展起来的。
但是，早期的网站分析有一个特点，就是对于用户在页面上互动行为的记录，只能记录下来一种，就是点击http链接（点击URL）。不过随着技术的发展，页面上不仅仅只有http链接，页面上还有很多flash（现在flash都要被淘汰了）、JavaScript的互动链接、视频播放、链接到其他的web或者app的链接等等，用户点击这些东西就都无法被老方法记录下来了。
不过，有问题就一定有方法，人们发明了event tracking来解决上面的问题。event tracking本质上是对这些特殊互动的定制化监测，而由于是定制化，所以反而有了更多附加的好处，即可以额外添加对于这个活动的更多的说明（以event tracking这个方法的附件属性的方式）。结果，这个方法甚至有些反客为主，即使是一些http链接，很多分析老手也喜欢把它们加上event tracking（技术上完全可行），以获得更多的额外监测属性说明。
随着app的出现，由于app的特殊性（屏幕小，更强调在一个屏幕中完成互动），分析app的page（实际上应该是app的screen）间跳转的重要性完全不如web上的page之间的跳转，但分析app上的点击行为的重要性则十分巨大，这就使我们分析in-app engagement的时候，必须大量依赖event，而相对较少使用screen。这就是说，在app端，event反而是主，page（更准确应该是screen）反而是辅！
这也是为什么，这个方法你必须要掌握的原因。

8、Cohort分析

Cohort分析还没有一个所有人都统一使用的翻译。有的说是队列分析，有的说是世代分析，有的说是队列时间序列分析。大家可以参考维基百科：
https://zh.wikipedia.org/wiki/%E9%98%9F%E5%88%97%E7%A0%94%E7%A9%B6，找找自己觉得合适的译名。
无论哪种叫法，cohort分析在有数据运营领域都变得十分重要。原因在于，随着流量经济的退却，精耕细作的互联网运营特别需要仔细洞察留存情况。Cohort分析最大的价值也正在于此。Cohort分析通过对性质完全一样的可对比群体的留存情况的比较，来发现哪些因素影响短、中、长期的留存。
Cohort分析受到欢迎的另一个原因是它用起来十分简单，但却十分直观。相较于比较繁琐的流失（churn）分析，RFM或者用户聚类等，Cohort只用简单的一个图表，甚至连四则运算都不用，就直接描述了用户在一段时间周期（甚至是整个LTV）的留存（或流失）变化情况。甚至，Cohort还能帮你做预测。
我觉得cohort分析是最能体现简单即美的一个典型方法。

9、Attribution（归因）

归因不是人人都听说过，用好的更是寥寥无几。 不过，考虑到人们购买某一样东西的决策，可能受到多种因素（数字营销媒体）的影响，比如看到广告了解到这个商品的存在，利用搜索，进一步了解这个商品，然后在social渠道上看到这个商品的公众号等等。这些因素的综合，让一个人下定了决心购买。
因此，很多时候，单一的广告渠道并不是你打开客户闸门的阀门，而是多种渠道共同作用的结果。
如何了解数字营销渠道之间的这种先后关系或者相互作用？如何设置合理的数字营销渠道的策略以促进这种关系？在评价一个渠道的时候，如何将归因考虑在内从而能够更客观的衡量？这些都需要用到归因。
如果你是互联网营销的负责人，归因分析是必不可少的分析方法。

10、细分

严格说，细分不是一种方法，它是一切分析的本源。所以它当之无愧要排名第一。
我经常的口头禅是，无细分、毋宁死。没有细分你做什么分析呀。
细分有两类，一类是一定条件下的区隔。如：在页面中停留30秒以上的visit（session）；或者只要北京地区的访客等。其实就是过滤。另一类是维度（dimension）之间的交叉。如：北京地区的新访问者。即分群（segmentation）。
细分几乎帮助我们解决所有问题。比如，构建转化漏斗，实际上就是把转化过程按照步骤进行细分。流量渠道的分析和评估也需要大量用到细分的方法。
维度之间的交叉是比较体现一个人分析水平的细分方法。比如，我的朋友孙维（卡车之家的数据负责人），他将用户的反馈作为event tracking的属性（放在了event action属性中），提交给GA，然后在自定义的报告中，将用户反馈和用户的其他行为交叉起来，从而看到有某一类反馈的用户，他们的行为轨迹是什么，从而推测发生了什么问题。
分析跳出率时，我们也会把landing page和它的traffic source（流量源）进行交叉，以检查高跳出率的表现是由着陆页造成，还是由流量造成。这也是典型的维度交叉细分的应用。

互联网用户分析

用户研究是用户中心的设计流程中的第一步。它是一种理解用户，将他们的目标、需求与商业宗旨相匹配的理想方法，能够帮助企业定义产品的目标用户群。在用户研究过程中，数据的使用及挖掘是非常重要的。常用的有六大用户分析方法论：1、行为事件分析2、点击分析模型3、用户行为路径分析4、用户健康度分析5、漏斗模型6、用户画像分析。
下面一一解析每种方法论的定义及实战案例
先从最基础的行为事件分析法开始

1、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企业组织价值的影响以及影响程度。企业借此来追踪或记录用户行为及业务过程，如用户注册、浏览商品详情页、成功下单、退款等，通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。
行为事件分析法一般经过三大环节：事件定义、多维度下钻分析、解释与结论。
1、事件定义
事件定义包括定义所关注的事件及事件窗口的长度，这也是事件分析法最为核心和关键的步骤。事件的定义遵循5W原则：Who、When、Where、What、How。
5W事件定义方式：
某X平台的所有注册用户在X月X日使用优惠券下单购买的单数是多少？这是一个完整的时间定义，一般数据人员需要记录的对应字段有：时间、商品名称、商品是否使用优惠券、父单数、购买数量、购买金额等。
5W
（Where）某X平台
（Who）所有注册用户
（When）在X月X日
（How）使用优惠券
（What）下单购买的单数
在大厂混的我们都多少接触过各种数据报表，Path口径、Session口径等各种口径，我们所熟悉的字段“访问次数”、“浏览深度”、“使用时长”、“停留时长”、“跳出率”、“页面退出率”等指标，都需引入 Session 才能分析。因此，创建和管理 Session 是事件定义的关键步骤。
这里需要了解“Session”的概念，Session一般翻译为时域。在计算机专业术语中，Session是指一个终端用户与交互系统进行通信的时间间隔，通常指从注册进入系统到注销退出系统之间所经过的时间。具体到Web中的Session指的就是用户在浏览某个网站时，从进入网站到关闭浏览器所经过的这段时间，也就是用户浏览这个网站所花费的时间。因此从上述的定义中我们可以看到，Session实际上是一个特定的时间概念。
2、多维度下钻分析
最为高效的行为事件分析要支持任意下钻分析和精细化条件筛选。当行为事件分析合理配置追踪事件和属性，可以激发出事件分析的强大潜能，为企业回答关于变化趋势、维度对比等等各种细分问题。“筛选条件”例如：“地理位置”、“时间”、“广告系列媒介”、“操作系统”、“渠道来源”等。当进行细分筛查时，才可以更好地精细化定位问题来源。
3、解释与结论
解释与结论即所谓的出分析报告阶段。对分析结果进行合理的理论解释，判断数据分析结果是否与预期相符，如果相悖，则应该针对不足的部分进行再分析与实证。
行为事件分析案例解说
运营A在日常运营某平台频道的过程中发现，某天的UV值突然翻倍异常标高，需要快速定位：是异常流量还是虚假流量？我们可以先按照5W法则拆解事件，可以发现实际上我们是要找出HOW，也就是为什么流量飙升的理由。
（Where）某平台
（Who）某频道
（When）某天
（How）？？？
（What）UV值异常翻倍紧接着，通过多维度“筛选条件”进行下钻分析：选择“流量入口来源”、“时间点”、“地理位置”、“操作系统”等。当进行细分筛查时，运营A发现：早上10点钟时，微信渠道侧的流量飙高并且是由于公众号推送场景带来的流量，确认公众号确实为早上10点推动并且当天的推送质量很高，用户点击数较往常更高，基本判断UV的飙高是异常值，不是虚假流量，并且是由于该事件带来。

2、点击分析模型

点击分析模型在各行业内数据分析应用较为广泛，是重要的数据分析模型之一。其中点击图是点击分析方法的效果呈现，在用户行为分析领域，点击分析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。
点击分析方法主要解决的问题主要有三点：
1、精准评估用户与产品交互背后的深层关系；
2、实现产品的跳转路径分析，完成产品页面之间的深层次的关系需求挖掘；
3、与其他分析模型配合，全面视角探索数据价值，深度感知用户体验，实现科学决策。
点击分析模型主要用于什么分析？
1、官网
2、活动页面
3、产品频道/首页
4、详情页
点击分析通用的两种形式包括：可视化与固定埋点，可视化多用热力图进行呈现，运营可以根据点击密度判断用户的浏览喜好。
热力图形式 图片来源：百度固定埋点形式 图片来源：天猫超市（数据虚构）
以上图天猫超市为案例，开发可对每一个前端模块进行埋点，然后上报数据，运营可在数据报表处下载对应数据，数据可包括：PV、UV、下单、GMV等，可针对不同指标进行分析。
假设上图中个人护理icon点击UV占比为67%，是频道内所有icon中最高的一个，那么对于猫超这么一个老用户居多的业务场景来说，老用户对在超市中购买“个人护理”有很强烈的诉求与黏性，可以重点挖掘业务价值。再比如，假设banner模块的日均UV为1w，我们假定这个值是偏低的，并且banner在页面首页的使用面积占比又超过UV及订单的贡献占比，此时可以考虑两种方案：压缩banner尺寸或者提升banner点击率。
从长期监控数据上看，点击分析可以观察页面某位置（业务）的改变对于用户的价值，一般而言，点击UV越高，说明用户的黏性越大。当然点击率还跟所处位置有关，同一页面高度，根据用户视觉习惯，一般左边点击优于右边。

3、用户行为路径分析

用户路径的定义，就是用户在APP或网站中的访问行为路径。对于一个指定的页面（URL），用户是从哪些场景来到这个页面（来源）？进入这个页面后又去往哪些场景(去向）？用户浏览路径是否是按照运营设计的路径前进还是偏移？用户行为路径分析就是解决以上问题的分析方法：指导运营明确用户现存路径，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。
以电商为例，买家从登录网站／APP到支付成功需要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等一系列过程。一个新用户和一个老用户在进行购买流程的时候，他们的浏览路径是否有区别？新用户倾向什么路径？老用户倾向什么路径？与其他分析模型配合进行深入分析后，可以快速找到用户动机，从而引领用户走向最优路径或者期望中的路径。
电商平台店铺用户行为路径图
用户路径分析案例解说
假设上图中，用户进入店铺页中选择以下路径：
1、约40%的客户会点击Banner活动页；
2、约30%的客户会直接进行商品搜索；
3、约10%的用户会浏览商品详情页；
4、约5%的客户啥都不干直接退出店铺；
假设以上四种路径中，第三种直接浏览商品详情页的用户下单比例最高，超过90% ，与其形成鲜明对比的是，尽管第一种“点击Banner活动页”的用户占比高达40%，但是仅5%的用户下单了，说明Banner的内容布局和利益点有着比较糟糕的用户体验，则将此作为首选优化与改进的方向。
改进方式：
1、优化内容质量：素材图片、利益点、承接页动线、承接页商品让利程度等；
2、压缩banner模块实际面积：比如淘宝的banner基本为千人千面或者商家直通车购买，展示总量大，比较难控制所有内容质量，因此选择更小的尺寸高度来分散用户点击占比，为其它首屏优质业务提供更多的流量；相对的，天猫的banner活动一般为类目排期活动，较少商家购买（能花得起这个钱的商家一般也是KA，不会把内容质量搞的很糟糕），因此天猫的banner高度较淘宝会更醒目；

4、用户健康度分析

用户健康度是基于用户行为数据综合考虑的核心指标，体现产品的运营情况，为产品的发展进行预警。包括三大类型指标：产品基础指标、流量质量指标、产品营收指标。它们三者构成了评价产品健康度的体系，它们也各有侧重点。
1、产品基础指标，主要评价产品本身的运行状态：PV、UV、新用户数；
2、流量质量指标，主要评价用户流量的质量高低：跳出率、人均浏览次数、人均停留时间、用户留存率、用户回访率；
3、产品营收指标，主要评价产品的盈利能力与可持续性：用户支付金额（GMV）、客单价（ARPU）、订单转化率；
1、产品基础指标：
UV：独立访客数（unique visitor），指通过互联网访问、浏览这个网页的自然人。但对于UV的定义有一个时间限制，一般是1天之内，访问你的产品的独立访客数，如果一个用户一天内多次访问也只计算为1个访客。UV是衡量产品量级的最重要指标。
PV：页面浏览量（Page View），用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。因此一般PV值大于UV值。
新用户数：对于电商来说，新用户一般定义为未注册或者已注册，但还未进行首单支付的用户。一个新用户到老用户的转变过程可以用四象空间来划分：次数、金额、时间、品类；
2、流量质量指标
跳出率：跳出率(Bounce Rate)也被称为蹦失率：浏览单页即退出的次数/访问次数=single access/entry visits。浏览单页即退出的次数——简单说就是进入某个页面后没有点击任何页面就离开。一般用来来衡量用户访问质量，高跳出率通常表示内容对用户不具针对性（吸引）；

A页面的跳失率=(5/10) 100%
A页面的退出率= (5+2/10+2 )100%
人均停留时间：是指用户浏览某一页面时所花费的平均时长，平均停留时间越长，说明网站或页面对用户的吸引力越强，能带给用户的有用信息越多。
用户留存率：留存指的就是“有多少用户留下来了”。用户在某段时间内开始使用应用的用户，经过一段时间后，仍然继续使用的用户，被认作是留存用户。
留存率=新增用户中登录用户数/新增用户数
（一般统计周期为天）
留存率反映的实际上是用户的一个留存漏斗，即新用户转化为活跃用户、稳定用户、忠诚用户的过程，宏观观察用户的生命进程情况，通过用户的后期留存情况就能从一个层面把握渠道质量，比如，付费，粘性，价值量，CAC成本。
用户回访率：用户在某段时间内开始使用应用，经过一段时间后，继续登陆使用的用户，被认作是回访用户。比如用户在使用该App之后的N天/周/月之后，再次使用该App的比例，叫做N天/周/月回访率。留存与回访这两者的区别就是：前者是新增多少用户，留下来多少；后者是在某时间段内，用户再次使用、访问app、软件的数量。
3、产品营收指标
客单价（ARPU）：客单价=支付有效金额/支付用户数，客单价反应平均一个用户支付的金额，金额越高，为企业带来的利润也越多，因此提升客单价是一个很好几刺激毛利润的方法，比如我们常见的促销手段：买2件减10元，买2件送赠品等；
转化率：订单转化率=有效订单用户数/UV。转化率是做成交营收的一个关键因素，转化越高表示越多用户在目标页面下单。
用户支付金额（GMV）：支付金额即产品某段时间的流水。产品的营收做得好与不好，主要就是看支付流水。盈利模式如何，有没有稳定的创收能力，是对一个产品终极的考验（战略烧钱和圈用户的先不算在内）
产品营收指标有一个恒等式：
销售额=访客数×成交转化率×客单价
销售额=曝光次数×点击率×成交转化率×客单价；
这是电商入门基础中的战斗机

5、漏斗模型分析

定义：漏斗模型分析，本质是分解和量化，也就是说从一个事件环节的最开始（获取用户）到最终转化成购买这整个流程中的一个个子环节，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。所以整个漏斗模型就是先将整个事件流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的。
流量漏斗模型在产品运用中的一个经典运用是AARRR模型，来自增长黑客Growth hacker一书中（这本书特别值得一看），AARRR模型是结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。
《增长黑客》增长黑客是介于技术和市场之间的新型团队角色，主要依靠技术和数据的力量来达成各种营销目标，而非传统意义上靠砸钱来获取用户的市场推广角色。他们能从单线思维者时常忽略的角度和难以企及的高度通盘考虑影响产品发展的因素，提出基于产品本身的改造和开发策略，以切实的依据、低廉的成本、可控的风险来达成用户增长、活跃度上升、收入额增加等商业目的。简单来说，就是低成本甚至零成本地让产品获得有效增长。增长黑客的核心是：自传播/病毒传播。

AARRR的说明：
获取Acquisition：用户如何发现并来到你的产品？（浏览层）
激活Activation：用户的第一次使用体验如何？（点击/参与）
留存Retention：用户是否还会回到产品？（回访/留存）
收入Retention：产品怎样通过用户赚钱？（付费）
传播Retention：用户是否愿意告诉其他用户？（忠实/传播用户）
漏斗模型在实际的运营中很常见，我们可以抽象出决定漏斗形态的三个元素：时间、节点、流量。
1、时间：转化周期，即为完成每一层漏斗所需时间的集合。通常来讲，一个漏斗的转化周期越短越好。
2、节点：每一层漏斗，就是一个节点。而对于节点来说，最核心的指标就是转化率，转化率 = 通过该层到达下一次层的流量/到达该层的流量。
3、流量：每个环节的数值大小，也就是人群数。
流量漏斗模型案例解说
以电商实际运营过程中的具体案例说明流量漏斗模型的运用，假设（数据均虚拟）我们做了一场营销活动，活动页面的流量漏斗模型如下图：用户的流量路径如下：点击主会场页面→进入商品详情页→下单购买→发货（上账）；
电商主会场流量漏斗数据

对比正常卖场流量漏斗平均图可以看出，用户在“活动页面→进入商品详情页”这个步骤中，跳转率只有40%，假设远低于平均值45%，可以思考下用户进入主会场后为什么不点击商品呢？一般而言，跳转率低下主要由以下几个原因：
1、页面开发问题bug：手机机型适配问题、无法点击、页面空窗、链接错误等；
2、内容与引流用户不匹配：引流用户对商品/内容不感兴趣、BI推荐不准确等 ；
3、页面运营问题：利益点对应商品承接、商品让利不够、文案内容与承接落地页面不符；
一个个去排除问题后，我们可以初步将问题点锁定，针对性解决。简单总结，漏斗模型适合运用于监控不同的产品环节数据指标，并找出对应的问题。

6、用户画像分析

用户画像的正式名称是User Profile，是指根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。通俗说就是给用户打标签，而标签是通过对用户信息分析而来的高度精炼的特征标识。通过打标签可以利用一些高度概括、容易理解的特征来描述用户，可以让人更容易理解用户，并且可以方便计算机处理。在产品早期和发展期，会较多地借助用户画像，帮助产品运营理解用户的需求，想象用户使用的场景，产品设计从为所有人做产品，变成为带有某些标签的3-5个人群做产品，间接降低复杂度。
用户画像的数据内容包含但不局限于：
1、人口属性：包括性别、年龄等人的基本信息；
2、兴趣特征：浏览内容、收藏内容、阅读咨询、购买物品偏好等；
3、位置特征：用户所处城市、所处居住区域、用户移动轨迹等；
4、设备属性：使用的终端特征等；
5、行为数据：访问时间、浏览路径等用户在网站的行为日志数据；
6、社交数据：用户社交相关数据；
用户画像主要运用常场景如下图
图片来源：CSND 博客
用户画像运用场景三维空间图，X轴代表业务场景维度；Y轴代表用户标签维度；Z轴代表服务层次维度。首先用户画像业务场景可以分为用户细分、产品优化、渠道拓展、运用提升、风险控制等。基于每一个业务场景，都有不同的用户标签定义，比如用户细分场景业务中，主要是用户的基本属性，包括性别、年龄、地域等。而风险控制业务场景中，主要是用户风险控制标签，包括黄牛标签、异常评分标签等。首先对用户群进行用户标签处理，根据不同的标签进行个性化推荐，再到到运营层面进行决策运营。环环相扣，所以用户画像的核心是标签的建立。
用户画像分析案例解说
「她是一位住在北京的80后的女性白领，起居时间规律，喜欢运动，家有幼儿，关注时尚爱兰蔻……」这段话语用来描述的是某个用户，并不是一类用户。我们谈的用户画像User Profile，本质是对任何一个用户都能用标签和数据描述。

因此，我们将此类用户标签化为：作息规律、注重品质、生活健康、尝试新鲜、小资；当然这种标签没办法精细化指导运营工作，对于用户运营而言，比较经典的用户画像指导运营的模型是RFM模型。