互联网应用数据分析模型

RFM模型

R：消费间隔Recency；即：最近一次距离上次消费的时间间隔；
F：消费频次Frequency；即：一段时间（1个月/1年…）内的消费总次数；
M：消费金额Monetary；即：一段时间（1个月/1年…）内的消费总金额；

RFM模型用途

• 帮助卖家更好的了解自己的客户，比如：谁是超级VIP，他们有哪些特征，不同类型的用户占比等；
• 便于卖家相对精准的制定营销活动，提升转化率；
• 帮助卖家分析近期销售情况，比如：销售额下滑是哪几类用户流失造成的？

留存分析模型

留存分析模型留存分析模型主要观测用户在使用产品特定时间后的回访比例，即留存率;留存率是判断产品价值最重要的标准，例如分析用户的次日留存、次周留存、次月留存等等，次日留存率能够说明用户对这款产品是否有持续使用的兴趣，对于社交、游戏类产品来说，次日留存率非常重要。
用户留存数据分析帮助运营进行更加科学、可量化的用户运营管理，同时为运营工作找到了一个新的价值标准:提升用户留存率!当用户的留存曲线不断提升后,我们就可以做用户变现以及用户的自传播等等,这样我们的用户才会慢慢地增长,最后实现留存的增加。我们不断地拉新,让用户不断地增长，留存的用户在后期逐渐平稳后，都是我们的重点用户，是可以变现的。而那些不平稳的用户,我们还要做各种各样的产品修改、运营或者是市场方面的操作，让他们逐渐地变成留存用户，然后开始变现，实现企业活跃用户的真正增长。

活跃用户分级标准

留存分析模型的价值

1、留存率是判断产品价值最重要的标准，揭示了产品保留用户的能力
留存率反映的实际上是一种转化率，即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程。随着统计数字的变化，运营人员可看到不同时期用户的变化情况，从而判断产品对客户的吸引力。
2、宏观上把握用户生命周期长度以及定位产品可改善之处
通过留存分析，可以查看新功能上线之后，对不同群体的留存是否带来不同效果?可以判断产品新功能或某活动是否提高了用户的留存率?结合版本更新、市场推广等诸多因素结合，砍掉使用频率低的功能，实现快速迭代验证，制定相应的策略。

常见的留存模型

1. N-day留存(N天留存)：N-day留存,即第几日留存，这里的“日”可以是“周”，也可以是“月”，大家现在普遍认识的用户留存，一般都是“N-day”留存了。
2. Unbounded留存(N天内留存)：Unbounded留存就是我们常说第N日内留存，N-day留存是只计算第N天完成回访行为的用户,Unbounded留存会累计计算N天内所有完成过回访行为的用户。
3. Bracket留存(自定义观察期留存)：N-day留存和Unbounded留存都是按照独立的天/周/月为观察单位计算,但有时候我们不希望受限于这种固定时间度量,我们希望划分为几个观察期。

漏斗分析模型

漏斗分析是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。

漏斗分析模型的价值

1. 观察完成漏斗所需的时间

通常来讲，一个漏斗的转化周期越短越好。因此企业可以监控用户在各个层级的转化情况，分析漏斗的合理性，缩短路径的空间，降低用户的使用门槛，提升用户体验。

1. 观察漏斗中的每一个节点转化率

漏斗中每一层节点之间的转化率是提高整体转化率的核心，找到流失用户较多的环节进行活动策略实施。

1. 比较不同属性的用户群体漏斗转化

通过观察不同属性的用户群体（如新注册用户与老客户、不同渠道来源的客户）各环节转化率,各流程步骤转化率的差异对比，更清晰的定位问题;了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。

用户分层模型

用户分群的价值

• 帮助企业打破数据孤岛并真实了解用户

• 定位营销目标群体，帮助企业实现精准、高效营销

  用户分群的四个维度

• 用户画像

  • 用户的基本信息：年龄、性别、地域、来源等；
  • 用户状态信息：浏览器版本、系统版本、时间等；
  • 用户隐形特征:用户消费专业度（投资新手/投资大牛)、用户喜好（在APP内经常用到的功能、订阅的内容等）
• 活跃时间
  • 活跃用户的定位营销对于忠实用户的培养极为关键，因此，快速找到某一自定义时间内的活跃用户，通过洞察活跃用户的行为特征，科学客观的衡量活动/功能的效果，从而能更好的指导运营策略。
• 做过/没做过
  • 用户行为直接反映出用户与产品交互的“亲密度”，比如,对于淘宝店铺会员，完成“加入会员”的用户对店铺的认可度一定高于路人用户，因此触发指定事件的用户可作为用户分群的重要维度。
• 新增
  • 新增这个维度，有2个条件可选择:最近时间段和固定时间段，以此精确筛选出新增用户的时间范围，灵活找到特定时间段内的特定用户群中。

    粘性分析模型

    粘性是用户整体评估一个产品的健康程度的指标。

1. 基于粘性你可以知道:对于某一款产品，用户一个月使用了几天?使用超过7天的有多少人?
2. 也可以将范围精确到周，统计一周内用户使用该产品的天数分布情况如何?一周连续7天都使用的有几人?
3. 在留存分析的基础上，再分析粘性，以此来综合评估产品的健康度。

   事件分析模型

   将用户在产品上的行为定义为事件，它是用户行为的一个专业描述，用户在产品上的所有获得的程序反馈都可以抽象为事件进行采集。针对这些采集到的事件信息及其发生前后的资料统计，采用特定技术测量该事件影响性的定量分析方法，即可称为事件分析或者行为事件分析。
   事件分析模型是用户行为数据分析的第一步，也是用户行为数据分析的核心和基础。

   事件关注指标

• 市场：可能会关注最近三个月来自哪个渠道的用户注册量最高，变化趋势如何?
• 运营：更关注某次邀请好友活动中老用户是否点击该活动页面，是否将邀请海报分享到朋友圈

• 产品：则更加关注点击进入落地页的人数以及进入落地页后用户是否点击核心按钮，比如“立即注册/立即购买”等

  事件的关键因素

• Who：参与事件的主体，唯一标识
  When：事件发生的实际时间
  Where：事件发生的地点或平台

• How：用户以某种方式做了这个事件，也可以理解为事件发生时的状态
• What：用户做了什么，带来了什么变化影响，也是事件模型的主题

  事件的埋点

  事件：用户在产品上的行为
  属性：描述事件的维度
  值：属性的内容

  全行为路径分析

  用户路径是互联网行业表达用户使用产品完成转化/满足需求/达到目的所经过的流程，用全局视野看用户的行为轨迹，可以帮助快速直观地了解用户是如何使用你的产品的。
  全行为路径分析通常是针对用户的每一个网络行为进行精细跟踪和记录，并在此基础上通过分析、挖掘得到用户的详细网络行为路径特点、每一步的转化特点、每一步的来源和去向，从而帮助互联网企业分析用户的网络行为等。