基于多维事件模型，会形成—些常见的数据分析方法。在用户行为领域，对这些数据分析方法的科学应用进行理论推导，能够相对完整地揭示用户行为的内在规律。基于此帮助企业实现多维交叉分析，让企业建立决速反应、适应变化的敏捷商业智能决策。2017 年，神策数据曾推出八大数据分析模型，详细解释了各种分析模型的定义、适用范围、分析思路、使用方法等等，— 经推出，好评如潮。2020 年，经过更为丰富的理论沉淀以及业务实践积累，神策数据迭代出《十大数据分析模型详解》白皮书，内附多种分析模型的实际应用场景案例，内容更易理解，分析角度更加丰富，致力为行业发展，以及我国数据化建设贡献力量。

本白皮书将基于多维事件模型，详解十大数据分析模型。值得强调的是，每—种数据分析模型都针对不同维度的数据研究，各分析模型存在相互依赖的关系，精益数据分析是数据分析方法交叉应用的结果。

一、多维事件模型

事件模型包括事件 (Event ) 和用户 (User) 两个核心实体。

在神策分析中，我们使用事件模型 (Event 模型）来描述用户在产品上的各种行为，这也是神策分析所有的接口和功能设计的核心依据，在使用神策产品的各个功能时，这两类数据也可以分别或者贯通起来参与具体的分析和查询。同时，神策1.14 版本开始支持 Item 实体，可通过 Item 实体对 Event-User 模型进行补充。

Event 模型

在传统的 Web 时代，通常使用 PV (Page Vie w 的简写，即页面访间量）来衡量和分析—个产品的好坏，然后，到了移动互联网以及 0 20 电商时代， PV 已经远远不能满足产品和运营人员的分析需求。在这个年代，每个产品都有着独—无二的核心指标用来衡量产品是否成功，这个指标可能是发帖数量、视频播放数量、订单量或者其它的可以体现产品核心价值的指标，这些都是—个简单的 PV 无法衡量的。

除此之外， PV 模型也无法满足—些更加细节的、更加精细化的分析。例如，我们想分析哪类产品销呈最好，访问网站的用户的年龄和性别构成，每个渠道过来的用户的转化率、留存和重复购买率分别如何，新老用户的客单价、流水、补贴比例分别是多少等等。这些间题，都是以 PV 为核心的传统统计分析没办法解答的问题。

因此，神策分析采用事件模型作为基本的数据模型。事件模型可以给我们更多的信息，让我们知道用户用我们的产品具体做了什么事情。事件模型给予我们更全面且更具体的视野，指导我们做出更好的决策。

简单来说， Event 描述了一个用户在某个时间点、某个地方以某种方式完成某个具体事情。从这可以看出，— 个完整的

Event , 包含如下的几个关键因素： WHO 、WHEN 、 WH ERE、 HOW、 WHAT。

1. Who : 即参与这个事件的用户是谁。

在我们的数据接口中，使用 distinct_id 来设置用户的唯— ID: 对千未登录用户，这个 ID 可以是 cookie_id 、设备 ID 等匿名 ID; 对于登录用户，则建议使用后台分配的实际用户 ID。同时，我们也提供了 track_signup 这个接口，在用户注册的时候调用，用来将同—个用户注册之前的匿名ID 和注册之后的实际 ID 贯通起来进行分析。

2. When: 即这个事件发生的实际时间。

在我们的数据接口中，使用 time 字段来记录精确到毫秒的事件发生时间。如果调用者不主动设置，则各个 SDK 会自动获取当前时间作为time 字段的取值。

3. Where: 即事件发生的地点。

使用者可以设置pro perties 中的 Sip 属性，这样系统会自动根据 ip 来解析相应的省份和城市，当然，使用者也可以根据应用的 GPS 定位结果，或者其它方式来获取地理位置信息，然后手动设置＄city 和 $province 。除了 $city 和 $pro vince 这两个预置字段以外，也可以自己设置—些其它地域相关的字段。例如，某个从事社区 020 的产品，可能需要关心每个小区的
情况，则可以添加自定义字段 “ HousingEstate” ;或者某个从事跨国业务的产品，需要关心不同国家的情况，则可以添加自定义字段 “Count ry” 。

4. How : 即用户从事这个事件的方式。

这个概念就比较广了，包括用户使用的设备、使用的浏览器、使用的 APP 版本、操作系统版本、进入的渠道、跳转过来时

的 referer 等，目前，神策分析预置了如下字段用来描述这类信息，使用者包可以根据自己的需要来增加相应的自定义字段。

5. What ：描述用户所做的这个事件的具体内容。

在我们的数据接口中，首先是使用 Event 这个事件名称，来对用户所做的内容做初步的分类。 Event 的划分和设计也有— 定的指导原则，我们会在后文详细描述。除了 Event 这个至关重要的字段以外，我们并没有设置太多预置字段，而是请使用者根据每个产品以及每个事件的实际情况和分析的需求，来进行具体的设置，下面给出—些典型的例子：

(1) 对千—个“购买” 类型的事件，则可能需要记录的字段有：商品名称、商品类型、购买数量、购买金额、付款方式等

(2) 对千—个“搜索” 类型的事件，则可能需要记录的字段有：搜索关键词、搜索类型等

(3) 对于—个“点击“类型的事件，则可能需要记录的字段有：点击 URL、点击 titl e、点击位置等

(4) 对于一个“用户注册＂类型的事件，则可能需要记录的字段有：注册渠道、注册邀请码等

(5) 对于—个“用户投诉” 类型的事件，则可能需要记录的字段有：投诉内容、投诉对象、投诉渠道、投诉方式等

神策_十大数据分析模型详解_白皮书-官网 - 图1 s :思譬研究院
( 6) 对于—个“申请退货” 类型的事件，则可能需要记录的字段有：退货金额、退货原因、退货方式

User 实体

每个 User 实体对应一个真实的用户，用 distinct id 进行标识，描述用户的长期属性（也即 Profil e) ，并且通过 distinct id 与这个用户所从事的行为，也即Event 进行关联。—般记录 User Profil e 的场所，是用户进行注册、完善个人资料、修改个人资料等几种有限的场合，与 Event 类似，建议在后端记录和收集 User Profil e。收集哪些字段作为 User Profil e, 也完全取决于产品形态及分析需求。简单来说，就是在能够拿到的那些用户属性中，哪些对千分析有帮助，则作为 Profil e 进行收集。

有些时候，我们可能会纠结，某个与用户相关的字段是应该记录在 Profil e 还是记录在 Eve nt, 一个基本的原则就是， Profil e 记录的是用户的基本固定不变的属性，例如性别、出生年份（请注意，记录的不是年龄而是出生年份）、注册时间、注册地域、注册渠道等。而还有—些字段，例如用户级别、设备类型、地域、是否是 VIP 等，虽然也是用户相关的字段，但是可能是会经常变化的，则应该在用户的某个Event 发生的时候，作为Event 的—个字段来进行记录。

It em 实体

在 Event-User 模型中，出于性能和可解释性等各方面的考虑， Event 是被设计为不可变的。从逻辑上看似乎没有间题，因为 Event 代表的是历史上已经发生过的事件，— 般来说不应该需要进行更新。但是，在实际的应用过程中，并不—定是这么理想的状态。如，在采集和分析中会发现：

1 . Event 实体中—些基本信息中会有许多是不断变化的。

2．埋点采集中，发现某些Event 在最初的阶段采集到的数据不完善。

这时，可通过 Item 实体对 Event-User 模型进行补充。

这里的所谓 Item, 在严格意义上是指—个和用户行为相关联的实体，可能是—个商品、— 个视频剧集、— 部小说等等。

Item 的应用场景有很多，其中—个典型场景是用作神策分析的维度表，以及在神策智能推荐系统中的应用等。

＿
＿、十大数据分析模型

接下来我们将为大家逐—介绍常见的数据分析模型：事件分析、漏斗分析、用户路径分析、留存分析、Session 分析、热力分析、归因分析、间隔分析、分布分析、属性分析。

事件分析

事件分析概述

事件分析法是用来研究用户的某个、某些行为事件本身特征的方法，企业借此来追踪、记录用户行为或业务过程。事件分析是所有分析模型中最基础的一种，它是指对具体的行为事件，进行指标加工的一种分析方法，常见的指标计算规则为行为事件发生的人数、次数、人均次数，以及针对行为事件的属性特征进行特殊运算，如去重、求和、求均值等。以互联网金融行业常见的用户投资为例，通过对“投资成功”的事件分析，可统计每日成交的投资产品订单数、投资总额，并且可以研究投资总额的趋势、周期，及时洞察数据中的异常点。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特点、趋势及异常等现象。

事件分析应用示例

场景一：事件本身特征统计

事件分析通用的分析方法是先定义对应指标的事件，再从其他多个维度进行细分下钻，比如“时间”、 “ 地理位置”、 “I P” 、“广告系列媒介＂、＂橾作系统”、 “浏览器” 等，查看指标数据的特征表现。

针对事件本身特征统计，包括次数、人数、人均次数等常见指标。以互联网金融行业为例，常见的基础流量指标如 PV 对应”页面浏览” 事件的次数、UV 对应 ”页面浏览” 事件的人数等，都是基于用户事件本身特征进行的统计。指标定义结束以后，我们需要对指标进行时间和维度的拓展。基千—段时间可以观测某个指标，同时也可以参照基期时间的指标，综合对比，评判指标的波动是否异常；基千事件属性的维度可以对指标进行细分，查看不同细分维度下的指标分布，洞察指标的分布是否正常。

下图展示的就是以地理位置中的 “城市“ 维度进行下钻的来源于“今日头条＂的各城市的 PV。

神策_十大数据分析模型详解_白皮书-官网 - 图2

图 1 来源今日头条的各城市浏览页面的总次数

场景二：事件属性特征统计

除了基础流量指标，运营人员更关注行业的关键指标，以及关键指标对应的用户行为偏好，这些指标通常是事件属性的特征统计，事件分析同样可以满足分析诉求。譬如通过“投资成功” 事件，查看不同产品类型的投资“金额＂，分析用户投资的产品偏好属性等。下图显示不同产品投资成功的支付“金额＂的总和趋势，可以看到本息每月返的产品的成交在 4 日、5 日明显提升，主要是因为4、5 两日有推出相应的产品活动，导致用户的投资偏好的发生了变化。

图 2 不同产品投资成功的支付金额总和

场景三：自定义指标四则运算

场景—、二的两类指标，都是基于单个事件本身、属性特征进行的统计，实际的分析场景中，我们通常还会需要分析—些复合指标，这种类型的指标通常是基于—个或者多个指标进行自定义四则运算。如，当用户投资到期后，后续的关键行为

可能是提现或继续投资，运营人员可以从时间维度上对用户的关键行为指标进行下钻，实时关注”提现率”的变化趋势，从而及时调整业务策略。 ”提现率”就是一个常见的自定义四则运算指标，其对应的事件含义为”提现申请成功”的人数与“投资成功”的人数比值。如下图即为用户投资到期后提现率的变化情况。

图 3 用户投资到期后提现率的变化情况

事件分析适用面广、灵活性强，是指标体系实现和日常数据观察中最常见的分析模型。它能用于描述大多数业务或者行为的数据表现及趋势，大家根据自己的分析需求，合理的进行指标定义及规则配置即可。

漏斗分析

漏斗分析概述

在实际的业务分析中，事件分析主要是基千事件本身做分析，在实际的业务中，还存在—类常见的分析诉求，即将某个业务场景中关联的事件，根据发生的先后顺序进行组织，从而系统性了解用户的转化效率。这样的分析模型，就是我们常用的漏斗分析。

对比事件分析来说，漏斗分析其实是—套流程分析，它不但可以整体性的反映用户在—定时间周期内，浏览网站或者 APP 中从起点到终点的转化率，而且还可以分析浏览过程中每—次跳转所产生的留存和流失，这样就能够直观地发现异常数据，从而通过分析根因找到问题所在，最后通过优化该环节来达到提升转化率的目标。

漏斗分析模型已经广泛应用千渠道来源分析、新用户激活、核心主流程优化、搜索功能优化等日常数据运营工作中。例如在一款直播平台软件中，直播用户从激活 APP 开始到打赏主播，用户核心路径为激活APP、注册账号、浏览列表页、进入直播间、产生互动行为和完成主播打赏。如果整体转化率偏低，那么使用漏斗分析能够展现出各个环节的转化率，通过漏斗各环节相关数据的对比分析，可以直观地发现问题所在，从而找到优化方向。

这里需要注意的是，我们跟踪整个漏斗的转化过程，是以用户为单位将步骤串联起来，并不是只把每个步骤的发生次数做

—个简单的计数，因为使用漏斗的目标之—是将潜在客户转化为目标用户，核心是对用户的分析。另外进入到后续步骤中的用户，—定是完成了所有前序步骤。例如漏斗—共有五步，如果有用户完成了第—步、第三步和第五步，跳过了漏斗模型中的第二步和第四步，也不能算作—次转化。

其次要选择合适的时间窗口。如果没有时间窗口的话，那么用户有可能一天完成漏斗流程，也有可能一个月完成漏斗流程，没有时间的限制，漏斗的作用也要大打折扣了。至千具体什么时间合适要根据业务来判断。如我们要看当天秒杀活动的转化，那么窗口期建议设置为—天，太长就没办法算作是活动的转化；但对千证券开户流程，不但要准备多种材料，还需要经过审核。如果开户漏斗的窗口期设置太短，可能审核都很难完成。

漏斗分析的应用示例

场景一：巧用维度细分漏斗，直观找出问题所在

某电商企业客户发现春节促销活动的整体转化率偏低，然后希望可以通过漏斗分析看定位问题。如下圈所示，对该漏斗分析根据省份进行细分，通过对比可明显看出，山东省的用户从“浏览商品详清页” 到“加入购物车” 的转化率明显低于浙江省。为找到“浏览商品详情页” 到“加入购物车” 阶段转化率变低的原因，企业运营人员应深度分析该阶段可能影响转化率的因素，如对比不同省份的产品显示库存情况、物流状态、该商品在不同省份的受欢迎程度、甚至不同付费渠道 (PC 端、移动端等）的转化情况，找到优化的短板，比如调整不同省份的库存，帮助用户顺利完成购买。

图 4 通过漏斗分析定位整体转化率偏低的原因

同时，我们还可以选择某—转化步骤，从而拿到这—步骤流失的用户列表，对其进行运营，以提升转化。此外，针对这— 步骤流失，还可以结合用户路径去查看流失用户的后续行为，以推断出可能原因，加以验证并推出对应策略。

场景二：添加关联属性，漏斗结果更精准

某综合性电商在首页有多个品类入口，现在想了解用户在首页生鲜频道的订单转化情况，因此创建了首页生鲜频道订单转化漏斗：运营位点击开始购买提交订单支付订单。用户A 浏览生鲜频道后跳转至 3C 频道并购买了—部手机，用户 B 浏览了生鲜频道后，买了蔬菜。在这次主题分析中，核心关注的是生鲜类商品的转化，其它类型的转化其实并不在关注的范畴类。在这种情况下，可以通过为漏斗分析添加关联属性的方式解决，即限定用户在漏斗的第一步点击的商品类型为生鲜，那么后续所有子步骤的商品类型都要是生鲜才算作完成转化。对千用户 A 来说，生鲜和手机不是同—商品类型，因此用户A 并没有完成转化，而用户B 则完成了转化。

图 5 在漏斗分析的过程中添加关联属性

由于大多数业务都需要观察整个流程转化的情况，因此漏斗分析的适用场景也非常强，从推广拉新转化，到产品各个功能流程的转化，我们都可以通过定制漏斗的关键步骤以及各个步骤的条件，进行多维的漏斗分析，进而快速收敛转化的问题所在，以尽量找到当前业务的阻塞点，进行高效的迭代优化。

用户路径分析

用户路径分析概述

现在的 APP 或者网站功能丰富、页面路径多样，用户访问时如同参观画展，一千个哈姆雷特可能会有一千种参观方式。但对千网站来说，自然会有希望用户完成的核心路径。那么怎么来判断用户访问是否偏离了核心路径呢？这时候就需要使用用户路径分析模型了。

用户行为路径分析，顾名思义，是根据用户在 APP 或网站中的访问行为，分析用户在各模块中跳转规律与特点，挖掘出用户的群体特征，进而实现业务指标：如提升核心模块的到达率、 APP 产品设计的优化改版、流失用户去向分析等。在使用路径分析时，需要注意以下2 个要点：

1 ．从目标场景出发，来思考选取合适的起始事件或结束事件，比如限定起始事件看结尾事件，或者限制结束事件看起始事件。

如果你很明确的知道用户的切入点，那么这时候需要选择固定的起始事件，如果有明确的结果，那么这时候需要倒推时，看有什么事件影响了这个结果，这时候就需要选择固定的结束事件。例如当产品同学需要验证流量分发是否满足预期时，可以选择起始事件为目标事件；另外我们从漏斗分析中找出的 “流失用户” 也可以通过设置初始事件来观察用户的去向。而如果我们要考虑—些重要行为的来源有哪些的话，那么就可以选择目标事件为结束事件，来看前序事件有哪些。

2．根据需求选择相关事件来分析，切忌选择全部。

其实看用户行为路径的时候我们已经有了相对明确的问题，那么这时候需要把与问题无关的—些事件创除，即使被创除的这些事件有可能发生。因为这些不是观察的重点，而且会影响我们最终的判断，我们需要做的是聚焦在相关事件即可。另外，由于点击事件与页面浏览往往是相伴而生的，一般情况下可根据分析情况选择其—即可，这样可以在更少的步骤内，更高效的发现路径的规律。

用户路径分析应用示例

场景一：只有 7％完成加入购物车，用户为什么流失了？

这是全球领先的某 0 20 服务平台的数据分析场景。在—次评估客户总体转化率过程中，运营人员通过漏斗分析发现：用户打开小程序后，加入购物车的客户仅有 7%。运营人员希望通过用户路径分析客户流失的原因。因为目的是找到从小程序启动到加入购物车的流失用户的流失原因，所以可以选择起始事件为小程序页面浏览查看用户行为路径，如下圈。

神策_十大数据分析模型详解_白皮书-官网 - 图6

图 6 用户行为路径分析

运营人员选取若干事件对客户购买路径进行深度分析，这里事件包含了用户从小程序页面浏览到加入购物车的过程中可能触发的所有事件。发现用户打开小程序后，约有 37% 的客户会点击 Banner, 约 26% 的客户会点击首页的各频道，约25％的用户会退出小程序，约 4％的客户点击搜索入口。

运营人员进— 步查看这 4 类用户的加入购物车的情况，发现直接进行 “点击搜索” 的用户进行提交订单比例最高，超过90%。而尽管“点击 Banner” 是更多客户打开小程序后的首选动作（约占总客户的 37%) ，但这部分用户群体在浏览商品列表后，仅有 10％的用户提交订单，说明 Banner 内的商品选择没有命中用户需求，需要加强 Banner 到活动详情页商品的对应承接，或者调整活动页的选品策略。

场景二：关联其它场景用法

用户行为路径分析，除了优化路径、找到运营着力点之外，还可以结合用户特征做综合分析，如结合生命周期查看不同周期用户行为，找到剌激用户留存和转化的功能页面等，是—个“大有可为＂的分析模型。此外，路径分析也可以给其他分析提供思路。比如使用归因分析时，如果想保证结果的科学性，那么选择合适的待归因事件是—件至关重要的前提工作。如果不确定待归因事件是否合理或者完整，那么可以通过在用户路径中查看用户行为，以此来判断待归因事件的合理性和完整性。

在真实的用户行为路径中，其实是一个交叉反复的过程。以电商为例，企业希望买家从登录后依次完成首页浏览、搜索商品、加入购物车、提交订单、支付订单等环节，而用户真实的选购过程中，可能在提交订单后返回首页继续搜索商品，也可能

神策_十大数据分析模型详解_白皮书-官网 - 图7 s :思譬研究院
去取消订单，每—个路径背后都有不同的动机。所以在用户行为路径分析模型使用中，需要与其他分析模型配合进行深入分析，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。

留存分析

留存分析概述

随着流量红利的进— 步收缩，存量市场的博弈更加显著，老用户的经营对于企业生存来说壶得至关重要。另—方面，高昂的获客成本让不少互联网创业者们陷入新客获取难的窘境，花费极高成本所获取的客户，可能仅打开—次 APP 或完成—次交易后就迅速流失，导致前期的营销投入打了水漂。

在这样的大背景下，用户的留存问题成了许多企业和业务的亟待解决的共性问题。客户当前的留存情况如何衡量，如何增加客户黏性，延长每—个客户的生命周期。针对此类问题我们将通过留存分析模型—探究竟。

留存分析是一种用来分析用户参与情况和粘性的分析模型，考察发生了初始行为的用户中，有多少人会在后续的几天里面发生后续行为。这是用来衡量产品对用户价值高低的重要方法。留存分析可以帮助我们回答—些问题，比如某—天进来的新用户群体，在未来的—段时间内每天分别有多少人完成目标转化行为？某个社交产品改进了新注册用户的引导流程，改善前后新用户的留存是否有改善？想判断某项产品改动是否奏效，如新增了一个邀请好友的功能，观察是否有人因新增功能而延长使用产品时间？

留存分析应用示例

场景一：新用户留存及新用户人均消费金额的变化

上面我们已经说到要看新用户的留存这项数据。其实在大多数时候，新用户的留存都是比较稳定的，不会产生太大的波动，这时候需要进—步对比发生了留存行为的用户，在某个关键指标的差异。如下图所示，图中不仅提供了最近 7 天新用户的7 日留存数据，同时在留存人数下方，还提供了留存用户的人均消费金额指标。通过这项结果我们可以得知，即使留存在没有出现明显变化的情况，新用户的人均消费金额也可能会产生比较大的波动，由此我们需要去分析，是否是业务周期性等因素造成了某几天的用户，消费意愿相对比较强烈。

神策_十大数据分析模型详解_白皮书-官网 - 图8

图 7 新用户的 7 日留存相关数据

场景二：产品版本迭代对新用户的留存的影响

产品经理经常会针对新用户设计—些功能，那么这些功能上线后究竟对新用户产生的是积极还是消极的影响呢？这时可将新用户的 7 日留存或 30 日留存，按照应用版本来切分，即可直观地对比出来不同 App 版本对应新用户留存的差异。如下图所示，从中可以得知 4.0 新版本的新用户的留存情况显著高于过去任意—个版本。侧面反映 4.0 版本的 Feature 对于新用户留存的积极影响。

图 8 不同 APP 版本对应的新用户留存差异

新用户注册后第 7 日仍发生留存的用户，显然是— 批忠诚度比较高的用户。以 4.0 版本为例，在 2 月的第— 周—共有35912 个发生了注册的新用户，在第 7 天有 2850 人留了下来，我们可以进— 步对这些用户的特征做—个大致的查看。用户列表界面如下图所示。

神策_十大数据分析模型详解_白皮书-官网 - 图10

图 9 用户列表界面

我们能够看到留存下来的用户群的—些详细信息，比如 VIP 等级、累计花销、累计购买次数等，通过年龄、性别的分布可以大致判断平台吸引的群体用户群体。通过累计花销及累计购买次数，可以进—步对这批用户的质量进行评估。值得强调的是，支持人群明细查看是数据分析方法中不可或缺的功能。

以上只是人群信息的大致查看，如果想要针对人群做更准确的统计分析，深度挖掘高留存用户有哪些共性特征和他们的具体操作流程，那么可以在界面右上角将这批人群保存成“用户分群” ，然后通过用户路径等其他分析模型进—步分析。

综上所述，留存指标对于绝大部分业务来说都是核心指标之一。相对应的，留存分析也是一个应用面广，价值突出的—个分析模型。通过留存分析，我们可以快速地获知，用户群体后续有没有再回来，回来之后有没有发生关键业务行为。对比不同用户群体间的留存，我们可以找到更具忠诚度的一部分用户群体，无论是后续做活动还是展开用户调研，都可以围绕留存率高的这批用户展开。

Sessi on 分析

Sessi on 分析概述

如果把网站或 APP 比喻成—个商场，那互联网用户的行为就如同逛街的顾客，他们在产品中的访问通常和逛商场—样是— 系列连续行为。对于网站或者 APP 而言，用户—系列行为是—次访问，也就是—个Sessi on。Session 分析法是用来分析把用户单点发生的行为串联起来形成一个整体的前提下， Session 整体或者 Session 中某个特定事件的访问特征。常见的指标分为Session 整体的次数、人数、时长、深度、跳出率等，以及 Sessi on 中某个特定事件的次数、人数、时长、退出率等。

以用户在某个在线教育网站的访问为例，用户在一次访问中，诸如“用户平均会来几次“、“每次平均逛了几个页面”、“ 每

次来平均待多久”、“ 某个具体页面用户平均停留多长时间” 这样的间题都需要通过 Sessi on 分析解决。通过 Session 分析，可统计用户在网站或者APP 中的整体访问深度、以及某些特殊节点的访问情况，从而在产品或者运营层面输入优化策略。

Sessi on 分析应用示例

在阐述 Session 分析的应用场景之前，先引入实际组成—个 Session 的相关概念。

举—个更具体的例子，用户A 访问某在线教育的网站，打开了官网页面，认真的浏览了10 分钟以后接听了—个时长1 小时的电话，电话接听完毕以后关掉了官网。在上面的这个例子中，我们不禁会提出疑间，用户A 的 Session 算几次？中间接盺电话的—个小时还能算—次有效的访问吗？

因此， Session 分析的前提是，需要要定义清楚 Session 中包含哪些事件、并且 Session 应该要如何切割。还是以上面的场景为例，我们想分析用户在某教育网站的整体页面访问情况。对于这样的场景，首先我们需要创建— 个 Session, Session 中包含 “ Web 页面浏览” 事件，并且定义Session 时间间隔30 分钟。这样的 Sessi on 含义是，用户在该网站上，每浏览—个页面，都会触发—个事件，并且如果相邻两个页面的浏览时间间隔超过 30 分钟，那么这次访问会被切开，切成
两个 Session 。

接下来我们以具体的场景阐述 Session 分析的常见用法。

场景一： Session 整体相关指标之常规指标

整体 Session 的时长均值、深度均值，这两个指标是 Sessi on 中比较常规的指标，反映了用户在一次完整的访问旅途中，对千网站的平均注意力集中时长，以及平均会浏览的页面数。网站优化的整体思路在千如何在用户有限的注意力区间内，最直接有效的向用户传达网站的核心价值。Session 整体的常规指标还包括 Session 整体的 Session 总次数、人数等，大家可以自行选择。下图即是对 Web 页面访问这— Session 的时长、深度的示意图。

图 10 Web 页面访问 Session 时长、深度的示意图

场景二： Session 整体相关指标之跳出率

跳出率，这是 Session 整体相关的又一个比较常用的指标，当一个 Session 仅有一个事件时，即视为跳出。这个指标常用来分析某个引导页对千用户的吸引力。如下图所示，展示的是某个落地页促销活动的Session 在 2 月 19 日至 2 月 24 日的整体跳出率。可以发现， 2 月 22 日的 Sessi on 跳出率高达 93.64%。排查后发现，由于运营的误操作， 22 日的活动页进行了错误替换，用户进入落地的活动页面以后，发现与前向的引导描述不符，所以大部分用户直接跳出。后续运营进行了更改，跳出率才继续回到之前的正常水平。

图 11 某促销活动的 Session 的整体跳出率

场景三： Session 事件相关指标

除了对 Session 整体进行把握之外，我们还需要对关键的页面、或者业务的关键动作进行评估。如注册流程中的＂注册结果” 事件、用户购买流程中的“商品详情页浏览“ 情况。如下图，展示的是3 月 26 日至 4 月 1 日，用户在访问网站页面时，关键页面 ”专业课详情页浏览＂的访问时长以及该事件的退出率。这个代表用户在关键页面的停留时长，以及在该关键页面直接退出的比例。

我们同样也可以查看 Session 中，某个事件的Session 总次数、人数等其他指标。

神策_十大数据分析模型详解_白皮书-官网 - 图13

图 12 ”专业课详情页浏览＂的访问时长以及该事件的退出率

总之， Session 分析是—个很强大的分析功能，需要把用户单点发生的行为串联起来形成一个整体进行分析的场景，都可以用此分析模型解决，解决类似的分析需求正是 Session 之千用户行为分析最大的意义。值得注意的是，我们在使用的时候，需要定义好Session 中包含事件、以及根据实际的业务场景选择合适的切割时机。另外，为了让 Session 的定义更合理，也可以在定义Session 的时候，加上起始事件和结束事件，让整体的 Session 切割更加合理。

热力分析

热力分析概述

热力分析，即应用—种特殊高亮的颜色、数据标注等，显示页面或页面组（结构相同的页面，如商品详清页、官网博客等）区域中不同元素点击密度、触达率、停留分布等特征。热力分析法主要用来分析用户在页面上的点击、触达深度等情况，并以直观的效果展示给使用者，它是互联网行业常用的—种分析模型，比较直观的表现了用户在产品页面上的浏览偏好，有力的说明了用户和网页的交互清况。

常见的热点分析的展示形式，有点击图、触达率图、热图等。以点击图为例，该方法将页面进行渲染，从而直观的展示出页面元素被点击的次数、占比、发生点击的用户列表、到达网页某个位置的用户比例等。

热力分析具有分析过程高效、灵活、男用和效果直观的特点。采用可视化的设计思想与架构，以简洁直观的操作方式，呈现访客热衷的区域，帮助运营人员或产品人员评估网页设计的科学性。

热力分析应用示例

热力分析的常用场景是，对浏览网页的用户群体进行细分，分析不同类型的用户在浏览网页时的不同偏好，从而进行针对性的改版。

接下来以某 2B 企业官网的官网改版为例，对热力分析的应用场景进行详细阐述。运营人员事先根据用户的官网访问时长、用户行为路径、活跃度、注册与否等因素，将用户细分为单纯浏览者、信息收集者和购买需求强烈者三类。

接下来，在“热力分析” 功能模块中，分别筛选出三类人群，并查看其页面浏览情况。

场景一：单页面或页面组的静态点击图

首先，观测“单纯浏览者”的用户群体，在浏览官网首页时的点击图，如下图所示，该类用户群体对“体验demo” 、 “观看视频“ 点击率较高，这说明 demo 和视频是初来乍到的访问者了解企业的＂窗口” ，而元素内容缺少＂亮点” ，导致访问者不愿意花时间停留。

图 13 近 30 天 ”单纯浏览者”对官网导航栏的点击情况

因此我们可尝试以下两方面的优化：—方面，优化内容。让产品价值、优势、案例等内容尽可能醒目，以快速吸引浏览者注意。另—方面，在导航栏中尝试增加社交因素，如建立论坛、设立产品博客，以增强访问者对官网的黏性，提离用户的访问频次。在更决速的吸引浏览者注意、增强用户访问频次的前提下，从而提高用户的访问深度。

值得—提的是，以上的例子是单页面的点击匼场景，在实际的分析场景中，—个网站中的某—类型的页面框架是相似的，如电商行业常见的商品详清页。对于这种类型的分析场景，需要将网站中的所有商品详情页新建成—个页面组，然后查看该页面组中的所有单页面叠加以后的元素点击情况，以分析用户在该类页面上的点击偏好。单页面和页面组的点击图，区别只是在千展示的页面点击结果是单个页面还是多个页面叠加，点击图都是静态的，并且分析的思路是类似的。

场景二：网页间的跳转点击图

用户在访问某个网站的时候，通常不是割裂的，良性的用户和网站的交互行为往往是在页面之间进行跳转的。除了静态的点击图之外，我们在进行热力分析的时候，不应该仅仅关注孤立的页面元素点击情况，应该站在访问者的视角，追踪用户在点击当前页面的元素以后跳转的新的分析页面的浏览行为。基于这样的前提，分析者在进行热力分析的时候，应该需要像访问者一样，抽丝剥茧般的进行网页间跳转点击图的观测。以“信息收集者”的访问清况为例，相比于单纯浏览者，对千网站的访问深度更甚，官网运营人员应该帮助该用户群体确定购买意向。图 14 显示，“信息收集者“群体对官网导航条中“神策图书馆”的兴趣很高。

在点击率颇高的“神策图书馆” 栏目中，哪种类型文章最受钟爱？运营人员可以继续分析“神策图书馆” 模块中的二级页面“神策图书馆”的点击图，通过用户在页面间的跳转行为分析用户的访问行为，如图15 所示，点击数据表明，“资源图书馆”、“ 产品学习专区”的点击率最高，此时运营人员即可在以上的分析结论下，持续优化群体关心的“神策图书馆” 等展现形式和内容。

图 14 近 30 天“信息搜集者 ”对官网导航栏的点击情况

图 15 近 30 天点击“神策图书馆” ，直接跳转并展示点击情况

神策_十大数据分析模型详解_白皮书-官网 - 图17 s 艺恩翌尽研究院

场景三：触达率图

热力分析中，＂触达率”也是常见的关注指标，它表示当前浏览页面上，用户退出页面时到达不同最终位置的用户比例。可以发现，＂需求强烈者“ 用户群中， 8 0.18％的用户浏览到了官网 ”服务的行业客户” 部分，可以推测，标杆客户效应对于本部分群体来说，影响力较大。官网上行业客户的排版优化由此可见十分重要，可以考虑加大露出与相关的宣传，进而提高”需求强烈客户”的最终成单意愿。

图 16 近 30 天 ”需求强烈者” 在官网浏览的触达率

综上所述，“点击分析“最主要的应用场景，是与产品页面优化直接相关的，从运营和其他角度来看，也多是从页面逻辑出发。它用—种相对其他分析功能更直观的方式，传达用户在网页上的不同位置发生了什么，网页元素的设置和用户的行为偏好是否—致，页面是否达到了流量和转化之间的最大化利用，为你的网页达到真正的物尽其用提供了可能。

此外，热力分析的其他的表现形式，如注意力热图、鼠标移动热图等，此处不再阐述，感兴趣的读者可自行阅读相关资料。

归因分析

归因分析概述

在 PC 互联网时代，— 个网站吸引新用户的主要方式之— 就是投放线上广告。而同样—篇广告可以投放至多个渠道，— 个用户也可能在不同渠道商多次看到广告才发生购买。这时候用户虽然是最后一次看到广告才发生点击，但前面的几次曝光可能给用户留下了印象，建立了心理认知，因此对用户的本次点击亦有贡献。那么如何将用户点击行为的＂贡献“合理地分配到每—个渠道呢？这便是渠道归因要解决的问题。通过渠道归因来衡量渠道的效果，反过来可以指导业务人员在渠道投放时合理分配投入。

随着移动互联网的兴起，业务的形态越来越复杂，站内归因（也常被称作 “坑位归因“ ) 的需求日趋增多。以自营电商为例：同样的—个商品，可能会在站内多处＂坑位” 产生曝光，比如：首页 Banner 的特卖活动页、商品详清页的相关推荐、购物车页面下方的推荐列表中。运营人员会需要知道这些 “坑位” 对商品最终成单产生的 “贡献” 分别是多大，从而指导站内的商品运营工作，例如将主推的商品推至成单贡献度高的坑位中，给予更多的曝光从而带来更多的转化。

对于归因分析而言，一个很重要的命题即是，针对当前的场景和目标，怎么把“贡献“合理分配到每一个坑位上。下面我们就以站内归因为例，普及—下几种常见的归因分析计算思路。假设—个用户—天内使用 APP 的行为顺序如下：

首先，启动 APP, 进入首页，先行搜索，在搜索结果列表页看到了商品 A, 浏览了商品 A 的详情，觉得不错，但是并未购买，退出 APP。然后，再次启动 APP, 看到首页顶部 Banner, 点击进入活动分会场，浏览过程中再次看到商品 A, 点击再次查看商品A 详情。接着，直接退出到了首页，底部推荐列表中推荐了—篇商品A 的用户评论，点击进入，再次查看商品A 的详细信息。最后，下定决心，购买了商品 A。

以上过程是一个非常典型的用户购买决策路径，在整个过程中用户一共三次浏览到了商品 A 的详情页，均通过不同的入口发生访间。如果将这个用户的成单转化的功劳分配到对应的 3 个坑位上，实际上这类问题其实并没有标准答案。以下介绍几种常见的思路供参考。

图 17 四种常见的归因思路

1. 首次归因

多个待选中触点时，认为第—个的功劳为 100 %。理由是第—个触点给用户建立了认知，与用户形成了连接。适用千重视新用户线索的业务。

神策_十大数据分析模型详解_白皮书-官网 - 图20 s :恳翌尽研究院

2. 末次归因

多个待选中触点时，认为最后一个的功劳为 100%。这种思路适用范围最为广泛，常用于电商业务的站内归因的计算。

3. 线性归因

多个待选中触点时，认为每个“待归因事件“ 平均分配此次功劳。适合坑位效果比较平均的产品。

4. 位置归因

多个待选中触点时，认为第—个和最后—个各占 40％功劳，其余平分剩余的 20％功劳。兼顾最初的线索和最终的决策。

除此之外，还有“时间筛选归因“, ＂末次非直接点击＂的归因计算思路，此处不再详细阐述，感兴趣的读者可进一步查阅相关资料。以上每—种归因计算思路均有各自的考量和不同的适用范围，没有绝对的孰优孰劣，在实际的应用过程当中，需要根据自身业务特点来选择合适的归因计算思路。

归因分析应用示例

场景：电商业务下站内归因

回到上面那个电商案例中，我们对 2 月 3 日至 2 月 5 日成交订单进行归因分析，此处我们选用的归因计算方式是＂末次归因＂。归因窗口期设为1 天，即观察用户在发生订单行为之前的24 时之内点击了哪些坑位。然后再找到离 ”提交订单“最近的—个坑位点击行为。

最终得到的结果如下图， APP 内多个坑位中，首页精选推荐，商详页相关推荐，首页 Banner 以及首页运营位对于成单的贡献分别占据了 37.5%、20.83%、20.83%、12.5%。搜索和购物车下方的相关推荐仅带来不足 10% 的成单贡献。通过这个结果，可以清晰地反映如下几点信息：

1. 最终的贡献度反映了不同坑位对最终成单转化的贡献及互相之间的差异。

2. 对比不同坑位的有效转化点击率，可得知不同坑位对用户的吸引程度。

神策_十大数据分析模型详解_白皮书-官网 - 图21

图 18 电商业务下的站内归因

注：总点击数和有效点击次数的区别。在所选的时间段内以及往前回溯的窗口期，总点击数是总共发生了多少次坑位点击，其中绝大部分是没有带来最终成单转化的，而带来的成单转化的那些点击即视作为有效点击数。因此有效转化点击率可能衡量坑位的吸引程度。转化率越高则吸引程度越大，发生—次坑位点击则有更大的概率带来转化。

事实上，凡是有成交、充值环节的业务，都可以通过归因分析来帮助我们在众多的营销触点当中，找到最有效、对用户认知影响最明显的—个或几个触点。以此来指导我们在后续的站内资源位分配时，给不同的业务分配最适合它的资源位。

间隔分析

间隔分析概述

间限，指的是用户行为与行为之间的间隔时长。在以往的数据分析过程中，我们通常会关注用户的整体使用时长，因为时长一定程度上代表了用户对于 APP 的黏性。用户越愿意花时间，代表用户对APP 的依赖程度越高。而在间隔分析的场景下，时长则代表着其他的业务含义。例如：

1 ．新用户进入注册页面，到完成注册的间隔时长，侧面反映注册流程的顺畅程度。

2．用户发生两次充值之间的间隔时长，反应用户的充值周期。

在—些场景下，通过对间隔时长分布的观察，可以得到对产品或者用户的洞察，从而指导我们发生下—步的业务动作。例如，通过对用户开始注册和注册成功两个行为之间的时长分布，我们可以获知用户完成注册普遍所需要花费的时长，当某天注册成功率没有发生明显波动，而时长的分布整体变长时，我们则需要检查注册验证码的短信通道是否畅通、后台注册接口是否正常等等。

间隔分析应用示例

场景：用户注册成功到首次提交订单的间隔分析

如下图，该箱线图反映了过去 7 天每—天的新用户从注册完成后到首次提交订单的时间间隔分布。从图中可以直观得到时长分布的最大值、最小值、中位数、平均值以及用户在各段时长之间的分布情况。同时也可以了解到不同日期下时长分布的变化趋势。

图 19 过去7 天每一天的新用户从注册完成后到首次提交订单的时间间隔分布

假设在 1 月 20 日下午，运营部门新上线了一个用户触达第略：对完成了注册但是 5 小时内未及时发生订单的用户进行

Push 触达，提醒用户新人优惠券即将过期。

从上图中，我们可以得知过去 7 天中前5 天间隔时长分布未发生明显波动，而 20 日上线触达策略后，当天新用户发生首单的周期有明显的缩短，并且次日的效果更为明显。从箱线图的几个关键分位所处的位置也可以得知，主要是尾部的 25％的用户周期在缩短，前 75％的用户没有出现明显变化。这也侧面反映了我们策略的有效性，及时的消息触达对千新用户的促首购转化的确有了明显改善。

总的来说，间隔分析目前是—个相对简单的模型，观察时长的分布主要是作为分析业务转化的—方面补充。如果说漏斗分析主要分析业务的转化情况，那么间隔分析则主要反映业务的转化效率。

分布分析

分布分析概述

分布分析是用户在特定指标下的频次、总额等特征的结构化分段展现。分布分析是了解数据分布表现的主要方法，往往能通过对数据结构的分层分析，判断极端数值的占比、对整体数据的影响，同时了解数据分布的集中度，以及主要的数据分布的区间段是什么。从事件在不同维度中的分布来观察，我们可以了解该事件除了累计数量和频次这些简单指标之外，洞

察数据在分布特征上的特点，便于了解业务的健康度、分层结构等信息。

常见的分布模型一般包含以下类型：事件频率、一天内的时间分布、消费金额的区分等。同时，在设计分布区间时，还需要支持客户自定义区间，这样用户才可以找到最适合的区间分布。总体来说，分布分析价值主要体现在以下几个方面：

1. 挖掘用户分布规律，优化产品策略。

对同—指标下有关数据进行统计与分析，帮助企业从中挖掘用户访问规律，企业可以将规律与实际产品策略相结合，进— 步修正和重新制定产品策略。同时还可以分析某个功能的使用清况，来判断用户对某个功能的使用率。如果某些功能的使用率偏低，那么我们就可以进行产品端或运营端优化。

2. 除去极值影响，数据更接近整体真实表现。

分布分析的另外—个价值点就在于，对千某些因为极大值或者极小值而影响大部分用户数据表现的情况来说，我们可以快速发现最大值和最小值的分布次数，而其他大部分用户都分布在—个相对聚集的区间，从而判断大部分用户的分布情况。

3. 快速识别核心用户群体，资源配置有的放矢。

可以通过分布分析来找出某些核心功能的深度使用者，这些都是企业的核心用户。核心用户群体是对企业价值贡献最大的用户群体，是企业最大的利润来源。在此基础上，企业可以通过优化资源配置，以最小成本实现企业利润最大化。

分布分析应用示例

场景一：电商行业常见的分布分析应用

电商用户的忠诚度如何、客单价情况如何等这些问题均可以通过分布分析功能进行决速诊断。以电商为例，重复购买次数、客单价分布等均是常用的衡量忠诚度的指标。以下会从多个角度来查看分布分析结果。

图 20 可以看到用户每个月的购买频次基本稳定在 1 ~ 3 次之间，除 1 2 月有小的变动，其他月份都相对稳定。除了从用户行为日期去查看外，还可以对用户进—步细分，看不同性别、不同渠道的用户的支付频次的差异，如图 21 所示，从性别来看，数据比较均匀。另外选择合适的 ”组数” 和“组距” 也是一个需要不断尝试不断优化的过程。

神策_十大数据分析模型详解_白皮书-官网 - 图23

图 20 按月份查看用户支付订单的次数分布

图 21 不同性别用户在一个月内支付订单的次数分布

如图 22 所示，从省份的角度看，该商品并没有地域偏爱。另外，用户购买的订单实付金额分布在哪个区间，也是运营人员较为关心内容。图 23 显示出用户的单月订单实付金额很高， 5 0％的用户实付金额在 5000 元以上，其中订单实付金额在5000-10000 之间的达到 40%。

图 22 按省份查看用户—个月内支付订单次数分布

神策_十大数据分析模型详解_白皮书-官网 - 图26

图 23 用户—个月内实际支付订单金额总和分布

总而言之，分布分析可以用来分析核心功能的次数分布，挖掘用户的分布规律，快速识别核心用户群体，是—个常用的经典分析模型。

属性分析

属性分析概述

仅知道—幢房子的面积无法全面衡量其价值大小，因为房子的地理位置、装修风格、是否学区、配套设施都是重要的影响因素。对千企业来说，在分析行为事件特点的同时，也需要对触发事件的用户本身来分析研究。这就是我们常说的用户属性分析。

属性分析通过对用户各类特征进行标示，从而了解用户的属性，或者属性交叉的分布结构，进而可以对用户进行分层标记，以便进行后续的产品、运营动作。属性分析可对基础属性、社会关系、行为特征、业务表现特征等进行结构分析。基础属性包含姓名、年龄、家庭、婚姻状况、性别、最高教育程度等；社会相关包含已婚未婚、有无小孩等属性；行为特征包含注册时间、用户首次访问渠道来源等；而业务相关属性则是从业务数据中提取，如业务为健身相关，那么可能会包含体脂率等。

属性分析的价值主要体现在丰富用户画像维度，让用户行为洞察粒度更细。在事件用户的数据模型中，用户—直处于从属角色。很大原因是我们对千用户属性分析还不够深。如果我们有足够的用户属性的话，那么这些用户即使没有触发事件，我们也可以通过属性来推断出—些可能会出现的场景，然后用相关的运营或产品动作来验证。

那么既然属性这么重要，属性可以怎么采集呢？一隙来说包含以下几种来源：一是用户直接填写，我们在很多场景都会填写自己的地址、兴趣爱好、出生年月等，这些都可以生成属性。二是可以通过已有特征推断，比如说用户填写的地址有办公楼标签，那么我们可以认为他是商务人士等。三是通过身边的人来推测，这个和协同过滤比较类似，用户B 和用户 A 行为相似，所以可以把用户 A 的展性标签打到用户 B 的身上。

属性分析应用示例

场景一：按省份查看用户数

如下图所示，运营人员可以很直观地查看用户在不同省份的具体分布情况。当然也可以按城市进行分析，这样有助于运营人员快速了解产品用户具体分布在哪些城市，是否为发达地区等，以判断不同区域用户的喜好程度等。从图中数据看，用户主要分布在江苏、广东和北京。

图 24 按省份查看用户数

场景二：查看一个月未发生购买的客户，预警客户流失

由千重点客户资源的稀缺性，其黏性备受企业关注。下图所示的某企业“用户属性” 分析模型，筛选出距上次购买已经超过一个月的重点客户。

图 25 距上次购买已经超过—个月的重点客户

该图显示有超过 45 万客户— 个月内未订货，最早可追溯至 2019 年 6 月， 2019 年 12 月是占比最大的月份，占比超过1/3。点击每个月对应的数字，即呈现客户明细数据。30 天未发生购买的原因很多，也许重点客户未流失，只是不再用APP 下单，也许是因为购买该类产品本身就是低频消费，也许重点客户真的流失了。此时就需要进行召回动作，无论属于

哪种情况，运营人员都可以通过查看用户行为（重点客户）序列，分别了解重点客户路径，找到重点客户订单量骤降的原因。

整体来说，属性分析是一个看似基础但却无比重要的分析模型。日常运营过程中企业要重视积累用户属性，以便在需要时可以使用属性分析来找出用户群体特征，指导工作达到运营目标。

以上是对常见数据分析模型的简要介绍。实际上，分析模型是对一类分析方法的抽象总结，每一种数据分析模型都有各自独特的使用价值与适用场景，在面对实际的业务场景时，各个分析模型常常会进行组合应用，比如事件分析漏斗分析用户分群路径分析在产品诊断与转化提升的场景下，就是常见的使用组合，精益数据分析实际上是多种数据分析模型交叉应用的结果。关千常见分析主题中分析模型的组合用法，大家可以多多参考神策分析重点场景库示例，从中体会分析模型协同价值，以提高实际业务中的分析技能，为业务洞察带来更大的价值。

神策_十大数据分析模型详解_白皮书-官网 - 图29 s :恳翌尽研究院

关千神策数据

神策数据是专业的大数据分析平台服务提供商，致力千帮助客户实现数据驱动。公司围绕用户级大数据分析和管理需求，推出神策分析、神策用户画像、神策智能运营、神策智能推荐、神策客景等产品。此外，还提供大数据相关咨询和完整解决方案。神策数据积累了神策数据积累了中国银联、小米、海通证券、广发证券、东方证券、中原银行、百信银行、中青旅、平安寿险、四川航空、翼支付、好未来、VIPKID、华润、有赞、百姓网、货拉拉、闪送、驴妈妈、Kee p、36 氪、拉勾、VUE 、春雨医生、聚美优品、边锋游戏、捞月狗、纷享销客、妈妈帮等 1000 余家付费企业用户的服务和客户成功经验，为客户全面提供指标梳理、数据模型搭建等专业的咨询、实施和技术支持服务。希望更深入了解神策数据或有数据驱动相关问题咨询，请咨询 4006509827 , 由专业的工作人员为您解答。

关于神策数据用户行为洞察研究院

用户行为洞察研究院，旨在提供更具行业深度的洞察、领先的行业最佳实践、创新的技术解决方案等，为广大企业客户、大数据产业链从业者的发展提供指导。目前已出版多份深度案例、行业白皮书等，涉及人物专访、前沿编译、产品案例、研究方法等多项内容。未来，将进—步汇聚更多大数据与用户行为分析领域的最佳创新实践和行业深度洞察。

声明

本白皮书由神策数据用户行为洞察研究院推出，版权归神策数据持有。未经神策数据书面许可，任何其他个人或组织均不得以任何形式将本白皮书的全部或部分内容转载、复制、编辑或发布使用千其他任何场合。报告内的信息”按现状”提供，不附有任何种类的（无论是明示的还是默示的）保证，包括不附有关千适销性、适用千某种特定用途的任何保证以及非侵权的任何保证或条件。本白皮书仅为提供通用指南，并不视为针对企业提供的

联系我们

邮箱： conta ct@se ns ors data. cn

电话： 4 00 650 9827

数据分析课程

神策_十大数据分析模型详解_白皮书-官网