数据分析师很多时候在面对各种各样的数据时，往往不知道从哪里下手分析。面对类似的窘境，如果能够持续了解和学习更多分析模型知识，提高思维的宽度，有助于扩展我们分析的思路。

这篇文章总结了神策（用户行为分析产品）分析模块共12种产品数据分析模型，阅读学习这些分析模型，有助于对我们的数据结构、数据链路有系统的认识，扩宽、总结思路。

每一类分析模型从定义、场景、实例拆解及应用三个角度介绍，大家可以根据自己需要直接滑到对应的模型。

（推荐收藏、关注、持续更新，当前：6种/12种）

（后面会再出一篇文章整理常见的一些通用商业的分析模型，偏策略战略和整体思考）：

目录：

1.事件分析 2.Session分析

3.漏斗分析 4.留存分析

5.分布分析 6.LTV分析

7.归因分析 8.用户路径分析

9.网页热力分析 10.App点击分析

11.间隔分析 12.用户分析

一、事件分析：

定义：

事件，是追踪或记录的用户行为或业务过程。事件分析，是指基于事件的指标统计、属性分组、条件筛选等进行基础的描述性分析，数据分析师大部分工作的分析模型可以归到此类。

场景：

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？

各个时段的人均充值金额是分别多少？

上周来自北京的，发生过购买行为的独立用户数，按照年龄段的分布情况？

实例拆解及应用：

事件分析=事件（可以根据业务流程分类）+统计指标(总和、均值、最大值、最小值、计数值、去重值)+筛选项（）+维度（）+日期范围筛选+展现形式（折线图、条形图、饼图、面积图）+对比项：不同事件间对比、不同时间范围对比

根据上述形式场景种的第一个问题就可以解决：事件=用户注册 统计指标=计数项 维度=渠道 日期范围：最近三个月 展现形式选择折线图 这样就可以描述出最近三个月各个渠道的用户注册量变化趋势：

二、session分析（会话分析）：

定义：

会话分析，从应用的场景不难看出，session分析是将单点动作串联起来的一个综合分析，经计算后得到。

比如用户平均会来几次，其实是从用户的点击行为归类得出，因此，这里还涉及到一个时间点的切割问题：用户两次点击隔多久，算来两次？

每一个session由两个要素构成：事件+切割时长

session常见的事件会有点击、浏览页面等，切割时长的意义在于第2次事件与第1次事件之间的时间间隔超过切割时长时，计算为两次session。

在某些情况下，同样也可以明确开始事件和结束事件去定义session

比如在看用户的活跃时间段时，明确开始事件为启动app，结束事件为退出app，结果会更有参考意义。

场景（用户访问行为，几次？多久？）：

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？

实例拆解及应用：

session事件选择（总体、点击、浏览、任意事件等）+

指标（通用指标：总次数、用户数、人均session数及部分特殊指标

1.跳出率： Session 中只发生一个事件的 Session 个数除以总 Session 数。比如有三个 Session，第一个 Session 事件序列为 A,B；第二个 Session 事件序列为 A；第三个 Session 事件序列为 A,C,B；则 Session 总体的跳出率为 1/3。

2.退出率： Session 的退出率包括 Session 中某个事件的退出率 和 Session中任意事件的退出率。某个事件的退出率指该事件作为 Session 的结束事件的次数除以该事件发生次数，任意事件退出率指 Session 数除以 Session 中所有事件发生次数。比如有三个 Session，第一个 Session 事件序列为A,B；第二个 Session 事件序列为A；第三个 Session 事件序列为A,C,A；则 Session 中A事件的退出率为 2/4, 任意事件的退出率为 3/6。

3.Session 时长： Session 内最后一个事件触发的时间减去 Session 内第一个事件触发的时间。

4.Session 深度： Session 内触发事件的次数。

5.Session 内事件时长： 假如某 Session 内事件触发顺序为 a > b > c > d，则事件 a 的时长为 b 减去 a，事件 d 的时长未知。

6.Session 初始事件： Session 内第一次触发的事件。

7.Session 属性： d 处的 Session 属性是指一个 Session 中初始事件的属性。比如一个 Session 的事件序列为 A,B,C；A 事件的操作系统为 iOS，B 事件的操作系统为 Android，C 事件的操作系统为空，则这个 Session 中的 Session 属性操作系统应该是 iOS，是第一个事件对应的操作系统属性值

8.同时并发人数：Session 总体时，可以使用 Session 同时并发人数来计算该时间点同时会在的会话数。

）+维度（）+日期范围筛选+展现形式（折线图、条形图、饼图、面积图、数据表）

三、漏斗分析（会话分析）：

定义：

漏斗模型主要用于分析一个多步骤过程中每一步的转化与流失情况

其中由三个小定义：

1. 步骤：由一个 元事件/虚拟事件 加一个或者多个筛选条件组成，表示一个转化流程中的一个关键性的步骤。
2. 时间范围：在界面上选择的时间范围，是指漏斗的第一个步骤发生的时间范围。
3. 窗口期：用户完成漏斗的时间限制，即只有在这个时间范围内，用户从第一个步骤，行进到最后一个步骤，才能被视为一次成功的转化。

场景：

电商用户通常有以下6个阶段，如何追踪各个步骤的转化率

1. 浏览商品
2. 将商品添加进购物车
3. 结算购物车中的商品
4. 选择送货地址、支付方式
5. 点击付款
6. 完成付款

实例拆解及应用：

创建漏斗（时间范围+窗口期+各步骤事件）+统计指标(总和、均值、最大值、最小值、计数值、去重值)+筛选条件+维度+展示（按不同维度的转化展示）

四、留存分析：

定义：

留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考查进行初始行为后的用户中，有多少人会进行后续行为。这是衡量产品对用户价值高低的重要指标。

场景：

一个新客户在未来的一段时间内是否完成了您期许用户完成的行为？如支付订单。

某个社交产品改进了新注册用户的引导流程，期待改善用户注册后的参与程度，如何验证？

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多使用产品几个月？

查看不同月份投放资源在后续月份持续转化或者交易情况

实例拆解及应用：

确认初始行为及后续行为（1.初始行为选择用户只触发一次的事件，比如“注册”、“上传头像”、“激活设备”等，后续行为选择你期望用户重复触发的事件，比如“阅读文章”、“发帖”、“购买”等。这种留存用于对比分析不同阶段开始使用产品的新用户的参与情况，从而评估产品迭代或运营策略调整的得失。2.初始行为和后续行为选择相同的，期待用户重复触发的事件。这种留存用于分析忠实用户的使用模式。）+

筛选条件+维度分组()+

关联属性（初始行为事件和后续行为事件的属性进行关联。不同事件关联的属性可以是相同属性，也可以是不同属性，但是要求属性的类型必须一致）+

时间范围+留存时间维度（7日、30日）+留存/流失+展示（表格/趋势线）

五、分布分析（会话分析）：

定义：

某个事件指标的用户分布情况。

日活只能告诉你用户数的变化，分布分析却能揭示单个用户对产品依赖程度的变化。比如某产品虽然三月和四月期间活跃用户量没有明显增长，但是用户关键行为（比如下单，或发布内容）的频率却显著增加，说明产品对于用户的价值增加了。反之，如果虽然日活增长很快，但是行为发生频率却在相比之前较低的水平，很有可能新增加的活跃用户并未真正感受到产品价值。

场景：

查看订单金额在 100 元以下、100 元至 200 元、200 元以上三个区间的用户分布情况。

通知策略调整前后，用户每天使用产品次数是否增加？

假设每天使用 3 次以上某关键功能的用户算作核心用户，那么核心用户的成分变化趋势如何？

实例拆解及应用：

事件+指标（小时数、天数等时间单位/总和、均值、最大值、最小值、去重数。）+筛选+维度分组+时间范围+分布

六、LTV分析

定义：

用户生命周期价值（Life Time Value，LTV），即用户在生命周期中贡献的商业价值。LTV 分析是一种分析用户商业价值的分析模型，可分析特定日期访问的用户群体，在一定时长内所贡献的人均价值。

场景：

LTV 分析可以帮助回答以下问题：

哪个渠道来的用户带来的人均价值更高？用户贡献的价值是否高于用户获取的成本？运营活动是否带来了显著的收益？用户的人均价值是否有所提升？运营活动到底是好还是坏？游戏产品是否能够带来足够的人均消费来覆盖开发成本？玩家价值会在多久之后趋于稳定？哪个用户群体是我们产品的高价值人群？这些客户有怎样的特征？

典型案例：9月10日注册的新用户，在 30 天的人均充值金额（LTV 30）是多少？

计算过程：

1. 通过初始时间（9月10日）和事件（注册）来锁定新用户的用户群体；
2. 计算用户群体从初始时间（9月10日）起 LTV 时长（30 天）内的累计充值金额；
3. 用累计充值金额除以初始人数（9月10日注册的用户数）得到 LTV 30。

实例拆解及应用：

初始事件/初始时间+营收事件（金额、比例设置）+筛选条件+维度分组+

展示：趋势视图+图表+对比视图（不同LTV随初始日期的变化）+对比图表（趋势视图可变更为预测视图）

LTV分析与留存分析的不同点

LTV 分析计算的是累计人均值。留存分析中也可以计算阶段累计人均值，也能用于计算 LTV。但两者在计算口径上是有区别的。共有三个差异点。

1. 初始用户群体的不同点：留存分析中，只要用户发生了初始事件，就会计入到对应的初始日期中。LTV 分析中一个人有多次初始事件时，这个用户只会计入初始事件发生最早的那天。
2. 留存用户群体的不同点：留存分析中计算的是留存用户的累计人均值。当留存分析中的后续事件不是营收事件时，计算的留存用户群体会和 LTV 分析不相同。 LTV 分析中计算的是初始用户中发生营收事件的用户。
3. 首日事件发生的先后顺序：留存分析中，第 0 日/周/月的计算中，是不区分初始行为和后续行为的先后顺序的，因此当日内后续行为早于初始行为，也会计入留存用户群体。 LTV 分析中，只有营收事件不早于初始事件才会算进营收。

七、归因分析

定义：

在业务需求中，横岭某个广告位、推广位对目标事件的转化上的贡献程度叫做归因分析，归因分析中有三个关键词：归因事件、目标事件、归因模型，以下做个详细介绍

归因事件：因子事件，可能对目标转化有贡献的事件

5类归因模型：1.首次触点模型：多个「待归因事件」对同一个「目标转化事件」作出贡献时，认为第一个「待归因事件」功劳为 100% 。

2.末次触点归因：多个「待归因事件」对同一个「目标转化事件」作出贡献时，认为最后一个「待归因事件」功劳为 100% 。

3.线性归因：多个「待归因事件」对同一个「目标转化事件」作出贡献时，认为每个「待归因事件」平均分配此次功劳。

4.位置归因：多个「待归因事件」对同一个「目标转化事件」作出贡献时，认为第一个和最后一个「待归因事件」各占 40% 功劳，其余「待归因事件」平分剩余的 20% 功劳。

5.时间衰减归因：多个「待归因事件」对同一个「目标转化事件」作出贡献时，认为越靠近「目标转化事件」做出的贡献越大。

目标事件：选择产品的目标事件，一般为与收益相关的事件，如：提交订单详情、支付...也可以添加前向事件进行组合，前向事件一般为与目标事件的强相关事件，比如说在支付前选取加入购物车等

场景：

如下图，目标事件为提交订单，归因事件包含 广告点击、搜索等各个触点

实例拆解及应用：

归因事件+归因模型+目标事件+归因时间窗口期+筛选条件+表展示

指标解释说明：

• 总点击数：在选择的时间范围内（额外增加上窗口期），该广告位的总点击数量。
• 有效转化点击率：在选择的时间范围内（额外增加上窗口期），与本次的目标转化有关联的广告点击。
• 比如：设置目标为支付订单，回溯时长为 1 天，若 3 日前点击了广告，则不会被判定为有效转化。

20210712 更新归因分析