數據分析中有哪些常見的數據模型？

如題，數據分析中有哪些數據模型可以直接使用，特別是對於一些互聯網平台而言的產品，主要是最近想提升產品的銷量，希望各位大神能夠給予一點參考~~~

---

剛註冊知乎，第一次回答問題，請各位多多關照。常見數據分析模型較多，列舉其中常見的八種供樓主參考：

1、行為事件分析

行為事件分析法來研究某行為事件的發生對企業組織價值的影響以及影響程度。企業藉此來追蹤或記錄的用戶行為或業務過程，如用戶註冊、瀏覽產品詳情頁、成功投資、提現等，通過研究與事件發生關聯的所有因素來挖掘用戶行為事件背後的原因、交互影響等。

在日常工作中，運營、市場、產品、數據分析師根據實際工作情況而關注不同的事件指標。如最近三個月來自哪個渠道的用戶註冊量最高？變化趨勢如何？各時段的人均充值金額是分別多少？上周來自北京發生過購買行為的獨立用戶數，按照年齡段的分布情況？每天的獨立 Session 數是多少？諸如此類的指標查看的過程中，行為事件分析起到重要作用。

行為事件分析法具有強大的篩選、分組和聚合能力，邏輯清晰且使用簡單，已被廣泛應用。行為事件分析法一般經過事件定義與選擇、下鑽分析、解釋與結論等環節。

2、漏斗分析模型

漏斗分析是一套流程分析，它能夠科學反映用戶行為狀態以及從起點到終點各階段用戶轉化率情況的重要分析模型。

漏斗分析模型已經廣泛應用於流量監控、產品目標轉化等日常數據運營工作中。例如在一款產品服務平台中，直播用戶從激活APP開始到花費，一般的用戶購物路徑為激活APP、註冊賬號、進入直播間、互動行為、禮物花費五大階段，漏斗能夠展現出各個階段的轉化率，通過漏斗各環節相關數據的比較,能夠直觀地發現和說明問題所在，從而找到優化方向。對於業務流程相對規範、周期較長、環節較多的流程分析,能夠直觀地發現和說明問題所在。

3、留存分析模型

留存分析是一種用來分析用戶參與情況/活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行後續行為。這是用來衡量產品對用戶價值高低的重要方法。留存分析可以幫助回答以下問題：

一個新客戶在未來的一段時間內是否完成了您期許用戶完成的行為？如支付訂單等；某個社交產品改進了新註冊用戶的引導流程，期待改善用戶註冊後的參與程度，如何驗證？想判斷某項產品改動是否奏效，如新增了一個邀請好友的功能，觀察是否有人因新增功能而多使用產品幾個月？

4、分布分析模型

分布分析是用戶在特定指標下的頻次、總額等的歸類展現。它可以展現出單用戶對產品的依賴程度，分析客戶在不同地區、不同時段所購買的不同類型的產品數量、購買頻次等，幫助運營人員了解當前的客戶狀態，以及客戶的運轉情況。如訂單金額（100 以下區間、100 元 - 200元區間、200 元以上區間等）、購買次數（5 次以下、5 - 10次、10 以上）等用戶的分布情況。

分布分析模型的功能與價值：科學的分布分析模型支持按時間、次數、事件指標進行用戶條件篩選及數據統計。為不同角色的人員統計用戶在一天/周/月中，有多少個自然時間段（小時/天）進行了某項操作、進行某項操作的次數、進行事件指標。

5、點擊分析模型

即應用一種特殊高亮的顏色形式，顯示頁面或頁面組（結構相同的頁面，如商品詳情頁、官網博客等）區域中不同元素點擊密度的圖示。包括元素被點擊的次數、佔比、發生點擊的用戶列表、按鈕的當前與歷史內容等因素。

點擊圖是點擊分析方法的效果呈現。點擊分析具有分析過程高效、靈活、易用，效果直觀的特點。點擊分析採用可視化的設計思想與架構，簡潔直觀的操作方式，直觀呈現訪客熱衷的區域，幫助運營人員或管理者評估網頁的設計的科學性。

6、用戶行為路徑分析模型

用戶路徑分析，顧名思義，用戶在APP或網站中的訪問行為路徑。為了衡量網站優化的效果或營銷推廣的效果，以及了解用戶行為偏好，時常要對訪問路徑的轉換數據進行分析。

以電商為例，買家從登錄網站／APP到支付成功要經過首頁瀏覽、搜索商品、加入購物車、提交訂單、支付訂單等過程。而在用戶真實的選購過程是一個交纏反覆的過程，例如提交訂單後，用戶可能會返回首頁繼續搜索商品，也可能去取消訂單，每一個路徑背後都有不同的動機。與其他分析模型配合進行深入分析後，能為找到快速用戶動機，從而引領用戶走向最優路徑或者期望中的路徑。

7、用戶分群分析模型

用戶分群即用戶信息標籤化，通過用戶的歷史行為路徑、行為特徵、偏好等屬性，將具有相同屬性的用戶劃分為一個群體，並進行後續分析。我們通過漏斗分析可以看到，用戶在不同階段所表現出的行為是不同的，譬如新用戶的關注點在哪裡？已購用戶什麼情況下會再次付費？因為群體特徵不同，行為會有很大差別，因此可以根據歷史數據將用戶進行劃分，進而再次觀察該群體的具體行為。這就是用戶分群的原理。

8、屬性分析模型

顧名思義，根據用戶自身屬性對用戶進行分類與統計分析，比如查看用戶數量在註冊時間上的變化趨勢、查看用戶按省份的分布情況。用戶屬性會涉及到用戶信息，如姓名、年齡、家庭、婚姻狀況、性別、最高教育程度等自然信息；也有產品相關屬性，如用戶常駐省市、用戶等級、用戶首次訪問渠道來源等。

屬性分析模型的價值是什麼？一座房子的面積無法全面衡量其價值大小，而房子的位置、風格、是否學區、交通環境更是相關的屬性。同樣，用戶各維度屬性都是進行全面衡量用戶畫像的不可或缺的內容。

屬性分析主要價值在：豐富用戶畫像維度，讓用戶行為洞察粒度更細緻。科學的屬性分析方法，可以對於所有類型的屬性都可以將「去重數」作為分析指標，對於數值類型的屬性可以將「總和」「均值」「最大值」「最小值」作為分析指標；可以添加多個維度，沒有維度時無法展示圖形，數字類型的維度可以自定義區間，方便進行更加精細化的分析。

……先寫這麼多，有興趣的朋友求關注，以後在知乎賬號內進行詳解，謝謝大家……

---

之前的答案居然被人無恥地舉報了，賬號還被莫名其妙地封了，這裡不評價知乎團隊，起碼還有很多優質的用戶。

鑒於之前贊數還是很多的，挺多人關注的，這裡我又把答案拋開出來。

----------------------------------------------------------------------------

要進行一次完整的數據分析，首先要明確數據分析思路，如從那幾個方面開展數據分析，各方面都包含什麼內容或指標。是分析框架，給出分析工作的宏觀框架，根據框架中包含的內容，再運用具體的分析方法進行分析。

數據分析方法論的作用：

• 理順分析思路，確保數據分析結構體系化
• 把問題分解成相關聯的部分，並顯示他們的關係
• 為後續數據分析的開展指引方向
• 確保分析結果的有效性和正確性

五大數據分析模型

1.PEST分析模型

政治環境：

包括一個國家的社會制度，執政黨性質，政府的方針、政策、法令等。不同的政治環境對行業發展有不同的影響。

• 關鍵指標

政治體制，經濟體制，財政政策，稅收政策，產業政策，投資政策，專利數量，國防開支水平，政府補貼水平，民眾對政治的參與度。

經濟環境：

宏觀和微觀兩個方面。

宏觀：一個國家國民收入，國民生產總值以及變化情況，以通過這些指標反應國民經濟發展水平和發展速度。

微觀：企業所在地區的消費者收入水平、消費偏好、儲蓄情況、就業程度等因素，這些因素決定著企業目前以及未來的市場大小。

• 關鍵指標

GDP及增長率、進出口總額及增長率、利率、匯率、通貨膨脹率、消費價格指數、居民可支配收入、失業率、勞動生產率等。

社會環境：

包括一個國家或地區的居民受教育程度和文化水平、宗教信仰、風俗習慣、審美觀點、價值觀等。文化水平營銷居民的需求層次，宗教信仰和風俗習慣會禁止或抵制某些活動的進行，價值觀會影響居民對組織目標和組織活動存在本身的認可，審美觀點則會影響人們對組織活動內容、活動方式以及活動成果的態度。

• 關鍵指標

人口規模、性別比例、年齡結構、出生率、死亡率、種族結構、婦女生育率、生活方式、購買習慣、教育狀況、城市特點、宗教信仰狀況等因素。

技術環境：

企業所處領域直接相關的技術手段發展變化，國家隊科技開發的投資和支持重點，該領域技術發展動態和研究開發費用總額，技術轉移和技術商品化速度，專利及其保護情況。

• 關鍵指標

新技術的發明和進展、折舊和報廢速度、技術更新速度、技術傳播速度、技術商品化速度、國家重點支持項目、國家投入的研發費用、專利個數、專利保護情況。

2.5W2H模型

5W2H分析法主要針對5個W以及2個H提出的7個關鍵詞進行數據指標的選取，根據選取的數據進行分析

3.邏輯樹分析模型

將問題的所有子問題分層羅列，從最高層開始，並逐步向下擴展。

把一個已知問題當作樹榦，考慮這個問題和哪些問題有關，將相關的問題作為樹枝加入到樹榦，一次類推，就會將問題擴展成一個問題樹。

邏輯樹能保證解決問題的過程完整性，將工作細化成便於操作的具體任務，確定各部分優先順序，明確責任到個人。

邏輯樹分析法三原則：

• 要素化：把相同問題總結歸納成要素
• 框架化：將各個要素組成框架，遵守不重不漏原則
• 關聯化：框架內的各要素保持必要的相互關係，簡單而不孤立

• 

  4.4P營銷理論模型

  

  產品：

  能提供給市場，被人們使用和消費並滿足人們某種需求的任何東西，包括有形產品、服務、人員、組織、觀念和它們的組合。

  價格：

  購買產品時的價格，包括基本價格、折扣價格、支付期限等。影響價格的主要因素有需求、成本和競爭。

  渠道：

  產品從生產企業流轉到用戶手上全過程所經歷的各個環節。

  促銷：

  企業通過銷售行為的改變來激勵用戶消費，以短期的行為促進消費的增長，吸引其他品牌用戶或導致提錢消費來促進銷售增長。

  

  5.用戶行為模型

  用戶行為指用戶為獲取、使用產品或服務才去的各種行動，首先要認知熟悉，然後試用，再決定是否繼續消費使用，最後成為產品或服務的忠實用戶。

  行為軌跡：認知-&>熟悉-&>試用-&>使用-&>忠誠

  

  最後

  五大數據分析模型的應用場景根據數據分析所選取的指標不同也有所區別。

  PEST分析模型主要針對宏觀市場環境進行分析，從政治、經濟、社會以及技術四個維度對產品或服務是否適合進入市場進行數據化的分析，最終得到結論，輔助判斷產品或服務是否滿足大環境。

  5W2H分析模型的應用場景較廣，可用於對用戶行為進行分析以及產品業務分析。

  邏輯樹分析模型主要針對已知問題進行分析，通過對已知問題的細化分析，通過分析結論找到問題的最優解決方案。

  4P營銷理論模型主要用於公司或其中某一個產品線的整體運營情況分析，通過分析結論，輔助決策近期運營計劃與方案。

  用戶行為分析模型應用場景比較單一，完全針對用戶的行為進行研究分析。

  當然，最後還是要說，模型只是前人總結出的方式方法，對於我們實際工作中解決問題有引導作用，但是不可否認，具體問題還要具體分析，針對不同的情況需要進行不同的改進，希望成為一個數據專家，最重要的一點還是多實踐！實踐才是真理！

---

數據模型可以從數據和業務兩個角度做區分。

一、數據模型

數據角度的模型一般指的是統計或數據挖掘、機器學習、人工智慧等類型的模型，是純粹從科學角度出發定義的。

1. 降維

在面對海量數據或大數據進行數據挖掘時，通常會面臨「維度災難」，原因是數據集的維度可以不斷增加直至無窮多，但計算機的處理能力和速度卻是有限的；另外，數據集的大量維度之間可能存在共線性的關係，這會直接導致學習模型的健壯性不夠，甚至很多時候演算法結果會失效。因此，我們需要降低維度數量並降低維度間共線性影響。

數據降維也被成為數據歸約或數據約減，其目的是減少參與數據計算和建模維度的數量。數據降維的思路有兩類：一類是基於特徵選擇的降維，一類是是基於維度轉換的降維。

2. 回歸

回歸是研究自變數x對因變數y影響的一種數據分析方法。最簡單的回歸模型是一元線性回歸（只包括一個自變數和一個因變數，且二者的關係可用一條直線近似表示），可以表示為Y=β0+β1x+ε，其中Y為因變數，x為自變數，β1為影響係數，β0為截距，ε為隨機誤差。

回歸分析按照自變數的個數分為一元回歸模型和多元回歸模型；按照影響是否線性分為線性回歸和非線性回歸。

3. 聚類

聚類是數據挖掘和計算中的基本任務，聚類是將大量數據集中具有「相似」特徵的數據點劃分為統一類別，並最終生成多個類的方法。聚類分析的基本思想是「物以類聚、人以群分」，因此大量的數據集中必然存在相似的數據點，基於這個假設就可以將數據區分出來，並發現每個數據集（分類）的特徵。

4. 分類

分類演算法通過對已知類別訓練集的計算和分析，從中發現類別規則，以此預測新數據的類別的一類演算法。分類演算法是解決分類問題的方法，是數據挖掘、機器學習和模式識別中一個重要的研究領域。

5. 關聯

關聯規則學習通過尋找最能夠解釋數據變數之間關係的規則，來找出大量多元數據集中有用的關聯規則，它是從大量數據中發現多種數據之間關係的一種方法，另外，它還可以基於時間序列對多種數據間的關係進行挖掘。關聯分析的典型案例是「啤酒和尿布」的捆綁銷售，即買了尿布的用戶還會一起買啤酒。

6. 時間序列

時間序列是用來研究數據隨時間變化趨勢而變化的一類演算法，它是一種常用的回歸預測方法。它的原理是事物的連續性，所謂連續性是指客觀事物的發展具有合乎規律的連續性，事物發展是按照它本身固有的規律進行的。在一定條件下，只要規律賴以發生作用的條件不產生質的變化，則事物的基本發展趨勢在未來就還會延續下去。

7. 異常檢測

大多數數據挖掘或數據工作中，異常值都會在數據的預處理過程中被認為是「噪音」而剔除，以避免其對總體數據評估和分析挖掘的影響。但某些情況下，如果數據工作的目標就是圍繞異常值，那麼這些異常值會成為數據工作的焦點。

數據集中的異常數據通常被成為異常點、離群點或孤立點等，典型特徵是這些數據的特徵或規則與大多數數據不一致，呈現出「異常」的特點，而檢測這些數據的方法被稱為異常檢測。

8. 協同過濾

協同過濾（Collaborative Filtering，CF)）是利用集體智慧的一個典型方法，常被用於分辨特定對象（通常是人）可能感興趣的項目（項目可能是商品、資訊、書籍、音樂、帖子等），這些感興趣的內容來源於其他類似人群的興趣和愛好，然後被作為推薦內容推薦給特定對象。

9. 主題模型

主題模型（Topic Model），是提煉出文字中隱含主題的一種建模方法。在統計學中，主題就是辭彙表或特定詞語的詞語概率分布模型。所謂主題，是文字（文章、話語、句子）所表達的中心思想或核心概念。

10. 路徑、漏斗、歸因模型

路徑分析、漏斗分析、歸因分析和熱力圖分析原本是網站數據分析的常用分析方法，但隨著認知計算、機器學習、深度學習等方法的應用，原本很難衡量的線下用戶行為正在被識別、分析、關聯、打通，使得這些方法也可以應用到線下客戶行為和轉化分析。

二、業務模型

業務模型指的是針對某個業務場景而定義的，用於解決問題的一些模型，這些模型跟上面模型的區別在於場景化的應用。

1.會員數據化運營分析模型

會員細分模型、會員價值度模型、會員活躍度模型、會員流失預測模型、會員特徵分析模型和營銷響應預測模型

2.商品數據化運營分析模型

商品價格敏感度模型、新產品市場定位模型、銷售預測模型、商品關聯銷售模型、異常訂單檢測模型、商品規劃的最優組合

3.流量數據化運營分析模型

流量波動檢測、渠道特徵聚類、廣告整合傳播模型、流量預測模型。

4.內容數據化運營分析模型

情感分析模型、搜索優化模型、文章關鍵字模型、主題模型、垃圾信息檢測模型。

---

我覺得有必要先簡單普及一下模型的概念，以及模型的分類，畢竟題主問的是數據分析中的數據模型，不是有的答案中提到的分析模型，不是程序模型、不是邏輯模型~

模型是指對於某個實際問題或客觀事物、規律進行抽象後的一種形式化表達方式。任何模型都有三個部分組成：目標、變數和關係。其實都比較容易理解：

目標：這個模型是幹嘛用的，要解決什麼問題

變數：自變數、因變數、中介變數（可自行百度），總之就是，明確變數，改變變數，即可直接呈現結果，實現目標。

關係：可以理解為對目標和變數進行組織。

回到問題，現在最常用的數據分析模型有以下幾種，部分模型有人已經提到了，但可能還不是很深刻， 而且這些模型，其實也在不斷的優化，並且又有了一些新特性。

1、事件模型：

用戶在產品上的行為（所有和代碼的交互）都是會被記錄的，怎麼標記是事件模型的核心，他是漏斗模型、自定義留存模型、權行為路徑分析模型的基礎哦~

過去：同樣都是事件模型，過去只記事件，100個商品有100個詳情頁面，可能就得記錄100個事件，

現在：我們採用的是事件、屬性、值的採集方式。把100個事件結構化以後變成了1個。用戶進入商品詳情頁是一個事件，進入哪個商品的詳情頁用屬性和值來標記了。事件、屬性的名稱可以自定義，值是變數。

當把用戶行為抽象成事件之後就是分析的事兒了，對應一些可視化分析模型，比如事件的對比、屬性值分布，計算某一行為觸發的人數、次數、人均次數、活躍比等並用折現圖、柱形圖進行表達。

2、漏斗分析模型

漏斗是最最最常用也是最經典的模型~他可以理解為一組轉化的最終轉化率，是由一組事件計算出來的。

在漏斗分析中，很多人最多的疑問是「漏斗統計的每一步是人數還是次數？」「漏斗有沒有轉化時間限定？」，答案是以人數為統計口徑且有轉化時間限定。詳細的可以看諸葛io機構號之前的回復：https://www.zhihu.com/question/30678731/answer/263115879

3、熱圖分析模型

熱圖的目標是能更直觀的分析用戶在頁面上的焦點，不需要定義事件，不需要去對比事件，直接在頁面上通過顏色深淺還原用戶的聚焦位置並形成對比。

過去：分析全量人群的熱力表現

現在：分析特定人群；群組之間進行對比

4、自定義留存分析模型：

自定義功能是目前留存分析的新姿勢。留存被認為是比較高級的一個指標。無論用戶在應用內做了什麼，他打開了訪問了就是一個回訪用戶，但不同產品對留存的用戶有了不同的定義，閱讀類產品定義為用戶查看了文章算是今天的一個留存用戶，電商定義為用戶看了商品詳情算是今天的一個留存用戶，所以有了自定義留存。根據自己的業務特性，靈活分析不同留存判斷條件下的用戶回訪情況：

除了以上四個比較經典並且不斷在優化的模型，在用戶行為數據分析中，其實已經有一些比較好用的分析模型了，畢竟分析這件事，未來會越來越簡單、越來越可視化、智能化：

4、粘性分析模型

粘性是總被提到的，但是很少有個準確的定義並進行量化分析。如下圖：

計算一段時間內，以周、月為單位看用戶不同的訪問天數所佔的百分比。下圖表示，一周訪問大於等於3天的有48.6%

5、新增後

雖然定義為維度更準確，但從某種意義上，還是可以定義為一種分析模型，因為他太好用，不得不提一下：

計算用戶觸發某行為的時間和用戶新增的時間，然後定義為「新增後」，比如，你可以快速找到新增後1天內就付款、新增後30天才付款的用戶，背後其實是對用戶價值的快速衡量；還可以基於此條件，不斷去分群，比如用戶完成一次購買是發生在新增後的7天，30天，還是一個月，快速找到用戶購買的決策周期。

6、全行為路徑分析模型

用戶在產品中的行為其實是個黑盒子，權行為路徑是用全局視野看用戶的行為軌跡，很多時候你會有意想不到的收穫，在可視化的過程中有兩個模型，一個是樹形圖、一個是太陽圖。

7、用戶分群模型

用戶分群其實是最常做的，但是如何把群組劃分這一操作變得更便捷和高效，其實在諸葛，我們進一步優化了這一模型，也足以滿足很多場景下的用戶分群需求：

維度：新增於、活躍於、觸發過什麼行為、用戶屬性滿足什麼條件

時間：絕對時間和相對時間

關係：並且、或者

這七個其實就能解決和分析很多問題了，剩下的其實就是對數據進行靈活的組織，比如，所有模型都可以交易用戶群，而這其中，事件模型其實非常經典，之前服務客戶發現，沒個三次五次的講很多人理解起來還是很困難，但是一旦理解，你會對行為數據的採集分析非常通透，因為漏斗、全行為路徑、自定義留存、粘性模型都是基於事件模型進行的計算和可視化。

以上~

---

數據模型能夠促進業務與技術進行有效溝通，形成對主要業務定義和術語的統一認識，具有跨部門、中性的特徵，可以表達和涵蓋所有的業務。

　　無論是操作型資料庫，還是數據倉庫都需要數據模型組織數據構成，指導數據表設計。或許Linux的創始人Torvalds說的一句話——「爛程序員關心的是代碼，好程序員關心的是數據結構和他們之間的關係」最能夠說明數據模型的重要性。只有數據模型將數據有序的組織和存儲起來之後，大數據才能得到高性能、低成本、高效率、高質量的使用。

　　常見數據建模方法介紹

　　1. ER模型：

　　ER模型是數據倉庫之父Inmon推崇的、從全企業的高度設計一個3NF模型的方法，用實體加關係描述的數據模型描述企業業務架構，在範式理論上符合3NF，站在企業角度面向主題的抽象，而不是針對某個具體業務流程的實體對象關係抽象。它更多是面向數據的整合和一致性治理，正如Inmon所希望達到的「single version of the truth」。

　　ER模型最基本的要素是實體、屬性和關係：

　　實體：具有相同屬性的實體具有相同的特徵和性質，用實體名及其屬性名集合來抽象和刻畫同類實體;

　　關係：數據對象彼此之間的關係;

　　屬性：實體具有的某個特性，一般多個屬性來刻畫某個實體。

　　2. 維度模型：

　　維度模型是數據倉庫領域另一位大師Ralph Kimball 所倡導的。維度建模以分析決策的需求出發構建模型，構建的數據模型為分析需求服務，因此它重點解決用戶如何更快速完成分析需求，同時還有較好的大規模複雜查詢的響應性能，更直接面向業務。典型的代表是我們比較熟知的星形模型，以及在一些特殊場景下適用的雪花模型。

　　維度模型最基本的兩個要素是事實表和維度表：

　　事實表：一般由兩部分組成，維度和度量，通俗的理解為「某人在某個時間什麼條件下做了什麼事情」的事實記錄，它擁有最大的數據量，是業務流程的核心體現。

推薦大家看下：數據模型的概念、分類和應用，相信你一定有興趣！ - 大數據 多智時代

---

針對題主主要想提高產品銷量的目的，我試圖回答一下。我先給出一般的方法論，然後針對具體提高銷量的問題進行分析解答。

首先，一般的方法論：你最應該關注的，可能不只是數據模型，而是一整套數據分析的過程（methodology）:

1. 問題建模（problem formulation), 把你的商業問題轉化為一個數據分析的問題。

2. 針對轉化好的數據分析問題，有針對性的收集數據 （data collection)

3. 檢驗數據的正確性 (data validation)

4. 運用恰當模型分析數據，得出能導致可操作的結論 (data analysis, get actionable insight)

5. 如果4沒能成功，肯定市2，3，4中某一步有問題，返回迭代。(next iteration)

下面針對如何提高銷量的問題，對每一步稍微展開一點。

1. 問題建模。堯提高銷量，顯然要首先理解用戶及潛在用戶。必須對用戶進行分類，針對每一類用戶貨潛在用戶，分析他們的需求特點，消費習慣，消費能力，然後有針對性的進行銷售。因而，這個商業問題可以轉化為這樣一些數據分析的問題。

1.a. 用戶分類 （user segmentation)

1.b. 針對每類用戶，進行需求，消費習慣，消費能力的總結概括。(user behavior analysis, aggregation)

2. 數據收集。要進行用戶分類，必須對每一個用戶或潛在用戶，搜集他們的儘可能多的屬性，簡單的比如，年齡，性別，地域，職業，等等，複雜的，比如購買歷史，等等。

3. 數據檢驗。這個很重要，必須確認你得到的數據是可靠的，否則沒有任何分析的價值，甚至會產生誤導。(garbage in, garbage out)

4. 數據分析。用戶分類有很多現成的方法，一般來講，你可能需要聚類（無監督學習）的方法，如果你沒有標好的數據的話（labeled data)，象K-menas之類。

分類如果做好的話，針對每類用戶，分析總結他們的特點相對比較容易。這時候，你就會分析哪一類用戶商業價值最大，最需要你投入精力，等等。

5. 如果第四步沒能得到有效的結論指導你的銷售策略，就返回2，反思，總結，改進，進行下一輪的迭代。

---

數據分析中， 產品經理經常會用AARRR模型來進行數據分析。著名的《增長黑客》裡面的數據分析基礎，也是以這個模型為基礎的。2A3R理論包括：

• 獲取（Acquisition）：用戶如何發現（並來到）你的產品？
• 激活（Activation）：用戶的第一次使用體驗如何？
• 留存（Retention）：用戶是否還會回到產品（重複使用）？
• 收入（Retention）：產品怎樣（通過用戶）賺錢？
• 傳播（Retention）：用戶是否願意告訴其他用戶？

AARRR用戶運營模型是在海盜理論模型基礎上簡化了，把用戶細分，不同類型的用戶對應的處理方式不同，用戶分為新增、活躍、流失三類，分別對應的業務如下圖：

運營人員需要全面掌握站點、商品、用戶的信息的同時，更重要的是通過對三者的干預來實現運營目標，不論是增加粉絲、拉升銷量還是擴大品牌效應。但是有一點需要我們注意的是，我們實際能直接干預的是站點和商品、對用戶我們基本是通過站點和商品來實現的間接影響。

AARRR模型，一般用作用戶運營分析，解決用戶的問題。但是對各種活動來說， 並不能有效的指導活動，活動針對的是商品和體驗，這一點從99click CEPO標準獲客分析模型中可以體現出。

從CEPO標準獲客分析模型可以看出用戶從看到廣告到註冊成功這一流程，經過5個環節，分別對應不同的數據指標，那用戶對站點的而體驗表現在從吸引，興趣、轉化、引導這些，以內容和體驗為主要，因此站點體驗影響了用戶的轉化。根據這些找出問題所在，並進行優化，達到提升銷量的目的。

---

互聯網產品的銷量，主要是電商的轉化分析模型和AARRR模型，前者針對一個具體用戶的在產品各個環節/里程碑的轉化環節進行診斷，後者針對產品生命周期，進行核心KPI指標的提煉和關鍵目標的拆解，對於精準和精細分析非常有效。

---

個人覺得只有一個帕累托模型（二八定律），其他模型都是邏輯的數據體現，比如漏斗模型是流程分析的體現，決策樹是細分的體現。

---

我想說很多模型在實際中可能有些理論化。

實際上你要提升產品的銷量，關聯因素的確特別多，而且如果論系統的話可能要想很久，我總結了一套業務分析的套路。給您做一個參考。

從外往裡看。

涉及到的元素有：競爭對手的對比、市場總體需求和供應、供應商和下游開發商的情況。以上是外。從內看，存貨、市場細分、客戶細分是否做到飽和了？

---

看產品形式和訴求初衷：

例如WEB端產品：

展現量（快照展現和廣告展現）

點擊量

訪問量

諮詢量

成單量

假如我們訴求初衷是成單量低的原因：我們可以通過幾個維度的數據分析我們網站產品，快速找到出問題的環節，在去找影響的因素，這就是常見的漏斗分析模型。

---

選舉

---

試著回答下題主關於「提升產品的銷量」的疑問

如果沒有數據分析基礎，同樣可以通過最簡單的方式，實現一站式的運營觸達，激勵用戶完成支付行為。無需研發、無需立項、無需等待、無需BI分析師支持，全自助的模式門檻低，效率高。

以之前我司的一個客戶為例：

【項目】某線上預定鮮奶平台，欲提高訂單量

【用戶使用場景還原】用戶將一件商品添加到購物車，有可能經過5分鐘用戶還在網站中但沒有付款；還有可能5分鐘之後用戶沒有完成支付並離開網站，面對這兩種不同的情況，諸葛io可通過不同的手段實現用戶觸達，

比如：給用戶推送一條簡訊，內容可以是「您的某某商品放在購物車，如果現在訂購，我們明天即可送給你」。這只是一個例子，總之，智能觸達就是在適當的時機給用戶一個適當的信息，從而促進用戶轉化。

【解決方案】

1、註冊用戶未購買

註冊成功用戶一天內未創建訂單的，即可通過發送紅包、推送簡訊或者其他方式來刺激並激活用戶。通過諸葛io智能觸達，實現了讓「准流失用戶」再次轉化付費的「神話」，具體是如何操作的呢？

首先，光明隨心訂APP通過諸葛io採集到的用戶行為數據，篩選出在APP上註冊未購買的用戶，考慮到業務場景，已下載APP的用戶一定是有購買意願的，更何況已註冊的用戶，之所以未完成購買行為，很有可能是忘記或者註冊時不方便下單，故通過諸葛io智能觸達平台，創建一個活動：凡觸發了「註冊」事件且在次日未完成訂單支付的用戶，即推送一條簡訊：一個價值128元的紅包已存入您的賬戶，記得儘快使用哦！

【觸達效果】最終將付費轉化率提升近10%，也就是，假設註冊未購買用戶有100人，通過諸葛io自動化的智能觸達後，即有10人完成下單，客單均價如果是400元的話，那麼直接為企業帶來4000元交易額。

總之，運營觸達，在合適的時間給用戶需要的內容從而促進轉化。比如，有些商品的成單是衝動性消費帶來的，當用戶產生衝動時，一定要給他一個信息（刺激），引導他完成下單支付。無需複雜的分析，讓增長即刻看到。

2、創建訂單未支付

用戶創建訂單後2小時內未完成支付，即可通過一條簡訊提醒用戶儘快付款。

3、查看商品未提交

有些用戶可能反覆在查看某一商品，可能登陸了網站或APP好多次，每次都去搜索某些關鍵字，並查看商品詳情頁，可能一天看了3次、5次，但就是沒有下定決心去購買支付。此時，可為用戶推薦同類型產品，通過各種創意來實現轉化。

所以，本質上來說運營觸達包括市場運營，可分為兩部分：

1、諸葛io提供一套科學的方法，基於對用戶行為的衡量，進而確定目標並實現提升。

2、傳統營銷公司主要提供創意內容，而創意與科學的營銷方法密不可分。此前諸葛io服務的一家車企——寶馬。每個月針對寶馬會員推送的EDM創意會有800種之多，即，每個會員可能看到的內容都不太一樣。創意內容是基於會員購買的車系，購買的時間地點、價格，有無金融計劃等屬性，寶馬會提供上百種創意方案。但即使寶馬擁有很棒的創新能力，但如果沒有科學的方法，也是很難評估哪一類創意對哪一類會員最有效。

諸葛io智能觸達的核心邏輯大致包括：先找到一批精準的用戶，所謂精準的用戶，即，先定義出待推薦的產品或服務，然後篩選用戶，男/女、北京/上海，收入，用戶習慣（搜索記錄購買記錄）等。

所以，先找到精準的用戶，然後基於諸葛io的SDK採集到企業官網/APP上的用戶行為數據，最後尋找一個合適的時機（這個時機可能是用戶觸發A行為後，也有可能是用戶做了某一動作之後多長時間再觸發），在一個正確的渠道（簡訊、郵件、APP的推送、電話等多種方式），但每一個方式它適合的場景和最終帶來的轉化率是不一樣的，諸葛io將基於用戶人群的時機和渠道以及最合適的內容去觸達用戶，最後形成一個閉環。

每一次觸達都有量化的衡量，如果有衡量即可有優化，最終的目標是要優化整個流程的效率/效果。總之，整個智能觸達的操作流程很簡單，簡單的拖拽即可實現創建一個智能觸達的活動，並且能直觀的、實時的看到這個活動的最終效果。

---

推薦閱讀：