常見的9種大數(shù)據(jù)分析模型分別為：
事件分析、
屬性分析、
渠道分析、
Session分析、
留存分析、
歸因分析、
漏斗分析、
路徑分析、
分布分析

1、【事件分析】
事件分析，是指用戶在 APP、網(wǎng)站等應用上發(fā)生的行為，即何人，何時，何地，通過何種方式，做了什么事。
事件分析模型主要用于分析用戶在應用上的行為，比如打開 APP、注冊、登錄、支付訂單等。通過觸發(fā)用戶數(shù)、觸發(fā)次數(shù)、訪問時長等基礎指標度量用戶行為，同時也支持指標運算，構建復雜的指標衡量業(yè)務過程。
那么，事件分析模型能夠解決哪些問題呢？
例如：
監(jiān)測產(chǎn)品每天的用戶數(shù)、訪問次數(shù)、使用時長；趨勢是否發(fā)生了變化？
引起變化的因素有哪些？
北京地區(qū)的用戶和上海地區(qū)的用戶，購買家電品類的金額分布差異在哪里？
今天在產(chǎn)品中發(fā)起了一個話題，各個時段用戶的參與情況如何？
最近半年付費用戶數(shù)和 ARPU 值是多少？

事件分析模型能夠?qū)崟r監(jiān)測用戶在不同平臺的用戶行為，通過不同維度歸因指標變化因素，還能通過自定義指標組合成新的指標實現(xiàn)更為強大的分析能力。

2、【屬性分析】
屬性分析是基于用戶自定義屬性或預置屬性的占比分析，能夠按照不同的屬性來統(tǒng)計用戶數(shù)等指標的屬性占比，進而得到初步的分析結(jié)論。例如，通過對性別屬性的用戶數(shù)占比分析，我們可以快速得到不同性別的用戶數(shù)統(tǒng)計結(jié)果。

通過屬性分析，可以快速查看在不同屬性上的用戶數(shù)分布情況，便于統(tǒng)計不同特征的用戶總量，在使用屬性分析的過程中，需要合理選擇度量方式，常用的度量方式包括：用戶數(shù)、去重數(shù)、總和、最大值、最小值、均值等。

例如：我們選擇的指標為“累計消費金額的均值”，維度為“會員等級”，用戶選擇“所有用戶”，那么我們得到的結(jié)果是“所有不同會員等級用戶的平均消費金額是多少”。

屬性分析模型同事件分析模型類似，可以進行多維度多用戶之間的對比、多種圖表形式展示統(tǒng)計結(jié)果。在有標簽功能的場景下，還可以對不同版本標簽的統(tǒng)計對比分析。

3、【渠道分析】

渠道，即企業(yè)（產(chǎn)品）與用戶產(chǎn)生互動的各個觸點，比如搜索引擎、社交媒體、廣告平臺、線下站會等等。

渠道分析模型用于分析用戶（包括訪客）的訪問來源，通過訪問用戶數(shù)、訪問次數(shù)、訪問時長、跳出率等基礎指標評估渠道質(zhì)量，同時也支持自定義轉(zhuǎn)化目標衡量渠道的轉(zhuǎn)化效果。

那么，渠道分析能夠解決哪些問題呢？
例如：
各個渠道實時的訪問用戶數(shù)、瀏覽量如何？
上周選擇了多個渠道對網(wǎng)站進行推廣，各個渠道帶來的用戶注冊量如何？
社交媒體、搜索引擎、外部鏈接……哪個渠道帶來的用戶留存率更高？
微信來源用戶更多集中在公眾號還是朋友圈？
哪些搜索詞帶來的流量很大，且轉(zhuǎn)化效果也好？

渠道分析模型通過定義基礎指標和轉(zhuǎn)化指標、選擇分析平臺、渠道維度，就能夠清晰地呈現(xiàn)各渠道表現(xiàn)，從而評估不同渠道的實際產(chǎn)出效果，最終選擇優(yōu)質(zhì)渠道組合，提高整體ROI。

4、【Session分析】
Session，即會話，是指在指定的時間段內(nèi)在網(wǎng)站/H5/小程序/APP上發(fā)生的一系列用戶行為的集合。
例如，一次會話可以包含多個頁面瀏覽、交互事件等。Session 是具備時間屬性的，根據(jù)不同的切割規(guī)則，可以生成不同長度的 Session。

Session分析模型含多種度量 Session 訪問質(zhì)量的指標，包括訪問次數(shù)、人均訪問次數(shù)、總訪問時長、單次訪問時長、單次訪問深度、跳出次數(shù)、跳出率、退出次數(shù)、退出率、人均訪問時長、總頁面停留時長、平均頁面停留時長。

不同于事件分析，Session 分析中額外支持了一些維度的細分，以滿足特定場景下針對 Session 分析的需求，包括：

渠道來源分組：用以區(qū)分每次訪問的渠道來源，僅適用于 Web/H5/小程序；
瀏覽頁面數(shù)：以步長5為間隔，統(tǒng)計每次瀏覽頁面數(shù)的分布情況；
著陸頁：用以區(qū)分每次訪問的著陸頁，可以評價不同著陸頁的訪問質(zhì)量；
退出頁：用以區(qū)分每次訪問的退出頁，可以評價不同頁面的退出情況，找到退出率高的頁面進行優(yōu)化；
訪問時長：按照 0-3 secs，3-10 secs，10-30 secs，30-60 secs，1-3 mins，3-10 mins，10-30 mins，30-60 mins，1 hour 以上的區(qū)間進行劃分，統(tǒng)計每次訪問的時長分布。

同事件分析類似，Session 分析也支持多指標、多維度和多過濾條件，同時也支持多用戶分群之間的橫向?qū)Ρ?。同時在 Session 分析中，還支持按照日、周、月三種不同粒度來進行統(tǒng)計分析，用戶可以根據(jù)查詢數(shù)據(jù)的時間跨度來選擇合適的粒度進行分析。

5、【留存分析 】
留存分析 留存是指用戶在 APP、網(wǎng)站等應用上使用過，并一段時間后仍有使用。

留存分析模型是一種衡量用戶健康度/參與度的方法，超越下載量、DAU 等指標，深入了解用戶的留存和流失狀況，發(fā)現(xiàn)影響產(chǎn)品可持續(xù)增長的關鍵因素，指導市場決策、產(chǎn)品改進、提升用戶價值等。

那么，留存分析模型能夠解決哪些問題呢？
例如：
上個月做了一次產(chǎn)品迭代，如何評估其效果？
是否完成了產(chǎn)品經(jīng)理期望完成的行為？
作為一個社交 APP，在注冊后不添加好友和添加 10 個好友的用戶后續(xù)留存有差異嗎？
短期留存低，長期留存一定很差嗎？
兩個推廣渠道帶來不同的用戶，哪個渠道的用戶更有可能是的高價值用戶？
近 30 天注冊的用戶，半個月都沒有回訪的用戶比例是多少？

留存分析模型支持條件過濾和多人群的對比分析，支持對全量數(shù)據(jù)隨機抽樣計算。同時我們還可以通過留存分析判斷新用戶在幾天、幾周、幾月后是否愿意回來使用你的功能，還可自定義初始行為和結(jié)束行為進行功能留存分析。

留存是基于某個用戶群體的初始行為時間來計算的，描述發(fā)生了某個行為的同期群，在一段時間后是否發(fā)生了期望的行為。初始行為和后續(xù)行為均可以是任意事件或者某個具體的事件。

不同的分析場景中可以設置多個不同的留存條件來分析：
初始行為和后續(xù)行為設置為相同，對比不同的功能重復發(fā)生的情況，發(fā)現(xiàn)用戶對不同功能的使用粘性；
初始行為相同，設置不同的后續(xù)行為，對比同一個優(yōu)化是否對其他功能有不同的影響；
后續(xù)行為相同，設置不同的初始行為，對比發(fā)現(xiàn)不同的運營手段、產(chǎn)品功能對核心業(yè)務目標的影響。

6、【歸因分析】
歸因分析 在做運營活動時，我們可能會在產(chǎn)品內(nèi)的多個運營位上投放活動素材，試圖在用戶與產(chǎn)品交互過程中的各個觸點上，吸引用戶的注意力，引導流量走向和用戶行為，促成最終轉(zhuǎn)化。此外，用戶本身可能還會通過搜索、內(nèi)容推薦等觸點獲取信息，這些觸點對用戶是否能達成轉(zhuǎn)化也發(fā)揮著重要作用。
也就是說，在用戶轉(zhuǎn)化路徑上，站內(nèi)的眾多觸點都參與了對用戶的勸說和引導，影響了用戶的最終決策。那么，對比各個用戶觸點，它們對關鍵指標的達成分別貢獻了多大力量，是否都如運營人員所預期的那樣，具有優(yōu)秀的轉(zhuǎn)化能力；亦或者，存在被低估的情況？在之后的運營中，該如何調(diào)整對各運營位資源投入的權重分配？

對于以上問題，歸因分析提供了一種直觀的度量 —— 轉(zhuǎn)化貢獻度，主要用于衡量和評估站內(nèi)的用戶觸點對總體轉(zhuǎn)化目標達成（如訂單總金額）所作出的貢獻，可以非常直接地量化每個運營位和觸點的轉(zhuǎn)化效果和價值貢獻。常見的歸因分析模型有以下五種

首次觸點歸因：
將轉(zhuǎn)化功勞 100% 歸于首次互動的待歸因事件；
末次觸點歸因：將轉(zhuǎn)化功勞 100% 歸于末次互動的待歸因事件；
線性歸因：將轉(zhuǎn)化功勞平均分配給轉(zhuǎn)化路徑上的所有待歸因事件；
位置歸因：按待歸因事件在轉(zhuǎn)化路徑上的位置分配轉(zhuǎn)化功勞，一般首次和末次互動的事件各占 40%，中間觸點的事件均分剩余的 20%； 時間衰減歸因：按待歸因事件發(fā)生的時間順序，分配轉(zhuǎn)化功勞，距離目標事件發(fā)生時間越近的待歸因事件，做出的貢獻越大，分配到的功勞越多。

7、【路徑分析】
路徑分析 路徑是指用戶在應用中使用的行為軌跡。在產(chǎn)品運營過程中，無論是產(chǎn)品、運營還是市場團隊都希望能夠清晰地了解用戶行為路徑，來驗證運營思路、指導產(chǎn)品迭代優(yōu)化，達到用戶增長、轉(zhuǎn)化的最終目的。

當有明確的轉(zhuǎn)化路徑時，通過預先建立漏斗來監(jiān)測轉(zhuǎn)化率會比較容易。但是很多情況下，雖然有最終的轉(zhuǎn)化目標，但是用戶到達該目標卻有多條路徑，無法確定哪條路徑是用戶走得最多的路徑，哪條轉(zhuǎn)化路徑最短，這時候就需要智能路徑分析模型的幫助。

通過智能路徑分析模型能夠解決如下問題：

用戶主要是從哪條路徑最終形成支付轉(zhuǎn)化的？
用戶離開預想的路徑后，實際走向是什么？
不同特征的用戶行為路徑有什么差異？

8、【漏斗分析】
漏斗分析，是分析用戶使用某項業(yè)務時，經(jīng)過一系列步驟轉(zhuǎn)化效果的方法。漏斗分析模型能夠靈活自定義多步驟之間的轉(zhuǎn)化過程，找到關鍵流失環(huán)節(jié)及影響因素，進而分析用戶行為進行針對性優(yōu)化動作。

官網(wǎng)流量很大，但注冊用戶很少，是過程中哪個環(huán)節(jié)出了問題？
用戶從“注冊 – 綁卡 - 提交訂單 - 支付訂單” 總體轉(zhuǎn)化率如何？
不同地區(qū)的用戶支付轉(zhuǎn)化率有什么差異？
兩個推廣渠道帶來了不同的用戶，哪個渠道的注冊轉(zhuǎn)化率高？
上周針對注冊環(huán)節(jié)的問題做了一次優(yōu)化，轉(zhuǎn)化率趨勢是否有提升？

在理想情況下，用戶會沿著產(chǎn)品設計的路徑到達最終目標事件，但實際情況是用戶行為路徑是多種多樣的。通過埋點事件配置關鍵業(yè)務路徑，可以分析多種業(yè)務場景下轉(zhuǎn)化和流失的情況，我們不僅找出產(chǎn)品潛在問題的位置，還可以定位每個環(huán)節(jié)流失用戶，進而定向營銷促轉(zhuǎn)化。

9、【分布分析】
分布分析主要能夠提供「維度指標化」之后的數(shù)據(jù)分解能力，將原有維度按照一定的數(shù)值區(qū)間進行維度劃分，進而分析每個維度區(qū)間的分布情況，在以下分析場景中十分常見：分析訂單的金額分布、分析某類特殊事件的發(fā)生時段分布、分析某類特殊事件的發(fā)生次數(shù)分布、分析觸發(fā)某類事件的用戶年齡分布。

由此可見，分布分析主要針對的是數(shù)值型和日期型這兩類屬性，如金額、年齡、時間、頻次，因此當用戶打點上傳的數(shù)據(jù)中包括這兩類屬性時，那么在日常的分析中就有可能會使用分布分析來解決一些特定問題。常用指標有：X 事件的次數(shù)分布、X 事件的活躍時段分布、X 事件的活躍天數(shù)分布、X 事件 Y 屬性的總和/均值/人均值等分布。