?01 關(guān)聯(lián)分析 

關(guān)聯(lián)分析，也叫作“購物籃分析”，是一種通過研究用戶消費(fèi)數(shù)據(jù)，將不同商品之間進(jìn)行關(guān)聯(lián)，并挖掘二者之間聯(lián)系的分析方法。

關(guān)聯(lián)分析目的是找到事務(wù)間的關(guān)聯(lián)性，用以指導(dǎo)決策行為。如“67%的顧客在購買啤酒的同時(shí)也會(huì)購買尿布”，因此通過合理的啤酒和尿布的貨架擺放或捆綁銷售可提高超市的服務(wù)質(zhì)量和效益。關(guān)聯(lián)分析在電商分析和零售分析中應(yīng)用相當(dāng)廣泛。

關(guān)聯(lián)分析需要考慮的常見指標(biāo)：

• 支持度：指A商品和B商品同時(shí)被購買的概率，或者說某個(gè)商品組合的購買次數(shù)占總商品購買次數(shù)的比例。
• 置信度：指購買A之后又購買B的條件概率，簡(jiǎn)單說就是因?yàn)橘徺I了A所以購買了B的概率。
• 提升度：先購買A對(duì)購買B的提升作用，用來判斷商品組合方式是否具有實(shí)際價(jià)值。

02  對(duì)比分析 

對(duì)比法就是用兩組或兩組以上的數(shù)據(jù)進(jìn)行比較。對(duì)比法是一種挖掘數(shù)據(jù)規(guī)律的思維，能夠和任何技巧結(jié)合，一次合格的分析一定要用到N次對(duì)比。

對(duì)比主要分為以下幾種：

• 橫向?qū)Ρ龋和粚蛹?jí)不同對(duì)象比較，如江蘇不同市茅臺(tái)銷售情況。
• 縱向?qū)Ρ龋和粚?duì)象不同層級(jí)比較，如江蘇南京2021年各月份茅臺(tái)銷售情況。
• 目標(biāo)對(duì)比：常見于目標(biāo)管理，如完成率等。
• 時(shí)間對(duì)比：如同比、環(huán)比、月銷售情況等，很多地方都會(huì)用到時(shí)間對(duì)比。

03  聚類分析 

聚類分析屬于探索性的數(shù)據(jù)分析方法。從定義上講，聚類就是針對(duì)大量數(shù)據(jù)或者樣品，根據(jù)數(shù)據(jù)本身的特性研究分類方法，并遵循這個(gè)分類方法對(duì)數(shù)據(jù)進(jìn)行合理的分類，最終將相似數(shù)據(jù)分為一組，也就是“同類相同、異類相異”。

在用戶研究中，很多問題可以借助聚類分析來解決，比如，網(wǎng)站的信息分類問題、網(wǎng)頁的點(diǎn)擊行為關(guān)聯(lián)性問題以及用戶分類問題等等。其中，用戶分類是最常見的情況。

常見的聚類方法有不少，比如K均值（K-Means），譜聚類（Spectral Clustering），層次聚類（Hierarchical Clustering）。

以最為常見的K-means為例，可以看到，數(shù)據(jù)可以被分到黃藍(lán)綠三個(gè)不同的簇（cluster）中，每個(gè)簇有其特有的性質(zhì)。

04  留存分析 

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，考查看進(jìn)行初始行為后的用戶中， 經(jīng)過一段時(shí)間后仍然存在客戶行為（如登錄、消費(fèi)）。留存不僅是個(gè)可以反映客戶粘性的指標(biāo)，更多地反映產(chǎn)品對(duì)用戶的吸引力。

按照不同周期，留存率分為三類：

第一種是日留存，日留存又可以細(xì)分為以下幾種：

• 次日留存率：（當(dāng)天新增的用戶中，第2天還登錄的用戶數(shù)）/第一天新增總用戶數(shù)；
• 第3日留存率：（第一天新增用戶中，第3天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)；
• 第7日留存率：（第一天新增用戶中，第7天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)；
• 第14日留存率：（第一天新增用戶中，第14天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)；
• 第30日留存率：（第一天新增用戶中，第30天還有登錄的用戶數(shù)）/第一天新增總用戶數(shù)。

第二種是周留存，以周度為單位的留存率，指的是每個(gè)周相對(duì)于第一個(gè)周的新增用戶中，仍然還有登錄的用戶數(shù)。

第三種是月留存，以月度為單位的留存率，指的是每個(gè)月相對(duì)于第一個(gè)周的新增用戶中，仍然還有登錄的用戶數(shù)。

留存率是針對(duì)新用戶的，其結(jié)果是一個(gè)矩陣式半面報(bào)告（只有一半有數(shù)據(jù)），每個(gè)數(shù)據(jù)記錄行是日期、列為對(duì)應(yīng)的不同時(shí)間周期下的留存率。正常情況下，留存率會(huì)隨著時(shí)間周期的推移而逐漸降低。

下面以月留存為例生成的月用戶留存曲線：

05  帕累托分析 

帕累托法則，源于經(jīng)典的二八法則——“世界上80%的財(cái)富掌握在20%的富人手里”。而在數(shù)據(jù)分析中，這句話可以理解為20%的數(shù)據(jù)產(chǎn)生了80%的效果，需要圍繞找到的20%有效數(shù)據(jù)進(jìn)行挖掘，使之產(chǎn)生更大的效果。

比如一個(gè)商超進(jìn)行產(chǎn)品分析的時(shí)候，就可以對(duì)每個(gè)商品的利潤(rùn)進(jìn)行排序，找到前20%的產(chǎn)品，那這些產(chǎn)品就是能夠帶來較多價(jià)值的商品，可以再通過組合銷售、降價(jià)銷售等手段，進(jìn)一步激發(fā)其帶來的收益回報(bào)。

帕累托法則一般會(huì)用在產(chǎn)品分類上，此時(shí)就表現(xiàn)為ABC分類。常見的做法是將產(chǎn)品SKU作為維度，并將對(duì)應(yīng)銷售額作為基礎(chǔ)度量指標(biāo)，將這些銷售額指標(biāo)從大到小排列，并計(jì)算累計(jì)銷售額占比。

百分比在 70%（含）以內(nèi)，劃分為 A 類。百分比在 70~90%（含）以內(nèi)，劃分為 B 類。百分比在 90~100%（含）以內(nèi)，劃分為 C 類。

按照A、B、C分組對(duì)產(chǎn)品進(jìn)行了分類，根據(jù)產(chǎn)品的效益分為了三個(gè)等級(jí)，這樣就可以針對(duì)性投放不同程度的資源，來產(chǎn)出最優(yōu)的效益。

06  象限分析 

象限法是通過對(duì)兩種及以上維度的劃分，運(yùn)用坐標(biāo)的方式，人工對(duì)數(shù)據(jù)進(jìn)行劃分，從而傳遞數(shù)據(jù)價(jià)值，將之轉(zhuǎn)變?yōu)椴呗?。象限法是一種策略驅(qū)動(dòng)的思維，常應(yīng)用在產(chǎn)品分析、市場(chǎng)分析、客戶管理、商品管理等場(chǎng)景，像RFM模型、波士頓矩陣都是象限法思維。

下面這個(gè)RFM模型就是利用象限法，將用戶分為8個(gè)不同的層級(jí)，從而對(duì)不同用戶制定不同的營銷策略。

象限法的優(yōu)勢(shì)：

（1）找到問題的共性原因

通過象限分析法，將有相同特征的事件進(jìn)行歸因分析，總結(jié)其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；

（2）建立分組優(yōu)化策略

針對(duì)投放的象限分析法可以針對(duì)不同象限建立優(yōu)化策略，例如RFM客戶管理模型中按照象限將客戶分為重點(diǎn)發(fā)展客戶、重點(diǎn)保持客戶、一般發(fā)展客戶、一般保持客戶等不同類型。給重點(diǎn)發(fā)展客戶傾斜更多的資源，比如VIP服務(wù)、個(gè)性化服務(wù)、附加銷售等。給潛力客戶銷售價(jià)值更高的產(chǎn)品，或一些優(yōu)惠措施來吸引他們回歸。

07 ABtest 

A/Btest，是將Web或App界面或流程的兩個(gè)或多個(gè)版本，在同一時(shí)間維度，分別讓類似訪客群組來訪問，收集各群組的用戶體驗(yàn)數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，最后分析評(píng)估出最好版本正式采用。

A/Btest的流程如下：

1. 現(xiàn)狀分析并建立假設(shè)?：分析業(yè)務(wù)數(shù)據(jù)，確定當(dāng)前最關(guān)鍵的改進(jìn)點(diǎn)，作出優(yōu)化改進(jìn)的假設(shè)，提出優(yōu)化建議；比如說我們發(fā)現(xiàn)用戶的轉(zhuǎn)化率不高，我們假設(shè)是因?yàn)橥茝V的著陸頁面帶來的轉(zhuǎn)化率太低，下面就要想辦法來進(jìn)行改進(jìn)了。
2. 設(shè)定目標(biāo)，制定方案：設(shè)置主要目標(biāo)，用來衡量各優(yōu)化版本的優(yōu)劣；設(shè)置輔助目標(biāo)，用來評(píng)估優(yōu)化版本對(duì)其他方面的影響。
3. 設(shè)計(jì)與開發(fā)：制作2個(gè)或多個(gè)優(yōu)化版本的設(shè)計(jì)原型并完成技術(shù)實(shí)現(xiàn)。
4. 分配流量：確定每個(gè)線上測(cè)試版本的分流比例，初始階段，優(yōu)化方案的流量設(shè)置可以較小，根據(jù)情況逐漸增加流量。
5. 采集并分析數(shù)據(jù)：收集實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行有效性和效果判斷：統(tǒng)計(jì)顯著性達(dá)到95%或以上并且維持一段時(shí)間，實(shí)驗(yàn)可以結(jié)束；如果在95%以下，則可能需要延長(zhǎng)測(cè)試時(shí)間；如果很長(zhǎng)時(shí)間統(tǒng)計(jì)顯著性不能達(dá)到95%甚至90%，則需要決定是否中止試驗(yàn)。
6. 最后：根據(jù)試驗(yàn)結(jié)果確定發(fā)布新版本、調(diào)整分流比例繼續(xù)測(cè)試或者在試驗(yàn)效果未達(dá)成的情況下繼續(xù)優(yōu)化迭代方案重新開發(fā)上線試驗(yàn)。

08  漏斗分析 

漏斗思維本質(zhì)上是一種流程思路，在確定好關(guān)鍵節(jié)點(diǎn)之后，計(jì)算節(jié)點(diǎn)之間的轉(zhuǎn)化率。這個(gè)思路同樣適用于很多地方，像電商的用戶購買路徑分析、app的注冊(cè)轉(zhuǎn)化率等等。

上圖是經(jīng)典的營銷漏斗，形象展示了從獲取用戶到最終轉(zhuǎn)化成購買這整個(gè)流程中的一個(gè)個(gè)子環(huán)節(jié)。

整個(gè)漏斗模型就是先將整個(gè)購買流程拆分成一個(gè)個(gè)步驟，然后用轉(zhuǎn)化率來衡量每一個(gè)步驟的表現(xiàn)，最后通過異常的數(shù)據(jù)指標(biāo)找出有問題的環(huán)節(jié)，從而解決問題，優(yōu)化該步驟，最終達(dá)到提升整體購買轉(zhuǎn)化率的目的。

著名的海盜模型AARRR模型就是以漏斗模型作為基礎(chǔ)的，從獲客、激活、留存、變現(xiàn)、自傳播五個(gè)關(guān)鍵節(jié)點(diǎn)，分析不同節(jié)點(diǎn)之間的轉(zhuǎn)化率，找到能夠提升的環(huán)節(jié)，采取措施。

09  路徑分析

用戶路徑分析追蹤用戶從某個(gè)開始事件直到結(jié)束事件的行為路徑，即對(duì)用戶流向進(jìn)行監(jiān)測(cè)，可以用來衡量網(wǎng)站優(yōu)化的效果或營銷推廣的效果，以及了解用戶行為偏好，其最終目的是達(dá)成業(yè)務(wù)目標(biāo)，引導(dǎo)用戶更高效地完成產(chǎn)品的最優(yōu)路徑，最終促使用戶付費(fèi)。

如何進(jìn)行用戶行為路徑分析？

1. 計(jì)算用戶使用網(wǎng)站或APP時(shí)的每個(gè)第一步，然后依次計(jì)算每一步的流向和轉(zhuǎn)化，通過數(shù)據(jù)，真實(shí)地再現(xiàn)用戶從打開APP到離開的整個(gè)過程。
2. 查看用戶在使用產(chǎn)品時(shí)的路徑分布情況。例如：在訪問了某個(gè)電商產(chǎn)品首頁的用戶后，有多大比例的用戶進(jìn)行了搜索，有多大比例的用戶訪問了分類頁，有多大比例的用戶直接訪問的商品詳情頁。
3. 進(jìn)行路徑優(yōu)化分析。例如：哪條路徑是用戶最多訪問的；走到哪一步時(shí)，用戶最容易流失。
4. 通過路徑識(shí)別用戶行為特征。例如：分析用戶是用完即走的目標(biāo)導(dǎo)向型，還是無目的瀏覽型。
5. 對(duì)用戶進(jìn)行細(xì)分。通常按照APP的使用目的來對(duì)用戶進(jìn)行分類。如汽車APP的用戶可以細(xì)分為關(guān)注型、意向型、購買型用戶，并對(duì)每類用戶進(jìn)行不同訪問任務(wù)的路徑分析，比如意向型的用戶，他進(jìn)行不同車型的比較都有哪些路徑，存在什么問題。還有一種方法是利用算法，基于用戶所有訪問路徑進(jìn)行聚類分析，依據(jù)訪問路徑的相似性對(duì)用戶進(jìn)行分類，再對(duì)每類用戶進(jìn)行分析。