常见的九种大数据分析模型

常见的9种大数据分析模型分别为:
事件分析、
属性分析、
渠道分析、
Session分析、
留存分析、
归因分析、
漏斗分析、
路径分析、
分布分析

1、【事件分析】
事件分析,是指用户在 APP、网站等应用上发生的行为,即何人,何时,何地,通过何种方式,做了什么事。
事件分析模型主要用于分析用户在应用上的行为,比如打开 APP、注册、登录、支付订单等。通过触发用户数、触发次数、访问时长等基础指标度量用户行为,同时也支持指标运算,构建复杂的指标衡量业务过程。
那么,事件分析模型能够解决哪些问题呢?
例如:
监测产品每天的用户数、访问次数、使用时长;趋势是否发生了变化?
引起变化的因素有哪些?
北京地区的用户和上海地区的用户,购买家电品类的金额分布差异在哪里?
今天在产品中发起了一个话题,各个时段用户的参与情况如何?
最近半年付费用户数和 ARPU 值是多少?

事件分析模型能够实时监测用户在不同平台的用户行为,通过不同维度归因指标变化因素,还能通过自定义指标组合成新的指标实现更为强大的分析能力。

在这里插入图片描述

2、【属性分析】
属性分析是基于用户自定义属性或预置属性的占比分析,能够按照不同的属性来统计用户数等指标的属性占比,进而得到初步的分析结论。例如,通过对性别属性的用户数占比分析,我们可以快速得到不同性别的用户数统计结果。

通过属性分析,可以快速查看在不同属性上的用户数分布情况,便于统计不同特征的用户总量,在使用属性分析的过程中,需要合理选择度量方式,常用的度量方式包括:用户数、去重数、总和、最大值、最小值、均值等。

例如:我们选择的指标为“累计消费金额的均值”,维度为“会员等级”,用户选择“所有用户”,那么我们得到的结果是“所有不同会员等级用户的平均消费金额是多少”。

属性分析模型同事件分析模型类似,可以进行多维度多用户之间的对比、多种图表形式展示统计结果。在有标签功能的场景下,还可以对不同版本标签的统计对比分析。

在这里插入图片描述

3、【渠道分析】

渠道,即企业(产品)与用户产生互动的各个触点,比如搜索引擎、社交媒体、广告平台、线下站会等等。

渠道分析模型用于分析用户(包括访客)的访问来源,通过访问用户数、访问次数、访问时长、跳出率等基础指标评估渠道质量,同时也支持自定义转化目标衡量渠道的转化效果。

那么,渠道分析能够解决哪些问题呢?
例如:
各个渠道实时的访问用户数、浏览量如何?
上周选择了多个渠道对网站进行推广,各个渠道带来的用户注册量如何?
社交媒体、搜索引擎、外部链接……哪个渠道带来的用户留存率更高?
微信来源用户更多集中在公众号还是朋友圈?
哪些搜索词带来的流量很大,且转化效果也好?

渠道分析模型通过定义基础指标和转化指标、选择分析平台、渠道维度,就能够清晰地呈现各渠道表现,从而评估不同渠道的实际产出效果,最终选择优质渠道组合,提高整体ROI。

在这里插入图片描述
4、【Session分析】
Session,即会话,是指在指定的时间段内在网站/H5/小程序/APP上发生的一系列用户行为的集合。
例如,一次会话可以包含多个页面浏览、交互事件等。Session 是具备时间属性的,根据不同的切割规则,可以生成不同长度的 Session。

Session分析模型含多种度量 Session 访问质量的指标,包括访问次数、人均访问次数、总访问时长、单次访问时长、单次访问深度、跳出次数、跳出率、退出次数、退出率、人均访问时长、总页面停留时长、平均页面停留时长。

在这里插入图片描述
不同于事件分析,Session 分析中额外支持了一些维度的细分,以满足特定场景下针对 Session 分析的需求,包括:

渠道来源分组:用以区分每次访问的渠道来源,仅适用于 Web/H5/小程序;
浏览页面数:以步长5为间隔,统计每次浏览页面数的分布情况;
着陆页:用以区分每次访问的着陆页,可以评价不同着陆页的访问质量;
退出页:用以区分每次访问的退出页,可以评价不同页面的退出情况,找到退出率高的页面进行优化;
访问时长: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 以上的区间进行划分,统计每次访问的时长分布。

同事件分析类似,Session 分析也支持多指标、多维度和多过滤条件,同时也支持多用户分群之间的横向对比。同时在 Session 分析中,还支持按照日、周、月三种不同粒度来进行统计分析,用户可以根据查询数据的时间跨度来选择合适的粒度进行分析。

5、【留存分析 】
留存分析 留存是指用户在 APP、网站等应用上使用过,并一段时间后仍有使用。

留存分析模型是一种衡量用户健康度/参与度的方法,超越下载量、DAU 等指标,深入了解用户的留存和流失状况,发现影响产品可持续增长的关键因素,指导市场决策、产品改进、提升用户价值等。

那么,留存分析模型能够解决哪些问题呢?
例如:
上个月做了一次产品迭代,如何评估其效果?
是否完成了产品经理期望完成的行为?
作为一个社交 APP,在注册后不添加好友和添加 10 个好友的用户后续留存有差异吗?
短期留存低,长期留存一定很差吗?
两个推广渠道带来不同的用户,哪个渠道的用户更有可能是的高价值用户?
近 30 天注册的用户,半个月都没有回访的用户比例是多少?

留存分析模型支持条件过滤和多人群的对比分析,支持对全量数据随机抽样计算。同时我们还可以通过留存分析判断新用户在几天、几周、几月后是否愿意回来使用你的功能,还可自定义初始行为和结束行为进行功能留存分析。

在这里插入图片描述
留存是基于某个用户群体的初始行为时间来计算的,描述发生了某个行为的同期群,在一段时间后是否发生了期望的行为。初始行为和后续行为均可以是任意事件或者某个具体的事件。

不同的分析场景中可以设置多个不同的留存条件来分析:
初始行为和后续行为设置为相同,对比不同的功能重复发生的情况,发现用户对不同功能的使用粘性;
初始行为相同,设置不同的后续行为,对比同一个优化是否对其他功能有不同的影响;
后续行为相同,设置不同的初始行为,对比发现不同的运营手段、产品功能对核心业务目标的影响。

6、【归因分析】
归因分析 在做运营活动时,我们可能会在产品内的多个运营位上投放活动素材,试图在用户与产品交互过程中的各个触点上,吸引用户的注意力,引导流量走向和用户行为,促成最终转化。此外,用户本身可能还会通过搜索、内容推荐等触点获取信息,这些触点对用户是否能达成转化也发挥着重要作用。
也就是说,在用户转化路径上,站内的众多触点都参与了对用户的劝说和引导,影响了用户的最终决策。那么,对比各个用户触点,它们对关键指标的达成分别贡献了多大力量,是否都如运营人员所预期的那样,具有优秀的转化能力;亦或者,存在被低估的情况?在之后的运营中,该如何调整对各运营位资源投入的权重分配?

对于以上问题,归因分析提供了一种直观的度量 —— 转化贡献度,主要用于衡量和评估站内的用户触点对总体转化目标达成(如订单总金额)所作出的贡献,可以非常直接地量化每个运营位和触点的转化效果和价值贡献。常见的归因分析模型有以下五种
在这里插入图片描述
首次触点归因:
将转化功劳 100% 归于首次互动的待归因事件;
末次触点归因:将转化功劳 100% 归于末次互动的待归因事件;
线性归因:将转化功劳平均分配给转化路径上的所有待归因事件;
位置归因:按待归因事件在转化路径上的位置分配转化功劳,一般首次和末次互动的事件各占 40%,中间触点的事件均分剩余的 20%; 时间衰减归因:按待归因事件发生的时间顺序,分配转化功劳,距离目标事件发生时间越近的待归因事件,做出的贡献越大,分配到的功劳越多。

7、【路径分析】
路径分析 路径是指用户在应用中使用的行为轨迹。在产品运营过程中,无论是产品、运营还是市场团队都希望能够清晰地了解用户行为路径,来验证运营思路、指导产品迭代优化,达到用户增长、转化的最终目的。

当有明确的转化路径时,通过预先建立漏斗来监测转化率会比较容易。但是很多情况下,虽然有最终的转化目标,但是用户到达该目标却有多条路径,无法确定哪条路径是用户走得最多的路径,哪条转化路径最短,这时候就需要智能路径分析模型的帮助。
在这里插入图片描述
通过智能路径分析模型能够解决如下问题:

用户主要是从哪条路径最终形成支付转化的?
用户离开预想的路径后,实际走向是什么?
不同特征的用户行为路径有什么差异?

8、【漏斗分析】
漏斗分析,是分析用户使用某项业务时,经过一系列步骤转化效果的方法。漏斗分析模型能够灵活自定义多步骤之间的转化过程,找到关键流失环节及影响因素,进而分析用户行为进行针对性优化动作。

在这里插入图片描述
官网流量很大,但注册用户很少,是过程中哪个环节出了问题?
用户从“注册 – 绑卡 - 提交订单 - 支付订单” 总体转化率如何?
不同地区的用户支付转化率有什么差异?
两个推广渠道带来了不同的用户,哪个渠道的注册转化率高?
上周针对注册环节的问题做了一次优化,转化率趋势是否有提升?

在理想情况下,用户会沿着产品设计的路径到达最终目标事件,但实际情况是用户行为路径是多种多样的。通过埋点事件配置关键业务路径,可以分析多种业务场景下转化和流失的情况,我们不仅找出产品潜在问题的位置,还可以定位每个环节流失用户,进而定向营销促转化。

9、【分布分析】
分布分析主要能够提供「维度指标化」之后的数据分解能力,将原有维度按照一定的数值区间进行维度划分,进而分析每个维度区间的分布情况,在以下分析场景中十分常见:分析订单的金额分布、分析某类特殊事件的发生时段分布、分析某类特殊事件的发生次数分布、分析触发某类事件的用户年龄分布。

在这里插入图片描述
由此可见,分布分析主要针对的是数值型和日期型这两类属性,如金额、年龄、时间、频次,因此当用户打点上传的数据中包括这两类属性时,那么在日常的分析中就有可能会使用分布分析来解决一些特定问题。常用指标有:X 事件的次数分布、X 事件的活跃时段分布、X 事件的活跃天数分布、X 事件 Y 属性的总和/均值/人均值等分布。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mfbz.cn/a/12775.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

【消费战略】解读100个食品品牌丨王小卤 4年10亿爆品破局

爆品破局 王小卤的聚焦发展! 王小卤创建于 2016 年,与饮料行业的独角兽元气森林同年。 相较于元气森林的快速增长,王小卤历经 三年坎坷之路,直至 2019 年才踏上高增长的赛道,实现四年十亿的增长。 “所有的消费品都值得重新 做…

网络安全-kali配置ssh服务+敏感文件泄+dirsearch脚本

网络安全-kali配置ssh服务敏感文件泄dirsearch脚本 seccure shell 就是加密的telnet 远程用的 service ssh start 开启ssh服务metstat -tpan |gerp 22 监听这个端口是否开启 可以看到本地的22端口这个文件是/etc/ssh/sshd_config 输入 set number 找到第57行 把这个前面的#注…

【记录】Truenas Scale|中危漏洞,需要SMB签名

部分内容参考:等保测试问题——需要SMB签名(SMB Signing not Required) 以及 ChatGPT。 Truenas常用SMB服务,但默认并不开启SMB签名。这样具有中间人攻击的风险。 一、漏洞详情 1.1 漏洞报告 漏洞提示如下: 1.2 漏洞介绍 SMB是一个协议名…

人工智能发展到GPT4经历了什么,从专家系统到机器学习再到深度学习,从大模型到现在的GPT4

大家好,我是微学AI,今天给大家讲一下人工智能的发展,从专家系统到机器学习再到深度学习,从大模型到现在的GPT4,讲这个的目的是让每个人都懂得人工智能,每个人都懂得人工智能的发展,未来人工智能…

4.13(LoadLibrary)

接着之前预习的知识,我观察的自己编译出来的bin LoadLibraryExA LoadLibraryExA函数进去,现时用RtInitAnsiString函数初始化了ANSI的计数字符串,底层是调用了LoadLibraryExW函数,在LoadLibrarExW函数里做了unicode的计数字符串的…

python入门(五) vscode配置Anaconda 环境,代码自动提示

文章目录 1.conda的下载地址:1.配置conda的环境变量安装conda配置path 2.vcode配置python插件3.配置conda1) Select Interpreter2) 选择conda环境 4.测试 vscode配置Anaconda 环境,代码自动提示. 本人工作中,用到了ai相关技术,但是java出身&a…

七项新发布,亚马逊云科技Amazon S3持续进化

17年前的3月14日,亚马逊云科技推出了一项“非常简单的”对象存储服务(Amazon Simple Storage Service)。该服务允许开发人员创建、列出和删除私有存储空间(称为存储桶)、上传和下载文件以及管理其访问权限。当时&#…

北京筑龙:采购供应链平台-构建能源企业数智供应链的必经之路

4月13至14日,“中国国际管道会议(CIPC)暨技术装备与成果展”高峰论坛在北京举行。来自国内外管道领域的院士、知名专家、学者齐聚一堂,共同探讨新时代背景下管道技术领域的发展方向。作为采购供应链数字化产品及服务提供商&#x…

每日学术速递4.13

CV - 计算机视觉 | ML - 机器学习 | RL - 强化学习 | NLP 自然语言处理 Subjects: cs.CV 1.Slide-Transformer: Hierarchical Vision Transformer with Local Self-Attention(CVPR 2023) 标题:Slide-Transformer:具有局部自注意力的分层视觉变换器 …

Camera | 8.让rk3568支持前后置摄像头

一、目标 本文主要目标是,支持前置摄像头0v5648、后置摄像头ov13850,以及移植过程遇到的一些小问题的解决。 1. 摄像头连接图 参考上图,摄像头详细信息如下: 2个摄像头均连接在I2C通道42个摄像头共用同一个MIPI数据通道2个摄像…

LeetCode:454. 四数相加 II —— 哈希表为什么叫哈希表~

🍎道阻且长,行则将至。🍓 🌻算法,不如说它是一种思考方式🍀 算法专栏: 👉🏻123 hash是什么,哈希表为什么叫哈希表? 一、🌱454. 四数…

Java基础(八)异常处理

1. 异常概述 1.1 什么是生活的异常 男主角小明每天开车上班,正常车程1小时。但是,不出意外的话,可能会出现意外。 出现意外,即为异常情况。我们会做相应的处理。如果不处理,到不了公司。处理完了,就可以…

一文搞懂Plant Simulation中的Rotation设置

在处理3D动画或者展示时,常常需要在Plant Simulation调整数模的姿态,静态设置或动态设置Rotation是一个很重要的手段。 编辑3D属性,在Transformation选项卡中,我们可以看到Rotation的设置参数,如上图所示,只有一个角度和3个轴参数。如果对计算机图形学不了解的同学,估计…

MySQL优化——Explain分析执行计划详解

文章目录 前言一. 查看SQL执行频率二. 定位低效率执行SQL三. explain分析执行计划3.1 id3.2 select_type3.3 table3.4 type3.5 key3.6 rows3.7 extra 四. show profile分析SQL 前言 在应用的的开发过程中,由于初期数据量小,开发人员写 SQL 语句时更重视…

【技术分享】接口自动化测试中,如何做断言验证?

在服务端自动化测试过程中,发起请求之后还需要对响应值进行验证。验证响应信息符合预期值之后,这一条接口自动化测试用例才算完整的通过。所以这一章节,将会讲解在接口自动化测试中,如何对服务端返回的响应内容做断言验证。 实战…

Linux命令·traceroute

通过traceroute我们可以知道信息从你的计算机到互联网另一端的主机是走的什么路径。当然每次数据包由某一同样的出发点(source)到达某一同样的目的地(destination)走的路径可能会不一样,但基本上来说大部分时候所走的路由是相同的。linux系统…

【微服务笔记13】微服务组件之Config配置中心基础环境搭建

这篇文章,主要介绍微服务组件之Config配置中心基础环境搭建。 目录 一、Config配置中心 1.1、什么是配置中心 1.2、Config配置中心特点 二、搭建Config配置中心 2.1、配置Git仓库 2.2、创建ConfigServer服务端 (1)引入依赖 &#xff…

【天梯赛—不想坑队友系列】L1-002 打印沙漏(java)

题目链接 PTA | 程序设计类实验辅助教学平台 本题要求你写个程序把给定的符号打印成沙漏的形状。例如给定17个“*”,要求按下列格式打印 ************ *****所谓“沙漏形状”,是指每行输出奇数个符号;各行符号中心对齐;相邻两行符…

企业在实施采购管理时需要注意哪些问题?

采购管理是指企业为了获得所需的物资和服务等,通过筛选供应商、谈判合同、执行采购计划等一系列过程来实现目标的管理活动。在实施过程中,采购管理需要注意以下几个问题: 1、采购策略的选择 采购策略的选择是采购管理中非常关键的环节。不同…

NIFI大数据进阶_NIFI的模板和组的使用-介绍和实际操作_创建组_嵌套组_模板创建下载_导入---大数据之Nifi工作笔记0022

然后我们来看一下如何操作模板 首先我们准备好了一个模板,叫做CsvToJSON这样一个模板文件了 然后我们再来看左下角有个上传模板 可以选择这个模板上传上来,然后,就可以在右侧找到,菜单,找到template,点击,来查看模板了 然后添加组,就是顶部的那个两个圆圈的组件拖过来以后用来…
最新文章