现在对运营的综合素质要求越来越高了，数据、文案、产品必须要懂，只懂一个怕是不好找工作了。也只有复合型人才在现在这个遍地用户增长的世界才能活的更久，下面我们就来说说数据分析的概念。

一、事件分析

事件分析法的应用领域非常广泛，不同学者从本领域视角对其进行了阐述。事件研究是根据某一事件发生前后的资料统计，采用特定技术测量该事件影响性的一种定量分析方法。

运营当中的事件分析，是追踪或记录的用户行为或业务过程的。举个栗子，一个电商产品可能包含如下事件：用户注册、浏览商品、添加购物车、支付订单等。

事件细分：对某一行为的无限细分，定位影响行为的因素，也是对用户分群的过程。

下钻、下钻这是事件分析的特点，至于怎么用什么时候用这就得依具体问题具体分析了。

二、漏斗分析

关于漏斗模型，我认为本质是分解和量化。为什么这么说，这里以营销漏斗模型举栗。

百科给出的解释：营销漏斗模型指的是营销过程中，将非潜在客户逐步变为客户的转化量化模型。营销漏斗模型的价值在于量化了营销过程各个环节的效率，帮助找到薄弱环节。

也就是说营销的环节指的是从获取用户到最终转化成购买这整个流程中的一个个子环节，相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。

所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的，整体漏斗模型的核心思想其实可以归为分解和量化。

以电商为例可以建立几个核心漏斗，如下：

1. 运营位漏斗

Banner、活动专区、折扣专区、爆款专区等等

2. 搜索漏斗

搜索漏斗，还可以拆分为更小的漏斗，例如细分关键词排序、关键词点击、best match标签选择、浏览时长等数据项。

3. 产品漏斗

产品漏斗，里面其实能拆解出很多分支漏斗，根据使用情况而定吧

三、留存分析

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，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。

留存分析可以帮助回答以下问题：

1. 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？如支付订单等；
2. 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？
3. 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？

下面是一个常见的留存曲线，我把它分成了三个部分：第一部分是振荡期，第二部分是选择期，第三部分是平稳期。

那我们怎么用留存分析呢？举个栗子：如图

细分用户群体，分析每个产品功能点对用户留存情况的影响，我们不仅可以把收藏拿出来对比，点赞，转发，评论，关注等等都可以对比

如果是电商的话还可以对比没有购买，购买1次、2次、3次、4次、5次、6次等

我们通过分析曲线找到留存最高的功能点或者行为点。魔法数字和魔法功能，

1. 交易类，购买5次以上的用户留存率最高，那我们的策略既尽可能快的使用户达到5次购买（一定注意时间窗口）；
2. 工具类产品，那就找到魔法功能，使用这个功能用户留存最高；
3. 如果是UGC类那就找到用户发帖的数量或者用户使用的功能作为魔法数字和魔法功能。

四、分布分析

在生产工作正常的情况下，产品的质量也不可能完全相同，但也不会相差太大，而是围绕着一定的平均值，在一定的范围内变动和分布。

分布分析法就是通过对质量的变动分布状态的分析中发现问题的一种重要方法。它可以了解生产工序是否正常，废品是否发生等情况。其工具是直方图，故又称直方图法。

如下图，我们就能看出人数和交易客单价的一个分部情况

这种类似的就是用户分布分析，主要是找集中。当然更深刻的我们可以用K-means聚类算法玩的更高大上一些。

五、总结

这只是数据分析当中比较常用的一些方法，现实当中我们要面对的完全比上线的例子复杂的多，细分的多，但是逻辑就是这么简单，分析就是一个工具，看大家想要得到什么了。

这集中分析方法并不是单独存在的，经常是你中有我我中有你，一定要灵活运营。分享一下数据分析中的三个小技巧：看趋势、看分布、看对比。

#相关文章#

精细化用户增长案例（1）：低频高客单长决策下的优惠券玩法

精细化用户增长案例（2）：教育行业转介绍裂变活动，分类分层降成本

精细化用户增长案例（3）：高频低客单快决策下的零售优惠券发放策略

作者：白高粱；公众号：白高粱

本文由 @白高粱 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。