在用户行为分析领域，数据分析方法的科学应用结合理论推导，能够相对完整地揭示用户行为的内在规律。而分布分析是了解数据分布表现的主要方法，往往能通过对数据结构的分层分析，判断极端数值的占比、对整体数据的影响。本文详细介绍了分布分析模型的概念和应用场景，与大家分享。

延续以上内容的讲解，本文将介绍下常用的用户行为分析模型——分布分析。

一、分布分析的概述

分布分析是用户在特定指标下的频次、总额等特征的结构化分段展现。分布分析是了解数据分布表现的主要方法，往往能通过对数据结构的分层分析，判断极端数值的占比、对整体数据的影响，同时了解数据分布的集中度，以及主要的数据分 布的区间段是什么。从事件在不同维度中的分布来观察，我们可以了解该事件除了累计数量和频次这些简单指标之外，洞察数据在分布特征上的特点，便于了解业务的健康度、分层结构等信息。

常见的分布模型一般包含以下类型：事件频率、一天内的时间分布、消费金额的区分等。同时，在设计分布区间时，还需要支持客户自定义区间，这样用户才可以找到最适合的区间分布。总体来说，分布分析价值主要体现在以下几个方面:

第一，挖掘用户分布规律，优化产品策略。

对同一指标下有关数据进行统计与分析，帮助企业从中挖掘用户访问规律，企业可以将规律与实际产品策略相结合，进一 步修正和重新制定产品策略。同时还可以分析某个功能的使用情况，来判断用户对某个功能的使用率。如果某些功能的使 用率偏低，那么我们就可以进行产品端或运营端优化。

第二，除去极值影响，数据更接近整体真实表现。

分布分析的另外一个价值点就在于，对于某些因为极大值或者极小值而影响大部分用户数据表现的情况来说，我们可以快 速发现最大值和最小值的分布次数，而其他大部分用户都分布在一个相对聚集的区间，从而判断大部分用户的分布情况。

第三，快速识别核心用户群体，资源配置有的放矢。

可以通过分布分析来找出某些核心功能的深度使用者，这些都是企业的核心用户。核心用户群体是对企业价值贡献最大的用户群体，是企业最大的利润来源。在此基础上，企业可以通过优化资源配置，以最小成本实现企业利润最大化。

二、分布分析应用示例

1. 场景：电商行业常见的分布分析应用

电商用户的忠诚度如何、客单价情况如何等这些问题均可以通过分布分析功能进行快速诊断。以电商为例，重复购买次数、 客单价分布等均是常用的衡量忠诚度的指标。以下会从多个角度来查看分布分析结果。

如图可以看到用户每个月的购买频次基本稳定在 1 ~ 3 次之间，除 12 月有小的变动，其他月份都相对稳定。除了从用户 行为日期去查看外，还可以对用户进一步细分，看不同性别、不同渠道的用户的支付频次的差异，如图所示，从性别来看， 数据比较均匀。另外选择合适的“组数”和“组距”也是一个需要不断尝试不断优化的过程。

图 1 按月份查看用户支付订单的次数分布

图 2 不同性别用户在一个月内支付订单的次数分布

如图 2 所示，从省份的角度看，该商品并没有地域偏爱。另外，用户购买的订单实付金额分布在哪个区间，也是运营人 员较为关心内容。图 2 显示出用户的单月订单实付金额很高，50% 的用户实付金额在 5000 元以上，其中订单实付金额在 5000-10000 之间的达到 40%。

图 3 用户一个月内实际支付订单金额总和分布

总而言之，分布分析可以用来分析核心功能的次数分布，挖掘用户的分布规律，快速识别核心用户群体，是一个常用的经 典分析模型。

#相关阅读#

常见用户行为分析模型解析（1）——行为事件分析

常见用户行为分析模型解析（2）——用户留存分析

常见用户行为分析模型解析（3）——漏斗分析

常见用户行为分析模型解析（4）——用户行为路径分析

常见用户行为分析模型解析（5）——用户分群

常见用户行为分析模型解析（6）——点击分析

常见用户行为分析模型解析（7）—— 间隔分析模型

常见用户行为分析模型解析（8）—— 归因分析

作者：张乔，神策数据内容营销负责人。公众号：神策数据

本文由@张乔  原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。