什么是大数据分析模型？有哪些常见的大数据分析模型？
大数据分析是对海量的数据进行分析，随着大数据时代的到来，人们对于大数据分析模型的重视程度也有所提升。
本文将展示7个常见的大数据分析模型。
7个常见的大数据分析模型：
- 事件分析
- 留存分析
- 漏斗分析
- 路径分析
- session分析
- 分布分析
- 归因分析
01 事件分析
干啥的：以行为事件为切入点，研究对于企业组织价值的影响和影响程度。
怎么用：对用户的行为或业务流程进行追踪，比如用户注册情况、浏览产品情况、投资、提现等。通过行为事件和用户的关联因素来分析用户行为背后的原因、需求以及交互影响。
应用场景举例：
问题：运营人员发现，某渠道某天的PV数据异常高，需要排查原因？分为以下步骤：
定义事件：将事件定义为PV值，通过筛选条件限定渠道
多维度下钻分析：将PV值按照日期、地理位置、机型、操作系统、IP等不同维度进行分析
通过多维度展示结果，给出PV数据的解释，是虚假流量？（全部来自某IP），数值异常高？（某天数据上涨）
02 留存分析模型
干啥的：分析用户参与情况/活跃程度，考察进行初始行为的用户中有多少人会进行后续行为。用来衡量产品对用户价值的高低。
怎么用：留存分析分三种，N-day留存、unbounded留存、bracket留存。
应用场景举例：
问题：最近的新增客户很多，想看用户留存的情况如何？可分为以下几个步骤：
根据新用户注册/下载的时间进行同期分组（月/周/日）
观察用户发生投资的 7 日留存、14 日留存或 30 日留存(可自由选择)
比较不同的同期群，观察每天留存率的变化趋势了。
03 漏斗分析模型
干啥的：观察用户的使用过程，追踪用户行为状态，记录从起点到终点各阶段用户转化率情况
怎么用：通过观察不同属性的用户群体各环节转化率，各流程步骤转化率的差异对比，了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。
典型场景举例：
问题：销售人员想要了解从需求发现到赢单的各个环节的转化情况？可参考以下步骤：
从需求发现这一环节开始，按照需求设计销售漏斗图
根据销售漏斗图的各个环节进行跟进和数据录入
自动生产数据分析表，观测客户各阶段转化率
04 路径分析模型
干啥的：互联网产品特有的一类数据分析方法，分析用户的访问路径，提升产品核心模块的到达率、提取出特定用户群体的主流路径与刻画用户行为偏好和浏览特征。
怎么用：根据每位用户在APP或网站中的行为事件，分析用户在APP或网站中各个模块的流转规律与特点，挖掘用户的访问或浏览模式，进而实现一些特定的业务用途。
路径分析主要为解决以下问题：
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?
05 session分析模型
干啥的：对指定的时间段内，用户在网站/H5/小程序/APP上发生的一系列用户行为的集合进行指标分析。
Session 的关键点是：多长时间内用户做了什么事。
怎么用：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、平均页面停留时长等。
两个公式：
平均访问时长=所有用户的session市场之和/Session数
平均交互深度=session内事件之和/session数
06 分布分析模型
干啥的：把用户的个体行为串联为一个整体，分析质量的变动分布状态，以了解生产工序是否正常，废品是否发生等情况。由于一般以直方图为工具，所以也称为直方图法。
怎么用：提供「维度指标化」之后进行数据分解，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。
举个例子：
把特别依赖的用户单独筛选出来，建一个用户运营的专项项目，去运营用户。也可以把那些付款金额大的用户，去做一些运营活动。
下图就可以看出人数和交易客单的分布情况：
07 归因分析模型
干啥的：分析广告产生的效果，功劳应该如何合理地分配给哪些渠道。
怎么用：衡量和评估站内的用户触点对总体转化目标达成所做出的贡献，可以非常直接的量化每个运营位和触点的转化效果和价值贡献。
举个例子：
小陈同学在手机上看到了朋友圈广告发布了最新的苹果手机，午休的时候刷抖音看到了有网红在评测评，下班在地铁上刷朋友圈的时候发现已经有小伙伴收到手机在晒图了，于是喝了一杯江小白壮壮胆回家跟老婆申请经费，最后老婆批准了让他去京东买，有保障。那么请问，朋友圈广告、抖音、好友朋友圈、京东各个渠道对这次成交分别贡献了多少价值？
