在用戶行為分析領(lǐng)域，數(shù)據(jù)分析方法的科學(xué)應(yīng)用結(jié)合理論推導(dǎo)，能夠相對完整地揭示用戶行為的內(nèi)在規(guī)律。而分布分析是了解數(shù)據(jù)分布表現(xiàn)的主要方法，往往能通過對數(shù)據(jù)結(jié)構(gòu)的分層分析，判斷極端數(shù)值的占比、對整體數(shù)據(jù)的影響。本文詳細(xì)介紹了分布分析模型的概念和應(yīng)用場景，與大家分享。

延續(xù)以上內(nèi)容的講解，本文將介紹下常用的用戶行為分析模型——分布分析。

一、分布分析的概述

分布分析是用戶在特定指標(biāo)下的頻次、總額等特征的結(jié)構(gòu)化分段展現(xiàn)。分布分析是了解數(shù)據(jù)分布表現(xiàn)的主要方法，往往能通過對數(shù)據(jù)結(jié)構(gòu)的分層分析，判斷極端數(shù)值的占比、對整體數(shù)據(jù)的影響，同時了解數(shù)據(jù)分布的集中度，以及主要的數(shù)據(jù)分 布的區(qū)間段是什么。從事件在不同維度中的分布來觀察，我們可以了解該事件除了累計數(shù)量和頻次這些簡單指標(biāo)之外，洞察數(shù)據(jù)在分布特征上的特點，便于了解業(yè)務(wù)的健康度、分層結(jié)構(gòu)等信息。

常見的分布模型一般包含以下類型：事件頻率、一天內(nèi)的時間分布、消費金額的區(qū)分等。同時，在設(shè)計分布區(qū)間時，還需要支持客戶自定義區(qū)間，這樣用戶才可以找到最適合的區(qū)間分布?？傮w來說，分布分析價值主要體現(xiàn)在以下幾個方面:

第一，挖掘用戶分布規(guī)律，優(yōu)化產(chǎn)品策略。

對同一指標(biāo)下有關(guān)數(shù)據(jù)進(jìn)行統(tǒng)計與分析，幫助企業(yè)從中挖掘用戶訪問規(guī)律，企業(yè)可以將規(guī)律與實際產(chǎn)品策略相結(jié)合，進(jìn)一 步修正和重新制定產(chǎn)品策略。同時還可以分析某個功能的使用情況，來判斷用戶對某個功能的使用率。如果某些功能的使 用率偏低，那么我們就可以進(jìn)行產(chǎn)品端或運營端優(yōu)化。

第二，除去極值影響，數(shù)據(jù)更接近整體真實表現(xiàn)。

分布分析的另外一個價值點就在于，對于某些因為極大值或者極小值而影響大部分用戶數(shù)據(jù)表現(xiàn)的情況來說，我們可以快 速發(fā)現(xiàn)最大值和最小值的分布次數(shù)，而其他大部分用戶都分布在一個相對聚集的區(qū)間，從而判斷大部分用戶的分布情況。

第三，快速識別核心用戶群體，資源配置有的放矢。

可以通過分布分析來找出某些核心功能的深度使用者，這些都是企業(yè)的核心用戶。核心用戶群體是對企業(yè)價值貢獻(xiàn)最大的用戶群體，是企業(yè)最大的利潤來源。在此基礎(chǔ)上，企業(yè)可以通過優(yōu)化資源配置，以最小成本實現(xiàn)企業(yè)利潤最大化。

二、分布分析應(yīng)用示例

1. 場景：電商行業(yè)常見的分布分析應(yīng)用

電商用戶的忠誠度如何、客單價情況如何等這些問題均可以通過分布分析功能進(jìn)行快速診斷。以電商為例，重復(fù)購買次數(shù)、 客單價分布等均是常用的衡量忠誠度的指標(biāo)。以下會從多個角度來查看分布分析結(jié)果。

如圖可以看到用戶每個月的購買頻次基本穩(wěn)定在 1 ~ 3 次之間，除 12 月有小的變動，其他月份都相對穩(wěn)定。除了從用戶 行為日期去查看外，還可以對用戶進(jìn)一步細(xì)分，看不同性別、不同渠道的用戶的支付頻次的差異，如圖所示，從性別來看， 數(shù)據(jù)比較均勻。另外選擇合適的“組數(shù)”和“組距”也是一個需要不斷嘗試不斷優(yōu)化的過程。

圖 1 按月份查看用戶支付訂單的次數(shù)分布

圖 2 不同性別用戶在一個月內(nèi)支付訂單的次數(shù)分布

如圖 2 所示，從省份的角度看，該商品并沒有地域偏愛。另外，用戶購買的訂單實付金額分布在哪個區(qū)間，也是運營人 員較為關(guān)心內(nèi)容。圖 2 顯示出用戶的單月訂單實付金額很高，50% 的用戶實付金額在 5000 元以上，其中訂單實付金額在 5000-10000 之間的達(dá)到 40%。

圖 3 用戶一個月內(nèi)實際支付訂單金額總和分布

總而言之，分布分析可以用來分析核心功能的次數(shù)分布，挖掘用戶的分布規(guī)律，快速識別核心用戶群體，是一個常用的經(jīng) 典分析模型。

#相關(guān)閱讀#

常見用戶行為分析模型解析（1）——行為事件分析

常見用戶行為分析模型解析（2）——用戶留存分析

常見用戶行為分析模型解析（3）——漏斗分析

常見用戶行為分析模型解析（4）——用戶行為路徑分析

常見用戶行為分析模型解析（5）——用戶分群

常見用戶行為分析模型解析（6）——點擊分析

常見用戶行為分析模型解析（7）—— 間隔分析模型

常見用戶行為分析模型解析（8）—— 歸因分析

作者：張喬，神策數(shù)據(jù)內(nèi)容營銷負(fù)責(zé)人。公眾號：神策數(shù)據(jù)

本文由@張喬? 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議。