在CDP交付階段，分析看板這一環(huán)節(jié)很重要，而其中的內(nèi)容分為事件分析、留存分析、分布分析、漏斗分析、路徑分析、歸因分析、間隔分析等內(nèi)容，這篇文章里，作者就進(jìn)行了解讀和分享，一起來看看吧！

分析看板是針對CDP所構(gòu)建的數(shù)據(jù)以圖示化的方式進(jìn)行展示，一個(gè)看板是由多個(gè)分析模塊構(gòu)成，看板的構(gòu)建要與業(yè)務(wù)場景相結(jié)合，無效的看板只能導(dǎo)致頁面冗雜，數(shù)據(jù)計(jì)算的浪費(fèi)。系統(tǒng)會(huì)內(nèi)置一些基礎(chǔ)看板，行業(yè)通用型看板例如日活、留存、訂單這類的，這些看板不足以滿足企業(yè)需求，因此需要通過調(diào)研確認(rèn)場景，從而進(jìn)行看板的構(gòu)建。

圖片來源-某車企分析洞察demo（下同）

一、事件分析

用戶（USER）在 APP 或游戲中產(chǎn)生的行為數(shù)據(jù)被稱為事件（EVENT），事件數(shù)據(jù)記錄了用戶產(chǎn)生各種行為的時(shí)間、行為的類型以及行為的詳細(xì)信息。對這些事件數(shù)據(jù)進(jìn)行篩選或分組，最終計(jì)算聚合指標(biāo)的模型稱為事件分析模型。

通過事件分析，可以計(jì)算一段時(shí)間內(nèi)用戶產(chǎn)生特定行為的聚合指標(biāo)，了解各行為的用戶參與情況以及指標(biāo)的發(fā)展趨勢，從而對產(chǎn)品獲得宏觀把控，優(yōu)化決策。

以消費(fèi)事件舉例來說，可以解決如下問題：

1. 最近一月每日收入流水情況趨勢？
2. 最近一月來各渠道的每日收入流水與分布情況？
3. 來自上海的用戶，最近一月人均付費(fèi)金額的趨勢？
4. 來自上海和北京的用戶，最近一月在購買會(huì)員卡上的總付費(fèi)次數(shù)對比情況？

簡單來說事件分析為【事件】+【指標(biāo)】+【維度】，例：【打開APP】的【用戶數(shù)】以【時(shí)間維度】展示，其中事件可以添加事件屬性進(jìn)行過濾，指標(biāo)可以通過預(yù)置或者自定義指標(biāo)進(jìn)行構(gòu)建，維度除了內(nèi)置維度外也可以用屬性維度進(jìn)行展示。

規(guī)劃事件分析需要針對企業(yè)多個(gè)部門進(jìn)行調(diào)研，梳理相關(guān)核心事件，一般按照客戶生命周期進(jìn)行梳理，再不同階段下所需要觀測核心事件不同。

二、留存分析

留存分析主要分析用戶的整體參與程度、活躍程度的情況，考查進(jìn)行某項(xiàng)初始行為的用戶中，會(huì)進(jìn)行回訪行為的人數(shù)和比例。通過留存分析模型，可以分析一段時(shí)間內(nèi)，完成某項(xiàng)初始事件用戶的回訪情況，從而對事件的影響能進(jìn)行宏觀把控，優(yōu)化決策。

以從用戶活躍到消費(fèi)舉例來說，可以解決如下問題：

1. 用戶使用產(chǎn)品后的 1 個(gè)月內(nèi)，進(jìn)行消費(fèi)轉(zhuǎn)化的人數(shù)和占比情況？
2. 用戶使用產(chǎn)品后的 1 個(gè)月內(nèi)，完成消費(fèi)，且消費(fèi)金額達(dá)到 200 元的人數(shù)和占比情況？
3. 上海用戶使用產(chǎn)品后的 1 個(gè)月內(nèi)，進(jìn)行消費(fèi)轉(zhuǎn)化的人數(shù)和占比情況？
4. 一線城市用戶使用產(chǎn)品后的 1 個(gè)月內(nèi)，完成消費(fèi)，且消費(fèi)金額達(dá)到 200 元的人數(shù)和占比情況？
5. 全用戶的 30 日 LTV 情況如何？

三、分布分析

分布分析模型可以根據(jù)每個(gè)分析主體聚合后的總完成次數(shù)、天數(shù)或?qū)傩灾祫澐謪^(qū)間，查看不同區(qū)間分析主體的數(shù)量及占比。以下是常見的分析場景。

1. 事件頻率(次數(shù))：按用戶每天參與戰(zhàn)斗次數(shù)劃分區(qū)間，查看每天不同戰(zhàn)斗次數(shù)的用戶數(shù)量。
2. 用戶黏性(天數(shù))：按用戶在過去七天的登錄天數(shù)，區(qū)分不同黏性的用戶進(jìn)行后續(xù)分析。
3. 屬性值：按一段時(shí)間內(nèi)，充值的累計(jì)付費(fèi)金額將用戶拆分為大中小R，并查看不同等級(jí)用戶數(shù)量占比。

四、漏斗分析

漏斗分析是一種分析用戶在行為流中指定步驟轉(zhuǎn)化情況的分析模型，它可以幫助分析師快速掌握一段時(shí)間內(nèi)產(chǎn)品在各個(gè)步驟環(huán)節(jié)中的轉(zhuǎn)化情況，從而達(dá)到查缺補(bǔ)漏，優(yōu)化轉(zhuǎn)化流程的目的。

通過漏斗分析可以解決以下業(yè)務(wù)場景：

1. 分析用戶登錄并參與每日活動(dòng)的轉(zhuǎn)化情況。
2. 分析用戶自注冊，登陸，完成新手引導(dǎo)，參與活動(dòng)，消耗道具，付費(fèi)的轉(zhuǎn)化情況。
3. 分析各平臺(tái)的付費(fèi)轉(zhuǎn)化情況差異。

五、路徑分析

路徑分析是一種分析行為順序、行為偏好、關(guān)鍵節(jié)點(diǎn)、轉(zhuǎn)化效率的探索型模型。

路徑分析將用戶每次會(huì)話時(shí)的訪問順序進(jìn)行記錄，再整合得到用戶行為路徑的?；鶊D，直觀查看在每一關(guān)鍵節(jié)點(diǎn)前后的行為流入、流出情況。

可以直觀掌握用戶行為擴(kuò)展路線，以供優(yōu)化節(jié)點(diǎn)內(nèi)容、提升整體轉(zhuǎn)化效率。利用路徑分析模型，可以快速了解影響轉(zhuǎn)化的主次因素，從而有目的的改進(jìn)產(chǎn)品。

六、歸因分析

歸因分析是一種通過對各種因素進(jìn)行分析，確定一個(gè)特定結(jié)果的原因和影響力大小的方法。在市場營銷和廣告領(lǐng)域，歸因分析常用于確定廣告、營銷活動(dòng)或渠道對轉(zhuǎn)化率、銷售額或其他業(yè)務(wù)目標(biāo)的影響。

歸因分析可以幫助企業(yè)了解不同營銷活動(dòng)對業(yè)績的貢獻(xiàn)程度，進(jìn)而優(yōu)化資源分配和決策。以下是一些常見的歸因分析方法：

1. 最后點(diǎn)擊（Last Click）歸因：將轉(zhuǎn)化歸因給最后一次與客戶互動(dòng)的渠道或廣告。
2. 全部點(diǎn)擊（All Clicks）歸因：平等對待所有客戶互動(dòng)，將轉(zhuǎn)化平均分配給所有參與的渠道或廣告。
3. 線性（Linear）歸因：平均分配轉(zhuǎn)化給所有參與的渠道或廣告，不論其位置或時(shí)間。
4. 時(shí)間衰減（Time Decay）歸因：認(rèn)為距離轉(zhuǎn)化發(fā)生時(shí)間更近的渠道或廣告對轉(zhuǎn)化的影響更大，按時(shí)間權(quán)重分配轉(zhuǎn)化。
5. U-型（U-Shaped）歸因：將較大比重分配給轉(zhuǎn)化前和最后一次互動(dòng)的渠道或廣告，對中間互動(dòng)進(jìn)行較小比重分配。
6. 數(shù)據(jù)驅(qū)動(dòng)（Data-Driven）歸因：使用統(tǒng)計(jì)模型和算法進(jìn)行多因素權(quán)重分析，基于實(shí)際數(shù)據(jù)確定歸因比例。
7. 歸因分析的選擇取決于企業(yè)的需求和情況。綜合考慮各種因素，有助于更準(zhǔn)確地評估和優(yōu)化營銷策略，提升業(yè)務(wù)績效。

需要注意的是，歸因分析是一種輔助決策的工具，結(jié)果受到多種因素的影響，包括數(shù)據(jù)質(zhì)量、樣本大小、時(shí)間跨度、顧客行為等。因此，在進(jìn)行歸因分析時(shí)，需綜合考慮各種因素，并結(jié)合業(yè)務(wù)實(shí)際進(jìn)行解讀和判斷。

七、間隔分析

間隔分析是分析用戶產(chǎn)生兩個(gè)指定事件之間的時(shí)間間隔的分析模型，通過間隔分析模型，分析人員可以了解用戶某一核心行為的發(fā)生頻率，或者獲取兩個(gè)具有前后因果關(guān)系的事件的轉(zhuǎn)化時(shí)長。

通過間隔分析可以解決以下業(yè)務(wù)場景：

1. 分析用戶注冊后到首次付費(fèi)的轉(zhuǎn)化耗時(shí)。
2. 分析用戶產(chǎn)生兩次付費(fèi)之間的間隔時(shí)長。
3. 分析用戶首次通過兩個(gè)關(guān)卡之間的間隔時(shí)長。

以上截圖來源某車企分析洞察，本次僅作為功能性的介紹，后續(xù)文章會(huì)考慮獨(dú)立出分析產(chǎn)品的設(shè)計(jì)及操作說明。