数据分析方法五种的介绍

1. 数据分析方法五种的介绍

2. 三种数据分析方法

首先，常见的数据分析方法有9种： 对比分析，多维度拆解分析，漏斗观察 ，分布分析，用户留存分析，用户画像，归因查找，路径挖掘，行为序列分析。
  
 这里将重点展开分享前三种数据分析方法：  对比分析，多维度拆解分析，漏斗观察。 
  
  1、对比分析  
  
 对比分析是 最基础最常见 的数据分析方法，能 直观的看出事物某阶段的变化，并且可以准确、量化地表达出这种变化/差距是多少 ，重点从「比什么」「怎么比」「跟谁比」三个维度进行分析。
                                          
  （1）比什么  
  
 比什么，分为绝对值（#）和比例值（%）的比较。
  
 绝对值本身已是具备“价值”的数据，比如销售金额2000元，阅读数10000万，单看数字不易得知问题的严重程度；
  
  比例值只有在具体环境中看比例才具备对比价值 ，比如活跃占比，注册转化率， 单看比例值容易受到极端值的影响。  
  
 
  
  
  （2）怎么比  
  
 怎么比，分为环比和同比。
  
  常见的环比有日环比，月环比 ，是指 与当前时间范围相邻的上一个时间范围对比 ，主要用于对短期内具备连续性的数据进行分析，如指标设定；
  
  常见的同比有周同比，年同比 ，是指 与当前时间范围上层时间范围的前一范围中同样位置进行数据对比分析 ，主要用于观察更长期的数据集，消除短期数据的干扰。
  
 
  
  
  （3）和谁比  
  
 和谁比，分为和自己比、和行业比。
  
  和自己比 ，可以从不同的时间维度，不同的业务线，过往经验估计，跟自己比较；
  
  和行业比 ，可以观察分析得出是自身因素，还是行业趋势，比如都跌的时候，能否比同行跌的少？都涨的时候，能都比同行涨的快？ 
  
 现在回到上面这条「飞猪公关数据」“放假消息公布以后，10点到12点，国内机票的预定量，比上周同时段增长超过50%；国际机票的增长更加惊人，超过了150%。” 
  
 很显然， 
  
 “50%，150%”都是比例值； 
  
 “比上周同时段增长...”由于是#五一放假4天#消息导致的数据短期内连续上涨，所以选择的是周同比； 
  
 “国内机票的预定…国际机票...”飞猪是在跟自己比，若有行业数据公布作为依据，可以判断飞猪是比同行涨的快/慢。 
  
  2、多维度拆解  
  
 多维度拆解，是最重要的一种思维方式， 一个单一指标是不具备分析价值的，我们需要从多个维度进行拆解分析才有意义，最终以获得更加全面的数据洞察。  
  
 数据分析的本质是用不同的视角去拆分，观察同一数据指标。多维度拆解的本质多维度拆分指标/业务流程，来观察数据变动。 
                                          
  多维度拆解的适用场景：  
  
 （1） 分析单一指标的构成、比例时 ，比如分栏目的播放量、新老用户比例；
  
 
  
  
 （2） 针对流程进行拆解 ，比如不同渠道的浏览、购买转化率，不同省份的活动参与漏斗；
  
 （3） 还原行为发生时的场景 ，比如打赏主播的用户的等级、性别、关注频道，是否在WiFi或4G环境下。
  
 
  
  
 现在回到第一个场景：“比如，某段时间公司做了一波网红大V推广，老板想看看推广效果，你需要来个复盘分析…” 
  
 这时就需要用到多维度拆解分析方法，大致的分析思路这样这样： 
  
  （1）从APP启动事件来分析  
  
 按照 设备类型 查看，比如Android、iPhone…不同机型的启动情况；
  
 按照 启动来源 来看，比如是从桌面、短信、PUSH…不同来源的启动情况；
  
 按照 城市等级 观察，比如一线、二线、三线及以下…不同城市的启动情况；
  
 按照 新老用户 细分，比如总体、新用户、老用户...不同用户群体的启动情况。
  
 
  
  
  （2）从业务流程拆解  
  
 比如对于简单的“注册——>下单——>支付”流程而言：
  
 支付漏斗按照 渠道 查看，渠道可能分为百度、头条、微信公众号…
  
 支付漏斗按照 城市 来看，城市可能分为一线、二线、三线及以下…
  
 支付漏斗按照 设备 来看，设备可能分为Android、iPhone…
  
  3、漏斗观察  
  
 漏斗观察的分析方法我们常见且熟悉，它的运作原理是 通过一连串向后影响的用户行为来观察目标。  
  
  适用于有明确的业务流程和业务目标的业务，不适用于没有明确的业务流程、跳转关系纷繁复杂的业务。  
  
 通过漏斗观察核心业务流程的健康程度。 
                                          
 盘点一下在建立漏斗时容易掉的坑： 
  
  （1）首先漏斗观察需要有一定的时间窗口 ，具体需要根据业务实际情况，选择对应的时间窗口。 
  
  按天观察 ，适用于对用户心智的影响只在短期内有效的情况，比如一些短期活动（当前有效，倒计时设置等）； 
  
  按周观察 ，适用于业务本身复杂，用户决策成本高，需要跨日才能完成的情况，比如投资理财，开户注资； 
  
  按月观察 ，适用于用户决策周期更长的情况，比如装修买房。 
  
 
  
  
  （2）其次漏斗观察是有严格顺序的 ，不可以用ABCDE（仅搜索途径的数据）的漏斗，看ACE（包含分类、搜索、推荐位三条途径的数据）的数据 。
                                          
  （3）漏斗的计算单位可以基于用户，也可以基于时间。 
  
 
  
  
 观察用户，是关心整个业务流程的推动；
  
 观察事件，是关心某一步具体的转化率，但无法获知事件流转的真实情况。
                                          
  （4）结果指标的数据不符合预期时，需要自查是否只有一个漏斗能够触达最终目标 ，也就是检查下，是否出现第二个坑的情况。
  
 
  
  
  四、案例分享——某款社交APP在国庆期间数据猛涨原因分析 
  
 场景是这样，现在有一款匿名社交APP，类似于探探，数据范围在 2018 年 9 月 1 日 - 10 月 14 日之间，其中在国庆期间数据猛涨，试分析其原因。
  
  （1）首先定义“数据猛涨” 
  
 作为一款匿名社交产品，可以选择观察「注册成功」事件。
  
 由于产生行为数据的时间较短，所以最后选择关注“注册用户数的日环比是否有比较大的增涨”，并按照「注册成功」事件的「触发用户数」进行查看：
                                          
  （2）发现异常定位问题 
  
 从上面这张注册成功的触发用户数折线图可以看出，国庆期间的注册用户日环比存在较高的数据增长差，就是折线右侧出现的一段高峰。
  
 由此判断，国庆期间由于某种原因造成了注册用户数的大幅增长，具体原因，待进一步拆解分析。
  
 
  
  
  （3）多维度拆解分析 
                                          
 按照操作系统区分观察，可以发现Android的涨幅明显高于iOS，iOS稍有涨幅，但涨幅不明显。
  
 这一步仍无法直接定位问题，需进一步拆解分析。
                                          
 上图 按照注册方式观察 ，微信、微博、手机号这三种注册方式，在国庆期间均有涨幅且涨幅相似，可初步判断注册方式与此次数据异常无关。
                                          
 上图 按照性别观察 ，男生和女生在国庆期间均有涨幅，男生略高于女生，但仍无法直接定位问题，需进一步拆解分析；
                                          
 上图 按照年龄观察 ，不同年龄层的用户在国庆期间均有涨幅且涨幅相似，可初步判断年龄与此次数据异常无关。
                                          
 
  
  
  问题来了！按照省份观察 ，上图明显看到有一根折现异常升高！
  
 其实是海南省的日环比涨幅增高，除此之外，云南省的环比涨幅相较其他省份也明显升高。
  
 综上观察分析基本可以判断，国庆期间数据猛涨，跟海南省、云南省的注册用户数大幅增长有关，具体原因待进一步拆解分析。
                                          
 继续 按照城市观察 ，筛选条件设置为省份等于海南省，云南省，直观看到丽江市、大理市、三亚市、海口市国庆期间数据猛涨。
  
 综合以上多维度分析发现，国庆期间数据猛涨，主要是由于 丽江市、大理市、三亚市、海口市 四个城市有明显涨幅。
  
 而这四个城市都属于旅游城市，且数据增长时期伴随国庆假期。
  
 于是猜测可能是，该款匿名社交产品在国庆期间，面向这四个热门旅游目的地，做了推广活动，关于数据猛涨真实的具体原因，还需要与市场、运营、或负责增长相关的同事沟通确认。

3. 数据分析方法 怎么分析数据

1、将收集到的数据通过加工、整理和分析的过程，使其转化为信息，通常来说，数据分析常用的方法有列表法和作图法，所谓列表法，就是将数据按一定规律用列表方式表达出来，是记录和处理数据最常用的一种方法。 
 
 2、表格设计应清楚表明对应关系，简洁明了，有利于发现要相关量之间的关系，并且在标题栏中还要注明各个量的名称、符号、数量级和单位等。 
 
 3、而作图法则能够醒目地表达各个物理量间的变化关系，从图线上可以简便求出实验需要的某些结果，一些复杂的函数关系也可以通过一定的变化用图形来表现。

4. 数据分析方法的介绍

《数据分析方法》是2006年高等教育出版社出版的图书是。该书讲述了常用统计数据分析的基本内容与方法，包括数据的描述性分析、线性回归分析、方差分析、主成分分析和典型相关分析、判别分析、聚类分析、Bayes统计分析等。

5. 数据分析的方法有哪些

总的分两种：
1 列表法 
将实验数据按一定规律用列表方式表达出来是记录和处理实验数据最常用的方法。表格的设计要求对应关系清楚、简单明了、有利于发现相关量之间的物理关系；此外还要求在标题栏中注明物理量名称、符号、数量级和单位等；根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。最后还要求写明表格名称、主要测量仪器的型号、量程和准确度等级、有关环境条件参数如温度、湿度等。 

2 作图法 
作图法可以最醒目地表达物理量间的变化关系。从图线上还可以简便求出实验需要的某些结果（如直线的斜率和截距值等），读出没有进行观测的对应点（内插法），或在一定条件下从图线的延伸部分读到测量范围以外的对应点（外推法）。此外，还可以把某些复杂的函数关系，通过一定的变换用直线图表示出来。例如半导体热敏电阻的电阻与温度关系为，取对数后得到，若用半对数坐标纸，以lgR为纵轴，以1／T为横轴画图，则为一条直线。

6. 数据分析的方法有哪些

数据分析的方法有：对比分析法，分组分析法，预测分析法，漏斗分析法，AB测试分析法，象限分析法，公式拆解法，可行域分析法，二八分析法，假设性分析法。
1. 对比分析法：对比分析法指通过指标的对比来反映事物数量上的变化，属于统计分析中常用的方法。常见的对比有横向对比和纵向对比。
横向对比指的是不同事物在固定时间上的对比，例如，不同等级的用户在同一时间购买商品的价格对比，不同商品在同一时间的销量、利润率等的对比。

纵向对比指的是同一事物在时间维度上的变化，例如，环比、同比和定基比，也就是本月销售额与上月销售额的对比，本年度1月份销售额与上一年度1月份销售额的对比，本年度每月销售额分别与上一年度平均销售额的对比等。
利用对比分析法可以对数据规模大小、水平高低、速度快慢等做出有效的判断和评价。
2. 分组分析法：分组分析法是指根据数据的性质、特征，按照一定的指标，将数据总体划分为不同的部分，分析其内部结构和相互关系，从而了解事物的发展规律。根据指标的性质，分组分析法分为属性指标分组和数量指标分组。所谓属性指标代表的是事物的性质、特征等，如姓名、性别、文化程度等，这些指标无法进行运算；而数据指标代表的数据能够进行运算，如人的年龄、工资收入等。分组分析法一般都和对比分析法结合使用。

3.预测分析法：预测分析法主要基于当前的数据，对未来的数据变化趋势进行判断和预测。预测分析一般分为两种：一种是基于时间序列的预测，例如，依据以往的销售业绩，预测未来3个月的销售额；另一种是回归类预测，即根据指标之间相互影响的因果关系进行预测，例如，根据用户网页浏览行为，预测用户可能购买的商品。
4.漏斗分析法：漏斗分析法也叫流程分析法，它的主要目的是专注于某个事件在重要环节上的转化率，在互联网行业的应用较普遍。比如，对于信用卡申请的流程，用户从浏览卡片信息，到填写信用卡资料、提交申请、银行审核与批卡，最后用户激活并使用信用卡，中间有很多重要的环节，每个环节的用户量都是越来越少的，从而形成一个漏斗。使用漏斗分析法，能使业务方关注各个环节的转化率，并加以监控和管理，当某个环节的转换率发生异常时，可以有针对性地优化流程，采取适当的措施来提升业务指标。

5.AB测试分析法：AB 测试分析法其实是一种对比分析法，但它侧重于对比A、B两组结构相似的样本，并基于样本指标值来分析各自的差异。例如，对于某个App的同一功能，设计了不同的样式风格和页面布局，将两种风格的页面随机分配给使用者，最后根据用户在该页面的浏览转化率来评估不同样式的优劣，了解用户的喜好，从而进一步优化产品。

除此之外，要想做好数据分析，读者还需掌握一定的数学基础，例如，基本统计量的概念（均值、方差、众数、中位数等），分散性和变异性的度量指标（极差、四分位数、四分位距、百分位数等），数据分布（几何分布、二项分布等），以及概率论基础、统计抽样、置信区间和假设检验等内容，通过相关指标和概念的应用，让数据分析结果更具专业性。

6.象限分析法：X轴从左到右是点击率的高低，Y轴从下到上是转化率的高低，形成了4个象限，这就是我们要说的象限分析法。

针对每次营销活动的点击率和转化率找到相应的数据标注点，然后将这次营销活动的效果归到每个象限，4个象限分别代表了不同的效果评估。
7.公式拆解法：所谓公式拆解法就是针对某项指标，用公式表现该指标的影响因素，例如日销售额的影响因素是各商品的销售额，找到影响因素后，需要对影响因素的影响因素进行拆解。

8.可行域分析法：可行域分析实际上是一种自己建立的数据分析模型，根据具体数据不断修正调整可行域的范围，对业务指标进行有效评价。

9.二八分析法：八法则和长尾理论是相对的，二八法则告诉我们说，你要重视头部用户，也就是能产生80%收益的那20%的用户或商品，而长尾理论告诉我们说要重视长尾效应，也就是剩余那20%的收益。

10.假设分析法：简单理解，假设法是在已知结果数据，在影响结果的多个变量中假设一个定量，对过程反向推导的数据分析方法。

数据分析方法是‬数据统计学‬当中‬应用‬非常‬广泛‬的方法‬，具体‬方法‬有很多种‬，具体采用的时候因人而异。

7. 数据分析的分析方法都有哪些？

很多数据分析是在分析数据的时候都会使用一些数据分析的方法，但是很多人不知道数据分析的分析方法有什么？对于数据分析师来说，懂得更多的数据分析方法是很有必要的，而且数据分析师工作工程中会根据变量的不同采用不同的数据分析方法，一般常用的数据分析方法包括聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析等，我们要学会使用这些数据分析之前一定要懂得这些方法的定义是什么。
第一先说因子分析方法，所谓因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。因子分析的方法约有10多种，如影像分析法，重心法、最大似然法、最小平方法、α抽因法、拉奥典型抽因法等等。
第二说一下回归分析方法。回归分析方法就是指研究一个随机变量Y对另一个(X)或一组变量的相依关系的统计分析方法。回归分析是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。回归分析方法运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。
 
接着说相关分析方法，相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。相关关系是一种非确定性的关系。
然后说聚类分析方法。聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析是一种探索性的分析，在分类的过程中，不需要事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。
接着说方差分析方法。方差数据方法就是用于两个及两个以上样本均数差别的显著性检验。由于各种因素的影响，研究所得的数据呈现波动状。方差分析是从观测变量的方差入手，研究诸多控制变量中哪些变量是对观测变量有显著影响的变量。
最后说一下对应分析方法。对应分析是通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。
通过上述的内容，我们发现数据分析的方法是有很多的，除了文中提到的聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析等分析方法以外，还有很多的数分析方法，而上面提到的数据分析方法都是比较经典的，大家一定要多多了解一下此类相关信息的发生，希望这篇文章能够给大家带来帮助。

8. 数据分析方法有哪些

常用的列了九种供参考:
一、公式拆解
所谓公式拆解法就是针对某个指标，用公式层层分解该指标的影响因素。举例：分析某产品的销售额较低的原因，用公式法分解

二、对比分析
对比法就是用两组或两组以上的数据进行比较，是最通用的方法。
我们知道孤立的数据没有意义，有对比才有差异。比如在时间维度上的同比和环比、增长率、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法可以发现数据变化规律，使用频繁，经常和其他方法搭配使用。
下图的AB公司销售额对比，虽然A公司销售额总体上涨且高于B公司，但是B公司的增速迅猛，高于A公司，即使后期增速下降了，最后的销售额还是赶超。

三、A/Btest
A/Btest，是将Web或App界面或流程的两个或多个版本，在同一时间维度，分别让类似访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用。A/Btest的流程如下：
（1）现状分析并建立假设：分析业务数据，确定当前最关键的改进点，作出优化改进的假设，提出优化建议；比如说我们发现用户的转化率不高，我们假设是因为推广的着陆页面带来的转化率太低，下面就要想办法来进行改进了
（2）设定目标，制定方案：设置主要目标，用来衡量各优化版本的优劣；设置辅助目标，用来评估优化版本对其他方面的影响。
（3）设计与开发：制作2个或多个优化版本的设计原型并完成技术实现。
（4）分配流量：确定每个线上测试版本的分流比例，初始阶段，优化方案的流量设置可以较小，根据情况逐渐增加流量。
（5）采集并分析数据：收集实验数据，进行有效性和效果判断：统计显著性达到95%或以上并且维持一段时间，实验可以结束；如果在95%以下，则可能需要延长测试时间；如果很长时间统计显著性不能达到95%甚至90%，则需要决定是否中止试验。
（6）最后：根据试验结果确定发布新版本、调整分流比例继续测试或者在试验效果未达成的情况下继续优化迭代方案重新开发上线试验。流程图如下：


四、象限分析
通过对两种及以上维度的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常与产品分析、市场分析、客户管理、商品管理等。比如，下图是一个广告点击的四象限分布，X轴从左到右表示从低到高，Y轴从下到上表示从低到高。

高点击率高转化的广告，说明人群相对精准，是一个高效率的广告。高点击率低转化的广告，说明点击进来的人大多被广告吸引了，转化低说明广告内容针对的人群和产品实际受众有些不符。高转化低点击的广告，说明广告内容针对的人群和产品实际受众符合程度较高，但需要优化广告内容，吸引更多人点击。低点击率低转化的广告，可以放弃了。还有经典的RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。

象限法的优势：（1）找到问题的共性原因
通过象限分析法，将有相同特征的事件进行归因分析，总结其中的共性原因。例如上面广告的案例中，第一象限的事件可以提炼出有效的推广渠道与推广策略，第三和第四象限可以排除一些无效的推广渠道；
（2）建立分组优化策略针对投放的象限分析法可以针对不同象限建立优化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。给重点发展客户倾斜更多的资源，比如VIP服务、个性化服务、附加销售等。给潜力客户销售价值更高的产品，或一些优惠措施来吸引他们回归。
五、帕累托分析
帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。
一般地，会用在产品分类上，去测量并构建ABC模型。比如某零售企业有500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢，这就是在业务运营中分清主次的问题。
常见的做法是将产品SKU作为维度，并将对应的销售额作为基础度量指标，将这些销售额指标从大到小排列，并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。
百分比在 70%（含）以内，划分为 A 类。百分比在 70~90%（含）以内，划分为 B 类。百分比在 90~100%（含）以内，划分为 C 类。以上百分比也可以根据自己的实际情况调整。
ABC分析模型，不光可以用来划分产品和销售额，还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些，占比多少。假设有20%，那么在资源有限的情况下，就知道要重点维护这20%类客户。

六、漏斗分析
漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。

上图是经典的营销漏斗，形象展示了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。比如分析电商的转化，我们要做的就是监控每个层级上的用户转化，寻找每个层级的可优化点。对于没有按照流程操作的用户，专门绘制他们的转化模型，缩短路径提升用户体验。
还有经典的黑客增长模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。
从下面这幅AARRR模型图中，能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比，从而发现对应的问题，最终进行不断的优化迭代。

七、路径分析
用户路径分析追踪用户从某个开始事件直到结束事件的行为路径，即对用户流向进行监测，可以用来衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，其最终目的是达成业务目标，引导用户更高效地完成产品的最优路径，最终促使用户付费。如何进行用户行为路径分析？
（1）计算用户使用网站或APP时的每个第一步，然后依次计算每一步的流向和转化，通过数据，真实地再现用户从打开APP到离开的整个过程。（2）查看用户在使用产品时的路径分布情况。例如：在访问了某个电商产品首页的用户后，有多大比例的用户进行了搜索，有多大比例的用户访问了分类页，有多大比例的用户直接访问的商品详情页。（3）进行路径优化分析。例如：哪条路径是用户最多访问的；走到哪一步时，用户最容易流失。（4）通过路径识别用户行为特征。例如：分析用户是用完即走的目标导向型，还是无目的浏览型。（5）对用户进行细分。通常按照APP的使用目的来对用户进行分类。如汽车APP的用户可以细分为关注型、意向型、购买型用户，并对每类用户进行不同访问任务的路径分析，比如意向型的用户，他进行不同车型的比较都有哪些路径，存在什么问题。还有一种方法是利用算法，基于用户所有访问路径进行聚类分析，依据访问路径的相似性对用户进行分类，再对每类用户进行分析。
以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或者期望中的路径。用户行为路径图示例：

八、留存分析
用户留存指的是新会员/用户在经过一定时间之后，仍然具有访问、登录、使用或转化等特定属性和行为，留存用户占当时新用户的比例就是留存率。留存率按照不同的周期分为三类，以登录行为认定的留存为例：第一种 日留存，日留存又可以细分为以下几种：（1）次日留存率：（当天新增的用户中，第2天还登录的用户数）/第一天新增总用户数（2）第3日留存率：（第一天新增用户中，第3天还有登录的用户数）/第一天新增总用户数（3）第7日留存率：（第一天新增用户中，第7天还有登录的用户数）/第一天新增总用户数（4）第14日留存率：（第一天新增用户中，第14天还有登录的用户数）/第一天新增总用户数（5）第30日留存率：（第一天新增用户中，第30天还有登录的用户数）/第一天新增总用户数
第二种 周留存，以周度为单位的留存率，指的是每个周相对于第一个周的新增用户中，仍然还有登录的用户数。
第三种 月留存，以月度为单位的留存率，指的是每个月相对于第一个周的新增用户中，仍然还有登录的用户数。留存率是针对新用户的，其结果是一个矩阵式半面报告（只有一半有数据），每个数据记录行是日期、列为对应的不同时间周期下的留存率。正常情况下，留存率会随着时间周期的推移而逐渐降低。下面以月留存为例生成的月用户留存曲线：

九、聚类分析
聚类分析属于探索性的数据分析方法。通常，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，比如，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中，用户分类是最常见的情况。
常见的聚类方法有不少，比如K均值（K-Means），谱聚类（Spectral Clustering），层次聚类（Hierarchical Clustering）。以最为常见的K-means为例，如下图：

可以看到，数据可以被分到红蓝绿三个不同的簇（cluster）中，每个簇应有其特有的性质。显然，聚类分析是一种无监督学习，是在缺乏标签的前提下的一种分类模型。当我们对数据进行聚类后并得到簇后，一般会单独对每个簇进行深入分析，从而得到更加细致的结果。
获取更多数据分析学习信息及资料,欢迎关注聚数云海同名公众号哦~