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，作者就進行了解讀和分享，一起來看看吧！

分析看板是針對CDP所構建的數(shù)據(jù)以圖示化的方式進行展示，一個看板是由多個分析模塊構成，看板的構建要與業(yè)務場景相結合，無效的看板只能導致頁面冗雜，數(shù)據(jù)計算的浪費。系統(tǒng)會內(nèi)置一些基礎看板，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)研確認場景，從而進行看板的構建。

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)生各種行為的時間、行為的類型以及行為的詳細信息。對這些事件數(shù)據(jù)進行篩選或分組，最終計算聚合指標的模型稱為事件分析模型。

通過事件分析，可以計算一段時間內(nèi)用戶產(chǎn)生特定行為的聚合指標，了解各行為的用戶參與情況以及指標的發(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，最近一月人均付費金額的趨勢？
4. 來自上海和北京的用戶，最近一月在購買會員卡上的總付費次數(shù)對比情況？

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

規(guī)劃事件分析需要針對企業(yè)多個部門進行調(diào)研，梳理相關核心事件，一般按照客戶生命周期進行梳理，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，考查進行某項初始行為的用戶中，會進行回訪行為的人數(shù)和比例。通過留存分析模型，可以分析一段時間內(nèi)，完成某項初始事件用戶的回訪情況，從而對事件的影響能進行宏觀把控，優(yōu)化決策。

以從用戶活躍到消費舉例來說，可以解決如下問題：

1. 用戶使用產(chǎn)品后的 1 個月內(nèi)，進行消費轉(zhuǎn)化的人數(shù)和占比情況？
2. 用戶使用產(chǎn)品后的 1 個月內(nèi)，完成消費，且消費金額達到 200 元的人數(shù)和占比情況？
3. 上海用戶使用產(chǎn)品后的 1 個月內(nèi)，進行消費轉(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 個月內(nèi)，完成消費，且消費金額達到 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行后續(xù)分析。
3. 屬性值：按一段時間內(nèi)，充值的累計付費金額將用戶拆分為大中小R，并查看不同等級用戶數(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間內(nèi)產(chǎn)品在各個步驟環(huán)節(jié)中的轉(zhuǎn)化情況，從而達到查缺補漏，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)務場景：

1. 分析用戶登錄并參與每日活動的轉(zhuǎn)化情況。
2. 分析用戶自注冊，登陸，完成新手引導，參與活動，消耗道具，付費的轉(zhuǎn)化情況。
3. 分析各平臺的付費轉(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、關鍵節(jié)點、轉(zhuǎn)化效率的探索型模型。

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

可以直觀掌握用戶行為擴展路線，以供優(yōu)化節(jié)點內(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，從而有目的的改進產(chǎn)品。

六、歸因分析

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

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

1. 最后點擊（Last Click）歸因：將轉(zhuǎn)化歸因給最后一次與客戶互動的渠道或廣告。
2. 全部點擊（All Clicks）歸因：平等對待所有客戶互動，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，不論其位置或時間。
4. 時間衰減（Time Decay）歸因：認為距離轉(zhuǎn)化發(fā)生時間更近的渠道或廣告對轉(zhuǎn)化的影響更大，按時間權重分配轉(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的渠道或廣告，對中間互動進行較小比重分配。
6. 數(shù)據(jù)驅(qū)動（Data-Driven）歸因：使用統(tǒng)計模型和算法進行多因素權重分析，基于實際數(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，有助于更準確地評估和優(yōu)化營銷策略，提升業(yè)務績效。

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

七、間隔分析

間隔分析是分析用戶產(chǎn)生兩個指定事件之間的時間間隔的分析模型，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，或者獲取兩個具有前后因果關系的事件的轉(zhuǎn)化時長。

通過間隔分析可以解決以下業(yè)務場景：

1. 分析用戶注冊后到首次付費的轉(zhuǎn)化耗時。
2. 分析用戶產(chǎn)生兩次付費之間的間隔時長。
3. 分析用戶首次通過兩個關卡之間的間隔時長。

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)文章會考慮獨立出分析產(chǎn)品的設計及操作說明。