一、關聯分析
關聯分析，也叫作“購物籃分析”，是一種通過研究用戶消費數據，將不同商品之間進行關聯，并挖掘二者之間聯系的分析方法。
關聯分析目的是找到事務間的關聯性，用以指導決策行為。如“67%的顧客在購買啤酒的同時也會購買尿布”，因此通過合理的啤酒和尿布的貨架擺放或捆綁銷售可提高超市的服務質量和效益。關聯分析在電商分析和零售分析中應用相當廣泛。
關聯分析需要考慮的常見指標：
-
支持度：指A商品和B商品同時被購買的概率，或者說某個商品組合的購買次數占總商品購買次數的比例。
-
置信度：指購買A之后又購買B的條件概率，簡單說就是因為購買了A所以購買了B的概率。
-
提升度：先購買A對購買B的提升作用，用來判斷商品組合方式是否具有實際價值。
二、對比分析
對比法就是用兩組或兩組以上的數據進行比較。對比法是一種挖掘數據規律的思維，能夠和任何技巧結合，一次合格的分析一定要用到N次對比。
對比主要分為以下幾種：
-
橫向對比：同一層級不同對象比較，如江蘇不同市茅臺銷售情況。
-
縱向對比：同一對象不同層級比較，如江蘇南京2021年各月份茅臺銷售情況。
-
目標對比：常見于目標管理，如完成率等。
-
時間對比：如同比、環比、月銷售情況等，很多地方都會用到時間對比。
三、聚類分析
聚類分析屬于探索性的數據分析方法。從定義上講，聚類就是針對大量數據或者樣品，根據數據本身的特性研究分類方法，并遵循這個分類方法對數據進行合理的分類，最終將相似數據分為一組，也就是“同類相同、異類相異”。
在用戶研究中，很多問題可以借助聚類分析來解決，比如，網站的信息分類問題、網頁的點擊行為關聯性問題以及用戶分類問題等等。其中，用戶分類是最常見的情況。
常見的聚類方法有不少，比如K均值（K-Means），譜聚類（Spectral Clustering），層次聚類（Hierarchical Clustering）。
以最為常見的K-means為例，可以看到，數據可以被分到黃藍綠三個不同的簇（cluster）中，每個簇有其特有的性質。
四、留存分析
留存分析是一種用來分析用戶參與情況/活躍程度的分析模型，考查看進行初始行為后的用戶中， 經過一段時間后仍然存在客戶行為（如登錄、消費）。留存不僅是個可以反映客戶粘性的指標，更多地反映產品對用戶的吸引力。
按照不同周期，留存率分為三類：
第一種是日留存，日留存又可以細分為以下幾種：
-
次日留存率：（當天新增的用戶中，第2天還登錄的用戶數）/第一天新增總用戶數；
-
第3日留存率：（第一天新增用戶中，第3天還有登錄的用戶數）/第一天新增總用戶數；
-
第7日留存率：（第一天新增用戶中，第7天還有登錄的用戶數）/第一天新增總用戶數；
-
第14日留存率：（第一天新增用戶中，第14天還有登錄的用戶數）/第一天新增總用戶數；
-
第30日留存率：（第一天新增用戶中，第30天還有登錄的用戶數）/第一天新增總用戶數。
第二種是周留存，以周度為單位的留存率，指的是每個周相對于第一個周的新增用戶中，仍然還有登錄的用戶數。
第三種是月留存，以月度為單位的留存率，指的是每個月相對于第一個周的新增用戶中，仍然還有登錄的用戶數。
留存率是針對新用戶的，其結果是一個矩陣式半面報告（只有一半有數據），每個數據記錄行是日期、列為對應的不同時間周期下的留存率。正常情況下，留存率會隨著時間周期的推移而逐漸降低。
下面以月留存為例生成的月用戶留存曲線：
五、帕累托分析
帕累托法則，源于經典的二八法則——“世界上80%的財富掌握在20%的富人手里”。而在數據分析中，這句話可以理解為20%的數據產生了80%的效果，需要圍繞找到的20%有效數據進行挖掘，使之產生更大的效果。
比如一個商超進行產品分析的時候，就可以對每個商品的利潤進行排序，找到前20%的產品，那這些產品就是能夠帶來較多價值的商品，可以再通過組合銷售、降價銷售等手段，進一步激發其帶來的收益回報。
帕累托法則一般會用在產品分類上，此時就表現為ABC分類。常見的做法是將產品SKU作為維度，并將對應銷售額作為基礎度量指標，將這些銷售額指標從大到小排列，并計算累計銷售額占比。
百分比在 70%（含）以內，劃分為 A 類。百分比在 70~90%（含）以內，劃分為 B 類。百分比在 90~100%（含）以內，劃分為 C 類。
按照A、B、C分組對產品進行了分類，根據產品的效益分為了三個等級，這樣就可以針對性投放不同程度的資源，來產出最優的效益。
六、象限分析
象限法是通過對兩種及以上維度的劃分，運用坐標的方式，人工對數據進行劃分，從而傳遞數據價值，將之轉變為策略。象限法是一種策略驅動的思維，常應用在產品分析、市場分析、客戶管理、商品管理等場景，像RFM模型、波士頓矩陣都是象限法思維。
下面這個RFM模型就是利用象限法，將用戶分為8個不同的層級，從而對不同用戶制定不同的營銷策略。
象限法的優勢：
（1）找到問題的共性原因
通過象限分析法，將有相同特征的事件進行歸因分析，總結其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；
（2）建立分組優化策略
針對投放的象限分析法可以針對不同象限建立優化策略，例如RFM客戶管理模型中按照象限將客戶分為重點發展客戶、重點保持客戶、一般發展客戶、一般保持客戶等不同類型。給重點發展客戶傾斜更多的資源，比如VIP服務、個性化服務、附加銷售等。給潛力客戶銷售價值更高的產品，或一些優惠措施來吸引他們回歸。
七、ABtest
A/Btest，是將Web或App界面或流程的兩個或多個版本，在同一時間維度，分別讓類似訪客群組來訪問，收集各群組的用戶體驗數據和業務數據，最后分析評估出最好版本正式采用。
A/Btest的流程如下：
-
現狀分析并建立假設：分析業務數據，確定當前最關鍵的改進點，作出優化改進的假設，提出優化建議；比如說我們發現用戶的轉化率不高，我們假設是因為推廣的著陸頁面帶來的轉化率太低，下面就要想辦法來進行改進了。
-
設定目標，制定方案：設置主要目標，用來衡量各優化版本的優劣；設置輔助目標，用來評估優化版本對其他方面的影響。
-
設計與開發：制作2個或多個優化版本的設計原型并完成技術實現。
-
分配流量：確定每個線上測試版本的分流比例，初始階段，優化方案的流量設置可以較小，根據情況逐漸增加流量。
-
采集并分析數據：收集實驗數據，進行有效性和效果判斷：統計顯著性達到95%或以上并且維持一段時間，實驗可以結束；如果在95%以下，則可能需要延長測試時間；如果很長時間統計顯著性不能達到95%甚至90%，則需要決定是否中止試驗。
-
最后：根據試驗結果確定發布新版本、調整分流比例繼續測試或者在試驗效果未達成的情況下繼續優化迭代方案重新開發上線試驗。
八、漏斗分析
漏斗思維本質上是一種流程思路，在確定好關鍵節點之后，計算節點之間的轉化率。這個思路同樣適用于很多地方，像電商的用戶購買路徑分析、app的注冊轉化率等等。
上圖是經典的營銷漏斗，形象展示了從獲取用戶到最終轉化成購買這整個流程中的一個個子環節。
整個漏斗模型就是先將整個購買流程拆分成一個個步驟，然后用轉化率來衡量每一個步驟的表現，最后通過異常的數據指標找出有問題的環節，從而解決問題，優化該步驟，最終達到提升整體購買轉化率的目的。
著名的海盜模型AARRR模型就是以漏斗模型作為基礎的，從獲客、激活、留存、變現、自傳播五個關鍵節點，分析不同節點之間的轉化率，找到能夠提升的環節，采取措施。
九、路徑分析
用戶路徑分析追蹤用戶從某個開始事件直到結束事件的行為路徑，即對用戶流向進行監測，可以用來衡量網站優化的效果或營銷推廣的效果，以及了解用戶行為偏好，其最終目的是達成業務目標，引導用戶更高效地完成產品的最優路徑，最終促使用戶付費。
如何進行用戶行為路徑分析？
-
計算用戶使用網站或APP時的每個第一步，然后依次計算每一步的流向和轉化，通過數據，真實地再現用戶從打開APP到離開的整個過程。
-
查看用戶在使用產品時的路徑分布情況。例如：在訪問了某個電商產品首頁的用戶后，有多大比例的用戶進行了搜索，有多大比例的用戶訪問了分類頁，有多大比例的用戶直接訪問的商品詳情頁。
-
進行路徑優化分析。例如：哪條路徑是用戶最多訪問的；走到哪一步時，用戶最容易流失。
-
通過路徑識別用戶行為特征。例如：分析用戶是用完即走的目標導向型，還是無目的瀏覽型。
-
對用戶進行細分。通常按照APP的使用目的來對用戶進行分類。如汽車APP的用戶可以細分為關注型、意向型、購買型用戶，并對每類用戶進行不同訪問任務的路徑分析，比如意向型的用戶，他進行不同車型的比較都有哪些路徑，存在什么問題。還有一種方法是利用算法，基于用戶所有訪問路徑進行聚類分析，依據訪問路徑的相似性對用戶進行分類，再對每類用戶進行分析。
以上。
