越来越多的用户行为促使我们去挖掘用户真正的动机，本质的需求，而分析用户行为需要有相应的分析方法，数据分析模型即是以此为目的总结归纳的分析方法。
数据分析模型：指对于某个实际问题或客观事物、规律进行抽象后的一种形式化表达方式。
在统计学领域，有些人将数据分析划分为描述性统计分析、探索性数据分析以及验证性数据分析；其中，探索性数据分析侧重于在数据之中发现新的特征，而验证性数据分析则侧重于已有假设的证实或证伪。
用户模型
传统用户模型的建立需要耗费巨大精力和时间，但由于数据采集自真实用户，数据的准确程度最高，在互联网发展的愈加快速的现下，还有一种方法可以减少时间成本，并且获得更多的数据来源，即临时用户模型，其数据来源于领域专家及市场分析机构，但相对的数据准确程度会有降低。
无论哪种方式，建立用户模型的目的都是为了对用户所在生命周期的不同阶段，针对性的采取对策，所以我们不仅需要记录用户的基本标签特征，还要记录用户的行为数据，并且实时关注数据波动，及时采取行动。
举例：手机市场及广告策略变化基于用户行为变化，从小屏到大屏再到摄像头，是由于4g逐渐成熟，移动端上网速度提升，用户行为喜好逐渐从文字图片转移到视频，大屏手机成为必然趋势，促使苹果公司改变策略推出大屏手机，最近几年国产手机及苹果均以摄像头作为卖点，因为用户社交行为的增加，包括抖音，映客等小视频直播的兴起，用户由以前的观看行为转变为参与行为，相应的能为这些行为提供基础服务的摄像头则成为宣传重点。由此可见，对策略的影响，已经从用户基础数据的记录走向更加有针对性的用户行为记录。
事件模型
事件
它是用户行为的一个专业描述，用户在产品上的所有获得的程序反馈都可以抽象为事件，由开发人员通过埋点进行数据采集。
事件采集
就像讲故事一样，整个事件过程需要记录who,when,where,how,what这些数据；在设计埋点需求文档时，采集时机的说明尤为重要，也是保证数据准确性的核心。比如记录注册成功数量的采集时机应为服务器返回注册成功的时间点，而不是用户点击提交注册按钮的时间点。
事件分析
我们能看到活动事件过程中，参与抽奖：44103人，点击按钮人：13851人，分享成功人5397人
漏斗模型
漏斗模型帮助你分析一个多步骤过程中每一步的转化与流失情况。
例如注册流程我们需要将按照流程操作的用户进行各个转化层级上的监控，寻找每个层级的可优化点；拥有埋点意识和全局观念，才能够有效采集，为每个环节的漏斗优化做出决策依据，推动各个环节优化。
热图分析模型
热图分析分为点击热图、浏览热图
点击热图
一种是鼠标的所有点击，一种是页面可点击元素的点击。前者可以追踪页面上所有可点击和不可点击位置的被点击情况，后者只追踪页面上可点击元素的点击情况。
浏览热图（也称注意力热图）
记录的是用户在不同页面或同一页面不同位置停留时间的百分比计算。web时期，通过记录鼠标停留区域来采集浏览热图数据，因为根据测算80%用户鼠标与眼动保持一致；移动时代，用户眼动与手指并没有太大关联，所以浏览热图也将转向以屏为单位统计数据（个人理解）
我们可以根据不同用户的需求提供更具个性化的页面，用户更聚焦哪些功能？哪些功能流量大但却比较隐蔽？对于大流量的入口是否还有其他信息可以一同展示从而增加曝光？
留存分析模型
留存定义：满足某个条件的用户，在某个时间点有没有进行回访行为
留存公式：若满足某个条件的用户数为n，在某个时间点进行回访行为的用户数为m，那么该时间点的留存率就是m/n
对于产品而言，留存率越高，说明产品的活跃用户越多，转化为忠实用户的比例会越大，越有利于产品变现能力的提升。因此，留存率是判断产品价值最重要的标准。
一般情况我们采用三种方式统计留存数据
N-day留存
Unbounded留存（N天内留存）
Bracket留存 （自定义观察期留存）
上述三种留存方式，都是对时间的限定，对留存的定义都是用户打开了APP或进入了网站
以电商类产品为例，4月9号新增用户的第三天留存就是4月12日进入产品的用户比例，即N-day留存；4月10号、4月11号和4月12日3天中任意一天进入产品的去重用户比例，即Unbounded留存；如果自定义一个观察期，比如第第3日-第7日的留存就是4月12日-4月16日的中任意一天进入产品的去重用户比例，即Bracket留存。
自定义行为留存
自定义行为的留存概念：比如看过一篇文章，看过一段完整小视频，看过一件商品，看过一套房源。滴滴的活动留存“抢了红包的用户后来打了车的日留存”，即初始行为是抢了红包，回访行为是打了车。阅读类产品会把看过至少一篇文章的用户定义为真正的留存用户，电商类产品会把至少查看过一次商品详情定义为有效留存。房产举例：用户线上参与优惠活动领取优惠码为初始行为，活动期间内线下购房出示优惠活动代码为回访行为，整个事件完成，为一个有效留存。
签到是提高留存率的古老而有效的方式
粘性分析
作用：使用粘性分析，了解产品和功能黏住用户的能力如何，用户喜欢哪个功能，不同用户在同一功能在适用上的差异，有助于科学评估产品，制定留存策略。
有一个关键词汇：CLV（Customer Lifetime Value），也叫客户生命周期价值，意思是指用户这辈子能为你创造的价值总和。简单说就是：从用户身上赚到钱，不算厉害；
从同一个用户身上赚一辈子的钱，才算厉害，这就是为什么我们认为用户留存率是最重要的指标。
模型：动机—能力—触发—多变的酬赏—投入
全行为路径分析
行为路径分析分为分为漏斗分析和全行为路径分析。
漏斗分析模型是分析既定的行为转化，即按照规定事件路径的行为转化数据统计。而全行为路径分析是对用户在APP或网站的每个模块的流转情况，挖掘用户的访问模式，发现隐藏价值增长点，从而优化产品。
全行为路径分析让你更直观的看到用户使用产品的状况，了解用户的来龙去脉，找到用户最有可能完成核心转化的行为，通过产品上以及运营策略上的引导，持续挖掘更多用户的价值。
用户分群模型
分群是对某一特征用户的划分和归组，而分层，更多的是对全量用户的一个管理手段， 二者稍有差异，分层通常我们会基于用户生命周期或用户价值来划分，各层级用户相加等于全量用户，A用户在第1层，那他一定不会同时出现在第2层。但如果将用户分群，那么A用户可能在1群，也可以同时出现在2群。
过去对用户群的划分都是基于标签，用户买过海外旅游产品，那可以打一个高端旅游消费的标签，当有相同业务需求的时候就会进行定向销售。但标签更多的是在对结果下定义。而利用行为特征来群分用户则让用户分群聚焦用户行为本身，比如用户看过海外旅游产品三次，即使没有购买，那我们可以把他定义为待转化用户，从而在结果产生前进行有利于我们的引导。你不需要不停地给用户打成百上千个标签，用历史行为记录的方式可以更快的找到你想要的人群。
基于用户关键行为进行的RFM模型
R：最近一次消费（recency），代表用户距离当前最后一次消费的时间，当然是最近一次消费的时间距今越短越好，对我们来说更有价值，更可能有效的去触达他们。
F：消费频次（frequency），用户在一段时间内，在产品内的消费频次，重点是我们对一段时间的定义。
M：消费金额（monetary），代表用户的价值贡献。
结合地产APP：
R:最近一次打开APP看一套房源的时间远近
F:最近一段时间有效查看房源次数
M：最近一段时间查看房源套数
理解用户分群可以在交互设计和话术上针对不同层级用户采用不同的对策。
