1、常用的数据分析模型有哪些？
企业常用的数据分析模型，包括：事件分析、漏斗分析、留存分析、归因分析、分布分析、用户路径分析、LTV 分析、间隔分析、Session 分析、用户分群、热力分析、用户属性分析……
2、电商平台想了解最近一场大促期间转化率偏低的原因并定位问题所在，可以使用哪种数据分析模型？
A：漏斗分析。电商平台可以从某维度如省份对用户进行分析，通过对比找到转化率低的省份，并进一步对比分析不同省份的产品显示库存情况、物流状态、某类商品在不同省份的受欢迎程度、不同付费渠道的用户转化等情况，找到可以优化的短板。

同时，该电商平台还可以选择某一转化步骤并拿到在这一个步骤中流失的用户列表，进行精细化运营。也可以结合用户路径查看流失用户的后续行为，推断可能原因，加以验证并推出对应策略。
3、如何进行用户留存分析？
A：举个例子，当产品经理想了解产品版本迭代对新用户留存的影响，那么便可以采用留存分析，将新用户的 7 日留存或者 30 日留存按照应用版本切分，就能直观地对比出来不同版本对新用户留存的差异。

4、留存分析能给企业带来哪些业务提升？
简单来讲，留存指标对于绝大部分业务来说都是核心指标之一。留存分析是一个应用面广、价值突出的分析模型，通过留存分析企业可以快速了解用户群后续是否有再次访问、有没有发生关键业务行为等。通过对比不同用户群体间的留存，企业可以找到更具有忠诚度的用户群体，无论做活动还是用户调研，都可以优先围绕高留存率的用户进行。
5、怎么能更形象地理解 Session 分析？
如果把网站或 App 比喻成一个商场，那用户行为就如同逛街的顾客，他们的访问行为通常和逛商场一样是一系列连续行为。对于网站或 App 而言，用户的一系列访问是一个 Session。
Session 分析是在把用户单点发生的行为串联起来形成一个整体的前提下，了解用户访问某个特定事件的情况。常见的指标包括 Session 整体或者某个特定事件的次数、人数、时长、深度、跳出率等。
以用户在某个在线教育网站的访问为例，用户的一系列访问中，“用户平均访问多少次”“用户平均访问了多少个页面”“用户访问平均时长是多少”“用户在某个具体页面的平均停留时长是多少”等问题都需要通过 Session 分析解决。
6、哪一种模型可以分析产品对用户的价值？
留存分析。留存分析是一种用来分析用户参与情况与粘性的分析模型，考察发生了初始行为的用户中，有多少人会在接下来的几天里发生后续行为，是衡量产品对用户价值高低的重要方法。
留存分析可以帮助我们回答一些问题：某一天进入产品的新用户群，在未来一段时间内每天分别有多少人完成转化？某个社交产品迭代了新注册用户的引导流程，新版本的新用户留存是否有所提升？某产品新增了邀请好友的功能，是否有用户因为该功能延长产品使用时间？
7、什么是热力分析？
热力分析是指应用一种特殊高亮的颜色、数据标注等，显示页面或页面组（结构相同的页面，如商品详情页、官网博客等）区域中不同元素点击密度、触达率、停留分布等特征。

热力分析法主要用来分析用户在页面上的点击、触达深度等情况，并以直观的效果展示给使用者，它是互联网行业常用的一种分析模型，比较直观地表现了用户在产品页面上的浏览偏好，说明用户和网页的交互情况。
8、常用的归因分析思路有哪几种？
这里介绍四种常见的归因思路。
1、首次归因。多个待选触点中，认为第一个的功劳为 100%。理由是第一个触点帮助用户建立了认知、与用户形成了连接。适用于重视新用户线索的业务。
2、末次归因。多个待选触点中，认为最后一个的功劳为 100%。这种思路适用范围最广泛，常用于电商业务的站内归因计算。
3、线性归因。多个待选触点中，认为每个“待归因事件”平均分配此次功劳。适合坑位效果比较平均的产品。
4、位置归因。多个待选触点中，认为第一个和最后一个各占 40% 的功劳，其余平分剩余的 20% 功劳。兼顾最初的线索和最终的决策。

9、什么是用户行为路径分析模型？
用户行为路径分析是根据用户在 App 或网站中的访问行为，分析用户在各模块中跳转规律与特点，挖掘出用户的群体特征，进而实现业务指标：如提升核心模块的到达率、App 产品设计的优化改版、流失用户去向分析等。
真实的用户行为路径通常是一个交叉反复的过程。以电商行业为例，企业希望用户从登录后依次完成首页浏览、搜索商品、加入购物车、提交订单、支付订单等环节，而用户真实的选购过程中，可能在提交订单后返回首页继续搜索商品，也可能取消订单，每一个路径都有不同的动机。所以在用户行为路径分析模型的使用过程中，需要与其他分析模型配合进行深入分析，快速找到用户动机，从而引领用户走向最优路径或者期望中的路径。
10、分布分析对企业的业务价值是什么？
分布分析是用户在特定指标下的频次、总额等特征的结构化分段展现。分布分析是了解数据分布表现的主要方法，往往能通过对数据结构的分层分析，判断几段数值的占比、对整体数据的影响，同时了解数据分布的集中度，以及主要的数据分布区间段。
通过观察事件在不同维度中的分布情况，企业可以了解该事件的累计数量和频次，以及分布特征，进一步洞察业务健康度、分层结构等。

• 注：文中数据均为模拟