[[173702]]

如今的互聯網與四年前***的差異在于：流量紅利消失殆盡，互聯網進入存量時代。

流量時代，獲取流量是相對容易的。企業關注的是如何找到更優質的渠道，通過獲取大量的流量來快速變現。通過新增、活躍、留存可能就能判斷一個產品的好壞，因此基本的統計工具(Umeng、Talking Data 等)就能夠滿足需求。

存量時代，產品結構更加多樣化，每個產品都需要***的指標來衡量產品是否成功。并且獲取流量的成本高，對于企業而言就需要提升流量的轉化效率，***化用戶價值。因此，僅考察用戶整體的統計數據是不夠的，還需要精細化的統計分析用戶行為。為了實現這一點，數據統計工具需要支持以下兩點特性：

1. 更全面的數據模型

2. 常用的分析功能

一. 支持更全面的數據模型

傳統的頁面訪問模型(PV Model)只記錄了訪問事件或者用戶，并不能建立事件和用戶之間的關系，所以，對于更深入的問題無法給予清晰的解答。例如，我們想了解什么樣的用戶更容易留存，或者購買衛生紙和 iPhone 7 的用戶有什么差別等等，這些問題是頁面訪問模型無法支持的。

因此，目前大多數精細化的數據統計工具，以事件模型(Event Model)代替了頁面訪問模型。事件模型能夠記錄更多的信息，簡單來說，事件描述了一個用戶在某個時間，在特定環境下，完成了特定的操作。

一個完整的事件包含以下關鍵因素：

1. Who：用戶是誰;

2. When：什么時間發生;

3. Where：用戶所處環境，包括地點、使用設備、系統版本 等等;

4. What：描述事件的具體內容。通常，描述內容是支持自定義的，比如對于播放 音樂，我們需要了解音樂名、時長、類型等等;對于購買操作，我們可能需要了解金額、付款方式等等。

事件模型能幫助我們在后續的分析中理解事件的含義，建立事件與用戶間的關系。

二. 支持常用的分析功能

事件模型僅滿足了統計方面的需求，在分析過程中我們還需要一些分析功能的支持：

1)漏斗分析：

幫助分析一系列步驟的轉化與流失情況。

例如，用戶購買商品的完整流程可能包含以下步驟：

1. 瀏覽商品

2. 添加商品到購物車

3. 結算購物車中的商品

4. 選擇送貨地址、支付方式

5. 點擊付款

6. 完成付款

漏斗分析能計算每一步的轉化率，幫助分析哪個環節的轉化率不夠高，流失的用戶具備什么特征等。

2)用戶行為細查：

展示每個用戶的具體行為，可以用來挖掘統計數據背后的用戶行為。

比如，在購買流程的例子中，發現 瀏覽商品 – 添加商品到購物車 這一步行為的轉化率較低，就可以考察流失用戶的具體行為。如果發現用戶在連續的瀏覽商品而沒有購買，說明用戶可能沒有找到滿意的商品。或者發現用戶在購買頁面上常點擊某個功能的按鈕，而不是購買按鈕，說明購買按鈕可能不夠突出，用戶容易轉移注意力。

3)用戶分組

根據用戶的行為特征或者屬性對用戶進行分組對比，了解不同用戶組指標間有差異的原因。一般可以將分組對比運用于漏斗分析、留存分析等場景。

用戶分組的一個常用場景是：將導致不同用戶組間指標差異的要素復制到目標人群中，來提升目標人群的某些指標。

舉個例子：對于社交應用，如果通過分組對比，可能會發現關注熟人更多的新用戶留存率高于沒有關注的新用戶，這樣便能推測出添加熟人關系導入功能可能提升留存率。

除了上面提到的特性，以下兩點也很關鍵：

1.高效，查詢快捷，跑一個數據需要1分鐘以上都是不能忍的;

2.便捷，可視化，能在頁面點擊之間滿足 90% 的分析需求。