❶ 分布分析法&用戶留存分析法
前面幾篇文章咱們先後講了對比分析法、多維度拆解法、漏斗觀察法，這一篇呢咱們著重講講分布分析法和用戶留存分析法。
首先呢，咱們來說說分布分析法。
舉個栗子：某職業技能提昇平台（下圖）的某公開課程的頁面，我們不止可以看PV，還可以把PV以用戶瀏覽的次數進行查看，可以看看有多少人是看了1~3次的，有多少人看了3~5次的。
分布分析方法不同的是 ：平時我們只看此頁面一共瀏覽了多少次，這樣再去平均。
在這里我們看到的只是一個平均數，可能很多用戶一天就能看幾十次，也有部分用戶只看了一次，如果我們單獨去看整個頁面的瀏覽次數，是得不到用戶真實的使用情況的。
如果用分布分析去看用戶的瀏覽次數，那麼，我們就對這個頁面的瀏覽次數有了一個清晰的認知。
還以上面的某職業技能提升為例：上面說到查看次數，但是這個是課程的頁面，我們不只要看查看次數，還要查看觀看課程的時長，比如同樣是看一次，有的用戶看1小時，有的用戶看3小時，這顯然是不一樣的。
最後呢，我們還可以按消費金額的區間進行劃分，我們是一個職業技能提昇平台網站，肯定有不同的用戶購買不同的課程。
這里我們不僅可以從訂單的筆數進行查看，還可以按消費金額劃分區間，這樣就可以知道我們這個平台消費0~500元的有多少用戶，500~1000元的有多少用戶，1000~2500元的用戶有多少。
以上是分布分析法的三種主要分析方式，它的運作原理是：
已經知道 一群用戶 完成了指定事件，但需要對用戶群體進細分，按不同的維度（比如依賴程度）和價值（付款金額）將他們劃為不同群體，分別進行後續的維護或分析。
比如說：把特別依賴的用戶單獨篩選出來，建一個用戶運營的專項項目，去運營用戶。也可以把那些付款金額大的用戶，去做一些運營活動。
已經知道 單個事件 的完成次數，希望知道這些次數拆分到不同維度上後的分布情況，以便更清晰地了解該事件的完成情況。
比如：把不同的內容的查看次數放在一些對比，可能沒有區別，但如果把幾種內容的查看次數按照時間進行分布，可以看到更多詳情的信息，比如某內容用戶的查看時間段，A內容上午查看的用戶多，B內容下午查看的用戶多，由些，我們可以發現，不同的內容在時間的分布上是有些特性的。
這時候，在推薦內容上就可以根據不同的時間段推薦不同類型內容給用戶。
接下來我們來看看用戶留存分析法~
以天為單位，衡量這個渠道來的用戶當下&接下來的表現。這里需要注意的是：以【 X日日留存】作為比較標准時，應避免其他日數據的干擾。
以周/月為單位，衡量產品的健康情況，觀察用戶在平台上的黏性是怎樣的。記得 務必要去重 ！
下面這款產品就是在一年的周期內，從1月份到12月分份的新增用戶，在後面幾個月內留存的表現情況。由下圖可以看出，由著產品不斷的優化及迭代的過程中，每個月的留存是有所增長的，這證明此款產品的迭代和運營的方向是抓的比較準的。
思考一下：為什麼在驗證產品長期價值時選擇月留存，而不是日留存呢？
這是因為留存這個數據本身波動都不太大，如果看日留存會有很多的數據需要處理，數據量大往往我們就不能把焦點放在該放的地方。而恰恰也剛好是我們一般迭代一個版本是半個月或者一個月，往往能從根本上影響留存的，也是一次次的版本迭代。所以，從一個月來觀察產品的留存變動，更能了解產品長期價值的變動。
這種是最常見的留存計算方式。
大盤留存的計算方式：將某一時間的用戶ID與另一時間的用戶ID做交叉去重。
但是，大盤的留存會受很多因素的影響，舉個簡單的栗子：你的產品做了一個活動，引入了低質量的渠道（這是經常有的事兒哈），那麼這個留存不管是次日/次周/次月都會大跌的。還有一種可能是你搞這個活動的時候，這批低質量渠道過來的用戶暴增，導致伺服器宕機等等。
所以，不管是產品還是運營，抑或是技術、市場每一個環節都會對留存造成影響。
因此，我們需要有一種方式，將不同的內容或功能對留存的影響區分開，這種方式我們稱它為精準留存。
精準留存有兩種計算方法：
第一，過濾進行過指定行為的用戶ID，單獨進行計算。
舉個栗子：某在線閱讀類產品，以下是大盤的留存，在這里呢我們要區分出來看了某一種類型的書籍的用戶，有沒有可能比其他的用戶更有可能留下來。這時我們需要把看過某一類型的書籍（比如勵志類的）單獨的篩選出來，只看這一批用戶的留存情況。經過查看得知，此類型書籍的用戶的留存比大盤高，那是不是表明還有其他類型的書籍比大盤要低啊。
所以，通過這樣的觀察，我們就可以得知各個類型的書籍吸引用戶的能力是不一樣的，然後去評判不同的書籍類型的運營質量，以及用戶黏性的價值。
第二，根據用戶不同的屬性，劃分為不同的群體，觀察它們之間留存的區別
舉個栗子：咱是王者農葯的產品經理，如果通過大盤來觀看數據，是看不出所以然的，這個時候我們可以給用戶劃分為不同的用戶群體，在這里我們把用戶進行分區劃分，通過分區我們可以發現，有的區它的周留存是優於其他區的，那我們就可以研究這個區分什麼做的好，然後把這個區做的好的點復制到其他區域。
好啦，以上就是關於分布分析法和用戶留存分析法的分享，希望能給大家提供一些思路和靈感，歡迎交流。
下篇預告：數據分析（5）-用戶畫像分析法，歡迎繼續關注~
數據分析方法（1）-對比分析法
數據分析方法（2）-多維度拆解法
數據異常如何分析？
數據分析方法（3） -漏斗觀察法
以「嗶哩嗶哩」為例，教你三步建立需求池
兩個方面，帶你畫一份完美的業務流程圖
❷ 常用數據分析處理方法有哪些
1、漏斗分析法
漏斗分析法能夠科學反映用戶行為狀態，以及從起點到終點各階段用戶轉化率情況，是一種重要的分析模型。漏斗分析模型已經廣泛應用於網站和APP的用戶行為分析中，例如流量監控、CRM系統、SEO優化、產品營銷和銷售等日常數據運營與數據分析工作中。
2、留存分析法
留存分析法是一種用來分析用戶參與情況和活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行後續行為。從用戶的角度來說，留存率越高就說明這個產品對用戶的核心需求也把握的越好，轉化成產品的活躍用戶也會更多，最終能幫助公司更好的盈利。
3、分組分析法
分組分析法是根據數據分析對象的特徵，按照一定的標志(指標)，把數據分析對象劃分為不同的部分和類型來進行研究，以揭示其內在的聯系和規律性。
4、矩陣分析法
矩陣分析法是指根據事物(如產品、服務等)的兩個重要屬性(指標)作為分析的依據，進行分類關聯分析，找出解決問題的一種分析方法，也稱為矩陣關聯分析法，簡稱矩陣分析法。
❸ 怎麼分析留存率
留存率是評估產品或服務長期價值和潛力的關鍵指標。它反映了用戶參與度和忠誠度的高低。留存率通常指在特定時間范圍內，新用戶或新事物在產品或服務中的留存比例。留存率越高，說明用戶或事物的參與度和忠誠度越高。
在分析留存率時，可以通過觀察留存率的總體趨勢，判斷產品或服務的用戶參與度和活躍度是在改善還是惡化。同時，將留存率按照不同的時間段進行拆分，如次日、3日、7日、30日等，可以找出用戶流失的主要階段，從而針對性地改進產品或服務。
了解不同類型用戶的留存率，比如按年齡、性別、地域、職業等維度進行劃分，有助於產品或服務更好地滿足不同用戶的需求，提高整體留存率。此外，分析競品數據，了解競品的表現，可以為自己的產品或服務提供參考和借鑒。
留存率的優化是提高用戶參與度和活躍度的關鍵。針對分析中發現的問題，可以採取相應的優化措施，如改進產品功能、優化用戶體驗、加強用戶運營等，以提高留存率。總之，留存率的分析需要結合產品或服務的實際情況，從多個角度進行深入剖析，找出問題並採取有效的優化措施。