大數據分析常用的方法和模型

Ⅰ 電子商務行業大數據分析採用的演算法及模型有哪些

通過了解在網站有過購買行為的客戶，通過分析客戶的購買行為來描述客戶的價值，就是時間、頻率、金額等幾個方面繼續進行客戶區分，通過這個模型進行的數據分析，網站可以區別自己各個級別的會員、鐵牌會員、銅牌會員還是金牌會員就是這樣區分出來的。同時對於一些長時間都沒有購買行為的客戶，可以對他們進行一些針對性的營銷活動，激活這些休眠客戶。使用RFM模型只要根據三個不同的變數進行分組就可以實現會員區分。

第二、RFM模型

這個應該是屬於數據挖掘工具的一種，屬於關聯性分析的一種，就可以看出哪兩種商品是有關聯性的，例如衣服和褲子等搭配穿法，通過Apriori演算法，就可以得出兩個商品之間的關聯系，這可以確定商品的陳列等因素，也可以對客戶的購買經歷進行組套銷售。

第三、Spss分析

主要是針對營銷活動中的精細化分析，讓針對客戶的營銷活動更加有針對性，也可以對資料庫當中的客戶購買過的商品進行分析，例如哪些客戶同時購買過這些商品，特別是針對現在電子商務的細分越來越精細，在精細化營銷上做好分析，對於企業的營銷效果有很大的好處。

第四、網站分析

訪問量、頁面停留等等數據，都是重要的流量指標，進行網站數據分析的時候，流量以及轉化率也是衡量工作情況的方式之一，對通過這個指標來了解其他數據的變化也至關重要。

Ⅱ 數據分析方法與模型都有哪些

現在的大數據的流行程度不用說大家都知道，大數據離不開數據分析，而數據分析的方法和數據分析模型多種多樣，按照數據分析將這些數據分析方法與模型分為對比分析、分類分析、相關分析和綜合分析四種方式，這四種方式的不同點前三類以定性的數據分析方法與模型為主，綜合類數據分析方法與模型是注重定性與定量相結合。

一、分類分析數據分析法
在數據分析中，如果將數據進行分類就能夠更好的分析。分類分析是將一些未知類別的部分放進我們已經分好類別中的其中某一類；或者將對一些數據進行分析，把這些數據歸納到接近這一程度的類別，並按接近這一程度對觀測對象給出合理的分類。這樣才能夠更好的進行分析數據。

二、對比分析數據分析方法
很多數據分析也是經常使用對比分析數據分析方法。對比分析法通常是把兩個相互有聯系的數據進行比較，從數量上展示和說明研究對象在某一標準的數量進行比較，從中發現其他的差異，以及各種關系是否協調。

三、相關分析數據分析法相關分析數據分析法也是一種比較常見數據分析方法，相關分析是指研究變數之間相互關系的一類分析方法。按是否區別自變數和因變數為標准一般分為兩類：一類是明確自變數和因變數的關系；另一類是不區分因果關系，只研究變數之間是否相關，相關方向和密切程度的分析方法。
而敏感性分析是指從定量分析的角度研究有關因素發生某種變化時對某一個或一組關鍵指標影響程度的一種不確定分析技術。
回歸分析是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。
時間序列是將一個指標在不相同的時間點上的取值，按照時間的先後順序排列而成的一列數。時間序列實驗研究對象的歷史行為的客觀記錄，因而它包含了研究對象的結構特徵以及規律。

四、綜合分析數據分析法
層次分析法，是一種實用的多目標或多方案的決策方法。由於他在處理復雜的決策問題上的實用性和有效性，而層次分析數據分析法在世界范圍得到廣泛的應用。它的應用已遍及經濟計劃和管理，能源政策和分配，行為科學、軍事指揮、運輸、農業、教育、醫療和環境等多領域。
而綜合分析與層次分析是不同的，綜合分析是指運用各種統計、財務等綜合指標來反饋和研究社會經濟現象總體的一般特徵和數量關系的研究方法。

上述提到的數據分析方法與數據分析模型在企業經營、管理、投資決策最為常用，在企業決策中起著至關重要的作用。一般來說，對比分析、分類分析、相關分析和綜合分析這四種方法都是數據分析師比較常用的，希望這篇文章能夠幫助大家更好的理解大數據。

Ⅲ 大數據分析師進行數據挖掘常用模型有哪些

【導讀】機器學習和數據發掘是緊密相關的，要進行數據發掘需求掌握一些機器學習所用的方法和模型常識，通過模型的練習能夠得到處理數據的最優模型，那麼大數據分析師進行數據挖掘常用模型有哪些?下面就來一起了解一下。

1、半監督學習

半監督學習演算法要求輸入數據部分被標識，部分沒有被標識，這種學習模型可以用來進行預測，但是模型首先需要學習數據的內在結構以便合理的組織數據來進行預測。應用場景包括分類和回歸，演算法包括一些對常用監督式學習演算法的延伸，這些演算法首先試圖對未標識數據進行建模，在此基礎上再對標識的數據進行預測。

2、無監督學習模型

在非監督式學習中，數據並不被特別標識，學習模型是為了推斷出數據的一些內在結構，應用場景包括關聯規則的學習以及聚類等。

3、監督學習模型

監督學習模型，就是人們經常說的分類，通過已經有的訓練樣本(即已知數據以及其對應的輸出)去訓練得到一個最優模型，然後再利用這個模型將所有的輸入映射為相應的輸出，對輸出進行簡單的判斷從而實現分類的目的，也就具有了對未知數據進行分類的能力。

以上就是大數據分析師進行數據挖掘常用模型，希望想要從事數據分析行業的大家，能夠趕快學習起來，如果還想了解更多，歡迎繼續關注!

Ⅳ 大數據分析中，有哪些常見的大數據分析模型

對於互聯網平台而言的產品，主要可以分為兩大類：商品和服務。想要通過數據分析提高產品的銷量，首先要了解哪些數據需要分析？

哪些數據需要分析？

一、運營模塊

從用戶的消費流程來看，可以劃分為四個部分：引流，轉化，消費，存留。

• 流量

流量主要體現在引流環節，按照流量結構可以分為渠道結構，業務結構以及地區結構等。渠道結構，可以追蹤各個渠道的流量情況，通過渠道流量佔比來分析各渠道的質量。業務結構，根據指定業務對活動的流量進行追蹤，觀察活動前，中，後流量的變化情況，對活動效果做出評估。

• 轉化率

轉化率=期望行為人數/作用總人數。提升轉化率意味著更低的成本，更高的利潤, 最經典的分析模型就是漏斗模型。

• 流失率和留存率

通過各個渠道或者活動把用戶引流過來，但過一段時間就會有用戶流失掉，這部分用戶就是流失用戶，而留下來的這部分用戶就是留存用戶。流失可以分為剛性流失，體驗流失和競爭流失，雖然流失是不可避免的，但可以根據對流失的分析，做出相應的對策來挽留用戶。關於留存，通過觀察存留的規律，定位存留階段，可以輔助市場活動、市場策略定位等，同時還可以對比不同用戶、產品的功能存留情況，分析產品價值，及時對產品做出調整。

• 復購率

復購率可以分為「用戶復購率」和「訂單復購率」，通過分析復購率，可以進一步對用戶粘性進行分析，輔助發現復購率問題，制定運營策略， 同事還可以進行橫向（商品、用戶、渠道）對比分析， 細化復購率，輔助問題定位。

二、銷售模塊

銷售模塊中有大量的指標，包括同環比、完成率、銷售排行、重點商品佔比、平台佔比等等。

三、商品模塊

重要指標分析：包括貨齡、動銷率、缺貨率、結構指標、價格體系、關聯分析、暢滯銷分析等， 用來評判商品價值，輔助調整商品策略

四、用戶模塊

重點指標分析：包括新增用戶數、增長率、流失率、有效會員佔比、存留情況等

用戶價值分析：可以根據RFM模型，再融入其他個性化參數，對用戶進行價值的劃分，並針對各等級用戶做出進一步分析。

用戶畫像：根據固有屬性、行為屬性、交易屬性、興趣愛好等維度，來為用戶添加標簽與權重，設計用戶畫像，提供精準營銷參考依據。

根據需要分析的數據選擇分析模型

一、用戶模型

用戶模型是一種在營銷規劃或商業設計上描繪目標用戶的方法，經常有多種組合，方便規劃者用來分析並設置其針對不同用戶所展開的策略。傳統的用戶模型構建方法有兩種：基於訪談和觀察構建用戶模型（嚴謹可靠但費時）、臨時用戶模型（基於行業專家或者市場調查數據構建，快速但不夠可靠）。

改進的用戶模型構建方法：基於用戶行為數據的用戶模型

優勢：對傳統方式進行簡化，降低數據分析的門檻；讓數據分析更科學、高效、全面，可以更直接地應用於業務增長，指導運營策略。

方法：

1. 整理、收集對用戶的初始認知

2. 對用戶進行分群

3. 分析用戶的行為數據

4. 推測目標動機

5. 對用戶進行訪談調查驗證

6. 用戶模型建立修正

同時，還可以將收集到的用戶信息映射成為用戶的屬性或用戶的行為信息，並存儲起來形成用戶檔案；實時關注自身數據的波動，及時做出戰略性調整。

二、事件模型

事件模型是用戶行為數據分析的第一步，也是分析的核心和基礎，它背後的數據結構、採集時機以及對事件的管理是事件模型中的三大要素。

什麼是事件？

事件就是用戶在產品上的行為，它是用戶行為的一個專業描述，用戶在產品上所有獲得的程序反饋都可以抽象為事件，由開發人員通過埋點進行採集。舉個例子：用戶在頁面上點擊按鈕就是一個事件。

事件的採集

事件-屬性-值的結構：事件（用戶在產品上的行為），屬性（描述事件的維度），值（屬性的內容）

在事件採集過程中，靈活運用事件-屬性-值的結構，不僅可以最大化還原用戶使用場景，還可以極大地節省事件量，提高工作效率。

採集的時機：用戶點擊、網頁載入完成、伺服器判斷返回。在設計埋點需求文檔時，採集時機的說明尤為重要，也是保證數據准確性的核心。

舉個例子：電商銷售網頁的事件採集

上圖中，每一環代表用戶的一步，不同的顏色代表不同的行為，同一環顏色佔比越大代表在當前步驟中用戶行為越統一，環越長說明用戶的行為路徑越長。

八、用戶分群模型

用戶分群即用戶信息標簽化，通過用戶的歷史行為路徑、行為特徵、偏好等屬性，將具有相同屬性的用戶劃分為一個群體，並進行後續分析。

基於用戶行為數據的分群模型：當回歸到行為數據本身，會發現對用戶的洞察可以更精細更溯源，用歷史行為記錄的方式可以更快地找到想要的人群。

四個用戶分群的維度：

• 用戶屬性：年齡、性別、城市、瀏覽器版本、系統版本、操作版本、渠道來源等；

• 活躍於：通過設置活躍時間，找到指定之間段內的活躍用戶；

• 做過/沒做過：通過用戶是否進行某行為，分析用戶與產品交互的「親密度」；

• 新增於：通過設置時間段，精確篩選出新增用戶的時間范圍；

如何提高產品銷量是一個綜合性的問題，需要結合多種模型進行數據分析，以上內容是對一些知識的歸納，希望能夠對您有所幫助。

Ⅳ 大數據的數據分析方法有哪些如何學習

1. 漏斗分析法

   漏斗分析模型是業務分析中的重要方法，最常見的是應用於營銷分析中，由於營銷過程中的每個關鍵節點都會影響到最終的結果，所以在精細化運營應用廣泛的今天，漏斗分析方法可以幫助我們把握每個轉化節點的效率，從而優化整個業務流程。

2. 對比分析法

   對比分析法不管是從生活中還是工作中，都會經常用到，對比分析法也稱比較分析法，是將兩個或兩個以上相互聯系的指標數據進行比較，分析其變化情況，了解事物的本質特徵和發展規律。
   

   在數據分析中，常用到的分3類：時間對比、空間對比以及標准對比。

3. 用戶分析法

   用戶分析是互聯網運營的核心，常用的分析方法包括：活躍分析，留存分析，用戶分群，用戶畫像等。在剛剛說到的RARRA模型中，用戶活躍和留存是非常重要的環節，通過對用戶行為數據的分析，對產品或網頁設計進行優化，對用戶進行適當引導等。

   通常我們會日常監控「日活」、「月活」等用戶活躍數據，來了解新增的活躍用戶數據，了解產品或網頁是否得到了更多人的關注，但是同時，也需要做留存分析，關注新增的用戶是否真正的留存下來成為固定用戶，留存數據才是真正的用戶增長數據，才能反映一段時間產品的使用情況，關於活躍率、留存率的計算。

4. 細分分析法

   在數據分析概念被廣泛重視的今天，粗略的數據分析很難真正發現問題，精細化數據分析成為真正有效的方法，所以細分分析法是在本來的數據分析上做的更為深入和精細化。

5. 指標分析法

在實際工作中，這個方法應用的最為廣泛，也是在使用其他方法進行分析的同時搭配使用突出問題關鍵點的方法，指直接運用統計學中的一些基礎指標來做數據分析，比如平均數、眾數、中位數、最大值、最小值等。在選擇具體使用哪個基礎指標時，需要考慮結果的取向性。

Ⅵ 最常用的四種大數據分析方法有哪些

1.描述型分析：發生了什麼?

這是最常見的分析方法。在業務中，這種方法向數據分析師提供了重要指標和業務的衡量方法。

例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是“描述型分析”方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。

2.診斷型分析：為什麼會發生?

描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鑽取到數據的核心。

良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特徵過濾和鑽取數據等功能，以便更好的分析數據。

3.預測型分析：可能發生什麼?

預測型分析主要用於進行預測。事件未來發生的可能性、預測一個可量化的值，或者是預估事情發生的時間點，這些都可以通過預測模型來完成。

預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。

在充滿不確定性的環境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。

4.指令型分析：需要做什麼?

數據價值和復雜度分析的下一步就是指令型分析。指令模型基於對“發生了什麼”、“為什麼會發生”和“可能發生什麼”的分析，來幫助用戶決定應該採取什麼措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之後，最後需要完成的分析方法。

例如，交通規劃分析考量了每條路線的距離、每條線路的行駛速度、以及目前的交通管制等方面因素，來幫助選擇最好的回家路線。

Ⅶ 大數據分析方法分哪些類

本文主要講述數據挖掘分析領域中，最常用的四種數據分析方法：描述型分析、診斷型分析、預測型分析和指令型分析。
當剛涉足數據挖掘分析領域的分析師被問及，數據挖掘分析人員最重要的能力是什麼時，他們給出了五花八門的答案。
其實我想告訴他們的是，數據挖掘分析領域最重要的能力是：能夠將數據轉化為非專業人士也能夠清楚理解的有意義的見解。
使用一些工具來幫助大家更好的理解數據分析在挖掘數據價值方面的重要性，是十分有必要的。其中的一個工具，叫做四維分析法。
簡單地來說，分析可被劃分為4種關鍵方法。
下面會詳細介紹這四種方法。
1. 描述型分析：發生了什麼?
最常用的四種大數據分析方法
這是最常見的分析方法。在業務中，這種方法向數據分析師提供了重要指標和業務的衡量方法。
例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是「描述型分析」方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。
2. 診斷型分析：為什麼會發生?
最常用的四種大數據分析方法
描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鑽取到數據的核心。
良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特徵過濾和鑽取數據等功能，以便更好的分析數據。
3. 預測型分析：可能發生什麼?
最常用的四種大數據分析方法
預測型分析主要用於進行預測。事件未來發生的可能性、預測一個可量化的值，或者是預估事情發生的時間點，這些都可以通過預測模型來完成。
預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。
在充滿不確定性的環境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。
4. 指令型分析：需要做什麼?
最常用的四種大數據分析方法
數據價值和復雜度分析的下一步就是指令型分析。指令模型基於對「發生了什麼」、「為什麼會發生」和「可能發生什麼」的分析，來幫助用戶決定應該採取什麼措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之後，最後需要完成的分析方法。
例如，交通規劃分析考量了每條路線的距離、每條線路的行駛速度、以及目前的交通管制等方面因素，來幫助選擇最好的回家路線。
結論
最後需要說明，每一種分析方法都對業務分析具有很大的幫助，同時也應用在數據分析的各個方面。

Ⅷ 常見的數據分析模型有哪些

1.行為事件分析

行為事件分析方法，研究某種行為事件對企業組織價值的影響程度。公司通過研究與事件發生有關的所有因素來挖掘或跟蹤用戶行為事件背後的原因，公司可以使用它來跟蹤或記錄用戶行為或業務流程，例如用戶注冊，瀏覽產品詳細信息頁面，成功的投資，現金提取等交互影響。

2.漏斗分析模型

漏斗分析是一組過程分析，可以科學地反映用戶的行為以及從頭到尾的用戶轉化率的重要分析模型。

漏斗分析模型已廣泛用於日常數據操作，例如流量監控和產品目標轉化。例如，在產品服務平台中，實時用戶從激活APP到支出開始，一般用戶的購物路徑是激活APP，注冊帳戶，進入實時空間，交互行為和禮物支出。

3.留存分析模型

留存分析是一種分析模型，用於分析用戶的參與/活動級別，調查執行初始行為的用戶執行後續行為的數量。這是衡量產品對用戶價值的重要方法。保留率分析可以幫助回答以下問題：

新客戶是否完成了您對用戶將來要做行為的期望?如付款單等;社交產品可以改善對新注冊用戶的指導流程，並希望提高注冊後用戶的參與度，如何進行驗證?我想確定產品變更是否有效。

4.分布分析模型

分布分析是在特定指標下對用戶的頻率和總量進行分類顯示。它可以顯示單個用戶對產品的依賴程度，分析不同地區和不同時間段內客戶購買的不同類型產品的數量，購買頻率等，以幫助運營商了解當前客戶狀態和客戶運營情況。

5.點擊分析模型

用一種特殊的突出顯示顏色形式用於顯示頁面或頁面組區域(具有相同結構的頁面，例如產品詳細信息頁面，官方網站博客等)中不同元素的點擊密度的圖表。包括元素被單擊的次數，比例，被單擊的用戶列表以及按鈕的當前和歷史內容等因素。

關於常見的數據分析模型有哪些，青藤小編就和您分享到這里了。如果你對大數據工程有濃厚的興趣，希望這篇文章能夠對你有所幫助。如果您還想了解更多數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

Ⅸ 大數據挖掘常用的方法有哪些

1. Analytic Visualizations(可視化分析)

不管是對數據分析專家還是普通用戶，數據可視化是數據分析工具最基本的要求。可視化可以直觀的展示數據，讓數據自己說話，讓觀眾聽到結果。

2. Data Mining Algorithms(數據挖掘演算法)

可視化是給人看的，數據挖掘就是給機器看的。集群、分割、孤立點分析還有其他的演算法讓我們深入數據內部，挖掘價值。這些演算法不僅要處理大數據的量，也要處理大數據的速度。

3. Predictive Analytic Capabilities(預測性分析能力)

數據挖掘可以讓分析員更好的理解數據，而預測性分析可以讓分析員根據可視化分析和數據挖掘的結果做出一些預測性的判斷。

4. Semantic Engines(語義引擎)

由於非結構化數據的多樣性帶來了數據分析的新的挑戰，需要一系列的工具去解析，提取，分析數據。語義引擎需要被設計成能夠從“文檔”中智能提取信息。

5. Data Quality and Master Data Management(數據質量和數據管理)

數據質量和數據管理是一些管理方面的最佳實踐。通過標准化的流程和工具對數據進行處理可以保證一個預先定義好的高質量的分析結果。

Ⅹ 大數據分析領域有哪些分析模型

數據角度的模型一般指的是統計或數據挖掘、機器學習、人工智慧等類型的模型，是純粹從科學角度出發定義的。
1. 降維
在面對海量數據或大數據進行數據挖掘時，通常會面臨「維度災難」，原因是數據集的維度可以不斷增加直至無窮多，但計算機的處理能力和速度卻是有限的；另外，數據集的大量維度之間可能存在共線性的關系，這會直接導致學習模型的健壯性不夠，甚至很多時候演算法結果會失效。因此，我們需要降低維度數量並降低維度間共線性影響。
數據降維也被成為數據歸約或數據約減，其目的是減少參與數據計算和建模維度的數量。數據降維的思路有兩類：一類是基於特徵選擇的降維，一類是是基於維度轉換的降維。
2. 回歸
回歸是研究自變數x對因變數y影響的一種數據分析方法。最簡單的回歸模型是一元線性回歸（只包括一個自變數和一個因變數，且二者的關系可用一條直線近似表示），可以表示為Y=β0+β1x+ε，其中Y為因變數，x為自變數，β1為影響系數，β0為截距，ε為隨機誤差。
回歸分析按照自變數的個數分為一元回歸模型和多元回歸模型；按照影響是否線性分為線性回歸和非線性回歸。
3. 聚類
聚類是數據挖掘和計算中的基本任務，聚類是將大量數據集中具有「相似」特徵的數據點劃分為統一類別，並最終生成多個類的方法。聚類分析的基本思想是「物以類聚、人以群分」，因此大量的數據集中必然存在相似的數據點，基於這個假設就可以將數據區分出來，並發現每個數據集（分類）的特徵。
4. 分類
分類演算法通過對已知類別訓練集的計算和分析，從中發現類別規則，以此預測新數據的類別的一類演算法。分類演算法是解決分類問題的方法，是數據挖掘、機器學習和模式識別中一個重要的研究領域。
5. 關聯
關聯規則學習通過尋找最能夠解釋數據變數之間關系的規則，來找出大量多元數據集中有用的關聯規則，它是從大量數據中發現多種數據之間關系的一種方法，另外，它還可以基於時間序列對多種數據間的關系進行挖掘。關聯分析的典型案例是「啤酒和尿布」的捆綁銷售，即買了尿布的用戶還會一起買啤酒。
6. 時間序列
時間序列是用來研究數據隨時間變化趨勢而變化的一類演算法，它是一種常用的回歸預測方法。它的原理是事物的連續性，所謂連續性是指客觀事物的發展具有合乎規律的連續性，事物發展是按照它本身固有的規律進行的。在一定條件下，只要規律賴以發生作用的條件不產生質的變化，則事物的基本發展趨勢在未來就還會延續下去。
7. 異常檢測
大多數數據挖掘或數據工作中，異常值都會在數據的預處理過程中被認為是「噪音」而剔除，以避免其對總體數據評估和分析挖掘的影響。但某些情況下，如果數據工作的目標就是圍繞異常值，那麼這些異常值會成為數據工作的焦點。
數據集中的異常數據通常被成為異常點、離群點或孤立點等，典型特徵是這些數據的特徵或規則與大多數數據不一致，呈現出「異常」的特點，而檢測這些數據的方法被稱為異常檢測。
8. 協同過濾
協同過濾（Collaborative Filtering，CF)）是利用集體智慧的一個典型方法，常被用於分辨特定對象（通常是人）可能感興趣的項目（項目可能是商品、資訊、書籍、音樂、帖子等），這些感興趣的內容來源於其他類似人群的興趣和愛好，然後被作為推薦內容推薦給特定對象。
9. 主題模型
主題模型（Topic Model），是提煉出文字中隱含主題的一種建模方法。在統計學中，主題就是詞彙表或特定詞語的詞語概率分布模型。所謂主題，是文字（文章、話語、句子）所表達的中心思想或核心概念。
10. 路徑、漏斗、歸因模型
路徑分析、漏斗分析、歸因分析和熱力圖分析原本是網站數據分析的常用分析方法，但隨著認知計算、機器學習、深度學習等方法的應用，原本很難衡量的線下用戶行為正在被識別、分析、關聯、打通，使得這些方法也可以應用到線下客戶行為和轉化分析。