【数据分析】——分析方法
上司要你帮忙看看公司最近的网站运营情况怎么样？
公司最近的网站运营情况？这个问题太宽泛了，你得要知道上司的明确需求
问题1:boss,你是想看看公司网站具体哪方面的问题？
回答：公司最近销售不太好，订单转化率降低了
问题2：boss，这个数据您是从哪得知的呢？
回答：上午运营部做的汇报里体现的
问题3：boss，这个转化率低是指哪个时间段的？相比较谁它低了呢？
回答：4个月的转化率比3月转化率降低了
常见的分析方法
1 逻辑树分析法
简单说，就是将一个复杂的大问题，拆解成一个个小的可以解决的子问题，从最高层开始逐步向下扩展，并逐渐细化，知道最终找到解决问题的方法。
逻辑树最好的实践应用就是经典面试题 费米问题。费米问题命名来自美国科学家恩利克·费米，费米问题常常会用来检验一个人是否具备理科思维，或具有问题拆解的能力。
经典费米问题案例：某胡同的煎饼摊一年能卖出多少个煎饼？
一年卖的煎饼数量=1天卖出的煎饼数量 * 365天
1天卖出的煎饼数量是多少呢？我们可以进一步拆解：
1天卖出的煎饼数量=1天的工作时间 / 做一个煎饼的平均时间
现在我们将这个问题拆解为两个子问题了：
1）做一个煎饼的平均时间是多少？
2）1天的工作时间是多少？
1）做一个煎饼的平均时间是多少？
大家都吃过煎饼，我们猜测是1分钟做一个煎饼
2）1天的工作时间是多少？
煎饼是一种季节性商品，通常用户仅在早餐、中午、晚上时间购买。每天的早高峰6:00-9:00。中午12:00-1:00。晚高峰6:00-:900。这样一天大概工作时间是7个小时。
我们带入前面的拆解公式：
1天卖出的煎饼数量=1天的工作时间(7小时) / 做一个煎饼的平均时间(1分钟)=420个煎饼 一年卖的煎饼数量=1天卖出的煎饼数量(420) * 365天=15万张煎饼
【案例】估算学校门口大妈卖煎饼的年收入？
每日收入=1年卖出的煎饼个数*煎饼单价
前面的案例我们已经计算出了1年卖出的煎饼个数，现在带入煎饼的单价就可以了。
你看，遇到“费米问题”，先用逻辑树分析方法，把一个复杂的问题拆解成一个一个能解决的子问题。
有兴趣的朋友，还可以再想想下面的问题
1. 请你估算一下一家商场在促销时一天的营业额？
2. 预测国内资讯类APP的DAU天花板？
3. 试估算中国K12课外英语辅导的市场？
4. 芝加哥有多少个调音师？
5.北京有多少个加油站？
6. 北京有多少辆出租车？
7. 美国飞机的乘客数有多少？
8. 估算深圳市丰田汽车的数量？
2 多维度拆解分析法
就是从多个维度进行分析：
维度：看待问题的角度
拆解：将一个问题分解为不同维度的指标
上司说公司8总体销售额下降了，让你分析一下什么原因？
（1）第一个拆解
总体销售额下降：按照产品拆解，是所有产品的销售额都下降了，还是个别产品
（2）第二个拆解
假设是某个产品销售额下降：按照产品拆解，是这个产品下所有的商品的销售额都下降了，还是个别商品
假设我们发现是某三款商品存在销售额大幅度下降造成的总体销售额下降，那对于下降的商品再进行具体的原因分析，才更有针对性。
例如：上学的时候，老师经常会说，咱们班数学平均分全校排名第一，但是这并不意味着咱们班每个学生都很优秀，因为有几个同学数学成绩依旧没有及格，这就是从总体上看，数据不错，拆解到个人就会发现很多问题。
有时候我们再看问题时，只看总体是不够的，需要从不同的维度去拆解，细化到具体细分领域中，才能更全面的认识到企业存在的问题，才能有针对性的去解决问题。
从指标构成拆解
这种是比较常见的。如：用户数=新用户数+老用户数
某个商品是由多个子商品组成
从业务流程
网站订单转化率低，该怎么分析？
可以从业务流程角度：用户进入到网站---浏览商品---加入购物车---下单---付款
从用户进入网站到下单的转化率低，那么就要分析每个流程的转化率，到底问题是出在了那个环节。
3 对比分析法
将两个及两个以上的数据进行比较，分析它们的差异，从而揭示这些数据所代表的事物发展变化情况和规律性。
特征：可以非常直观看出事物某方面的变化或者差距，并且可以准确，量化地表示出这种变化或差距是多少
对比分析包括绝对对比和相对对比：
- 绝对对比指绝对数据之间的比较，如用户数、浏览量、阅读量、成交量等。
- 相对对比指相对数据之间的比较，如点击率、转化率、注册率、流失率等。
常用的对比场景
1、时间对比：如同比、环比、变化趋势等
2、空间对比：如不同城市对比、不同类别对比、不同渠道对比等
3、用户对比：如新用户与老用户对比、登录用户与未登录用户对比、高粘用户与低粘用户对比、活跃用户与不活跃用户对比等
4、转化对比：如不同渠道转化对比、不同类别转化对比、不同活动转化对比等
5、竞品对比：如推广方式对比、功能对比、用户体验对比、产品定位对比、营收对比等
6、前后变化对比：如活动前与活动后对比、推广前与推广后对比、改版前与改版后对比、新功能上线前与上线后对比等
例如：行业内对比
与行业数据进行对比的好处是遇到问题时，可以了解到是由于行业趋势还是由于自身导致的。
比如在2021年6月进行的推广活动中，着陆页的转化率为7%，这个活动虽然带来了不错的增长，但是与其他同类型的推广活动的转化率相比是怎样的呢？这时就需要了解行业数据来解答疑惑。若了解到同类型的推广活动的平均转化率为10%，对比发现我们的活动转化率比行业平均值要低，此时就需要对活动进行进一步的分析复盘，想办法在下一次活动时提高转化率。
再举个例子，微信公众号的平均日活跃率为5%，而某微信公众号的日活跃率为3%。此时就需要针对日活跃率数据进行进一步的分析，寻找可优化的方法，进而提高日活跃率。
注意事项
- 指标的口径范围，计算方法，计量单位必须一致
- 对比的对象要有可比性，在选择和确定对比对象时，一定要分析它们是否具有对比的意义
- 对比的指标类型必须一致
- 对比分析维度要根据实际情况采用不同维度进行对比分析
4 假设检验法
在解释假设分析法之前，我们来做一道小学6年级的数学题：
“小明和妈妈买了10本书，正好花了100块钱，书的单价有8块钱和13块钱2种，那么8块钱的书和13块钱的书各买了几本？
解题思路：
首先，假设这10本书都是8块钱买的，那么10本书一共是80块钱，那还多出来20块钱，说明这多出来的20是13块钱1本的书多出来的。13块钱的书比8块钱的书每本多了5块钱，20块钱的可以买4本，那么可以得出结论了，13块钱的书有4本，8块钱的书有6本。
这道6年级的数学题里就用到了假设法，假设所有书都是8块钱，那么在数据分析中，什么是假设法呢？简单理解，假设法是在已知结果数据，在影响结果的多个变量中假设一个定量，对过程反向推导的数据分析方法。
假设法在运营分析中怎么用？
假设法在运营分析中最常见的有2种场景：
1.已知结果找原因，做过程变量假设；
2.结果导向做计划，做结果数据假设。
假设法的真正用途是针对未知因素提出假设，在数据推导中验证假设的真伪。
场景一：已知结果找原因，做过程变量假设
例如：某内容社区在11月份的发帖数相比10月份下降了20%，针对这个结果，该如何分析原因？
面对这样一个无厘头的问题，该怎么分析呢？结果数据是发帖数下降了20%，那么影响发帖数的有哪些因素呢？
我们可以将发帖数量按照用户分层进行拆分，例如老用户发帖数量和新用户发帖数量，也可以按照具体发帖篇数进行拆分，例如发帖5篇以上的用户，发帖3-5篇的用户，发帖1-3篇的用户，拆分后将11月与10月份相同维度的数据进行对比，找出变量。
例如经过拆解后发现，发帖1-3篇的用户相比10月份减少了40%，其他篇数的用户量还高于10月份，那么问题就出在了发帖1-3篇的用户身上。
那么发帖1-3篇的用户为什么减少了呢？我们可以提出2个假设：
假设10月份发帖1-3篇的用户成长为更加活跃的用户了，造成发帖3-5篇的用户增加，1-3篇的用户减少；
假设10月份发帖1-3篇的用户流失率比较高，同时11月份新用户转化少，导致这一群组用户数量变少。
那么针对这2个假设，需要对10月份发帖1-3篇的用户与11月份发帖3-5篇及5篇以上的用户进行追踪分析，同时分析11月份新增用户与10月份新增用户在留存和活跃上的对比。
场景二：已知目标找过程，做结果假设
例如：12月份的销售KPI为1000万，环比11月份上升20%，该如何做一份销售方案？
这是在做工作计划时最常见的需求，以12月份需要达成1000万的销售KPI为例，拆分销售KPI的相关影响因素，同样有2个拆解维度：
1.从商品角度做拆分
要达成1000万的销售额，有多种假设方式，例如假设现有商品销售额与11月相同，新品销售额达到200万，那么为了实现这个结果假设，去做能够支持200万销售额的的过程方案，例如在推广渠道预算上、仓储物流上、人力配置上等方面做计划；还可以针对几款产品提出销售额增长的假设；
2.从人群角度做拆分
要达成1000万的销售额，一方面挖掘老客户的购买力，另一方面增加新客户的来源渠道，假设老用户复购销售500万，那么针对老用户设计营销活动。
总结：假设分析法是在现实应用中常用的数据分析思路之一，数据分析的过程是不断的提出假设、验证假设的过程，通常我们遇到的不知道如何下手的数据分析，可以通过假设法来破局。
5 相关分析法
相关性分析研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。
相关分析是一种简单易行的测量定量数据之间的关系情况的分析方法。可以分析包括变量间的关系情况以及关系强弱程度等。
如：身高和体重的相关性；降水量与河流水位的相关性；工作压力与心理健康的相关性等。
相关分析法有什么用？
1.在研究两种或者两种以上数据之间有什么关系，或者某个事情受到其他因素影响的问题时，可以使用相关分析;
2.在解决问题的过程中，相关分析可以帮助我们扩大思路，讲视野从一种数据扩大到多种数据;
3.相关分析方法在实际工作中很重要，因为数据分析的结果需要得到他人的理解和认可，所以要方便大家沟通。
例如：分析目标“为什么销售额下降了”，通过假设校验我们找出了渠道、地区、产品这3个可能原因，然后分别计算 出渠道、地区、产品和“销售额”的相关系数，通过观察这些相关系数的大小，得知哪些因素对销售额影响最大。
（1）通过对现有渠道的分析，发现渠道B用户明显下降了；
（2）找研发部门了解情况，讲过排查，最后发现产品登录接口近期升级过，导致少数部分用户无法登录；
（3）经过调研发现，竞品最近没有搞大的活动，最后结论：没有竞品问题。
因为公司资源有限，一个阶段只能集中解决一个问题，那么优先解决那个问题呢？这时候就要分析这3个因素哪个对日活跃率影响最大。
注意事项
相关关系往往会和因果关系相互混淆，那么如何判断两种数据之间是相关关系，还是因果关系？通常要用到“单变量控制法”即控制其他因素不变，只改变其中一个因素，然后观察这个因素对实验结果的影响。
总结：
相关分析是判断两个或两个以上变量之间是否存在某种联系
在工作中，我们经常使用相关分析来判断产生某个问题的影响因素，利用相关系数的大小进行相关性强弱的判断，用客观的数字来呈现变量之间的关系，也不是凭经验，凭直觉。
但是要避免一个误区，相关关系并不一定是因果关系，因此在进行相关分析时除了看相关系数大小外，还要进一步验证，如果其他因素不变，该变量是否能够引起另外一个变量相应的变化。
6 RFM分析模型
RFM是3个指标的缩写，最近一次消费时间间隔（Recency），消费频率（Frequency），消费金额（Monetary）。通过这3个指标对用户分类。
- 近度（Recency，最近一次消费到当前的时间间隔）
- 频度（Frequency，最近一段时间内的消费次数）
- 额度（Monetory，最近一段时间内的消费金额）
由于不同用户对公司带来的收益差别很大，而且根据二八定律20%的做有价值用户能带来80%的收益，因此需要对用户进行价值评价，找到最有价值的用户群，并针对这部分用户进行差异化的营销。
R-Recency（最近一次购买时间间隔），R指用户上一次消费的时间到目前统计时间的间隔，上一次购物时间距今最近的顾客，通常在近期响应营销活动的可能性也最大，对于APP而言，很久没有购物行为可能意味着用户放弃了APP的使用，重新唤起用户也需要更多的成本。
F-Frequency（消费频次），F指用户在某段时间内的购物次数，消费频率越高意味着这部分用户对产品的满意度最高，用户粘性最好，忠诚度也最高。
M-Money（消费金额），M指用户在某段时间内的购物金额，这也是为公司带来价值的最直接体现，而消费金额较高的用户在用户总体中人数较少，却能创造出更多价值，是需要重点争取的对象。
RFM分析方法有什么用？
- 用RFM分析方法把用户分为8类，对不同价值的用户使用不同的运营决策，把公司有限的资源发挥到最大的效果，这就是我们常常听到的精细化运营。
- 例如第1类是重要价值用户，这类用户最近一次消费时间较近，消费频率也高，消费金额也高，要提供VIP服务。
| 用户分类 | 最近一次消费时间间隔 （R） |
消费频率 （F） |
消费金额 （M） |
精细化运营 |
| 1.重要价值用户 | 高 | 高 | 高 | 倾斜更多的资源，VIP服务，个性化服务，附加销售 |
| 2.重要发展用户 | 高 | 低 | 高 | 交叉销售，提供会员忠诚计划，推荐其他产品 |
| 3.重要保持用户 | 低 | 高 | 高 | DM营销，提供有用资源，通过续订或更新产品 |
| 4.重要挽留用户 | 低 | 低 | 高 | 重点联系或拜访，提高留存率 |
| 5.一般价值用户 | 高 | 高 | 低 | 销售更高价值的产品 |
| 6.一般发展用户 | 高 | 低 | 低 | 提供免费试用，提供客户兴趣，创建品牌知名度 |
| 7.一般保持用户 | 低 | 高 | 低 | 积分制，分享宝贵的资源，打针促销，保持联系 |
| 8.一般挽留用户 | 低 | 低 | 低 | 根据价值判断是否需要挽留 |
如何使用RFM分析方法？
第一步：计算R、F、M的值。
- 要得到R、F、M这3个指标，一般需要数据的3个字段：用户ID或者用户名称、消费时间、消费金额。从这3个字段可以计算出R、F、M这3个指标。
以下图中的原始数据为例，假设现在是2020年1月30日，分析最近30天的用户。其中，小明最近一次消费是2020年1月26日，与今天（1月30日）的间隔是4天。他在最近30天消费了2次，总共消费金额是5000元。
计算R、F、M值用这个方法，计算出下图里两位用户的R、F、M值。同时在表格里加了3列，用于后面对计算出的R、F、M3个值打分。
| 用户ID | 最近一次消费 时间间隔（R） |
消费频率 （F） |
消费金额 （M） |
R值打分 | F值打分 | M值打分 |
| 1 | 4天 | 2次 | 5000元 | |||
| 2 | 2天 | 15次 | 1000元 |
第2步：给R、F、M值按价值打分。注意这里是按指标的价值打分，不是按指标数值大小打分。对于最近1次消费时间间隔（R），上一次消费离得越近，也就是R的值越小，用户价值越高。
把这3个指标的打分规则，整理如下图所示。
| 按价值打分（分数） | 最近一次消费时间间隔（R） | 消费频率（F） | 消费金额（M） |
| 1 | 20天以上 | 2次以内 | 1000元以内 |
| 2 | 10~20天 | 2~6次 | 1000~1500元 |
| 3 | 5~10天 | 6~8次 | 1500~3000元 |
| 4 | 3~5天 | 10~20次 | 3000~5000元 |
| 5 | 3天以内 | 20次以上 | 5000元以上 |
实际业务中，如何定义打分的范围，要根据具体的业务来灵活掌握，没有统一的标准。
根据打分规则，可以对表2-16计算出的R、F、M值进行分类，在最后3列填上对应的分值:
| 用户ID | 最近一次消费 时间间隔（R） |
消费频率 （F） |
消费金额 （M） |
R值打分 | F值打分 | M值打分 |
| 1 | 4天 | 2次 | 5000元 | 4 | 1 | 4 |
| 2 | 2天 | 15次 | 1000元 | 5 | 4 | 2 |
第3步：计算价值平均值。分别计算出R值打分、F值打分、M值打分这3列的平均值：
| 用户ID |
最近一次消费 时间间隔（R） |
消费频率 （F） |
消费金额 （M） |
R值打分 |
F值打分 |
M值打分 |
| 1 |
4天 |
2次 |
5000元 |
4 |
1 |
4 |
| 2 |
2天 |
15次 |
1000元 |
5 |
4 |
2 |
| 价值平均值 |
4.5 |
2.5 |
3 |
|||
第4步：用户分类
在表格里增加3列，分别用于记录R、F、M3个值是高于平均值，还是低于平均值。
如果一行里的R值打分大于平均值，就在R值高低列里记录为“高”，否则记录为“低”。F值、M值也这样比较，最终得到了如下表所示：
| 用户ID | R值打分 | F值打分 | M值打分 | R值高低 | F值高低 | M值高低 |
| 1 | 4 | 1 | 4 | 低 | 低 | 高 |
| 2 | 5 | 4 | 2 | 高 | 高 | 低 |
然后和用户分类表格里定义的规则进行比较，就可以得出用户属于哪种类别，如图：
| 用户分类 | 最近一次消费 时间间隔（R） |
消费频率 （F） |
消费金额（M） |
|---|---|---|---|
| 1.重要价值用户 | 高 | 高 | 高 |
| 2.重要发展用户 | 高 | 低 | 高 |
| 3.重要保持用户 | 低 | 高 | 高 |
| 4.重要挽回用户 | 低 | 低 | 高 |
| 5.一般价值用户 | 高 | 高 | 低 |
| 6.一般发展用户 | 高 | 低 | 低 |
| 7.一般保持用户 | 低 | 高 | 低 |
| 8.一般挽留用户 | 低 | 低 | 低 |
| 用户ID | R值分类 | F值分类 | M值分类 | R值高低 | F值高低 | M值高低 | 用户分类 |
| 1 | 4 | 1 | 4 | 低 | 低 | 高 | 4.重要挽留用户 |
| 2 | 5 | 4 | 2 | 高 | 高 | 低 | 5.一般价值用户 |
用户分类后，如何精细化运营呢？由于不同公司业务不一样，运营策略也不一样。
（1）重要价值用户，RFM三个值都很高，要提供VIP服务；
（2）重要发展用户，消费频率低，但是其他两个值很高，要想办法提高他的消费频率；
（3）重要保持用户，最近消费时间距离现在较远，也就是R值低，但是消费频率和消费金额高。这种用户，是一段时间没来的忠实客户。应该主动和客户保持联系，提高复购率；
（4）重要挽留客户，最近消费时间距离现在较远，消费频率低，但消费金额高。这种用户即将流失，要主动联系用户，调查清楚哪里出了问题，并并想办法挽回。
这样通过RFM分析方法来分析用户，可以对用户进行精细化运营，不断将用户转化为重要价值用户。
注意事项：
（1）不同业务中R、F、M的定义不同，要根据具体业务灵活应用。
（2）R、F、M按价值确定打分的规则一般分为1~5分，也可以根据具体业务灵活调整。
RFM模型能够轻松地解答你业务上的这些问题
- 谁是我最好的客户？
- 哪些客户正处于流失的边缘？
- 谁有可能转化为更有利可图的客户？
- 谁是你不需要关注的无价值客户？
- 你必须保留哪些客户？
- 谁是你的忠实客户？
- 哪些客户最有可能对当前的营销动作做出回应？
总结：
RFM模型是目前衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期交易行为，交易频率以及交易金额这三项指标来描述该客户的价值状况，依据这三项指标划分8类客户类型，针对不同类型进行精准营销。
RFM分析计算方式没有统一标准，一般分成两大类，一类是以每类的总均值为标准进行计算，一类是人为划分不同等级进行打分，按照得分再进行用户分类。
需要注意的是：RFM分析模型根据不同的公司，不同的业务计算方式也不一定一致，因此不存在谁对谁错，选择合适的方式即可。
7 漏斗分析模型
百度百科给出的解释
营销漏斗模型指的是营销过程中，将非潜在客户逐步变为客户的转化量化模型。营销漏斗模型的价值在于量化了营销过程各个环节的效率，帮助找到薄弱环节。
漏斗分析模型是将一个总体按照一定顺序分解成不同的阶段，对于每个阶段的数据进行量化，根据计算的结果来分析发现问题。
简单来说，就是某事物的实现的一系列操作中，观察每个步骤的转化与流失。
拿电商来说，用户去某个网站购买商品，那需要经过几个步骤
漏斗分析的作用
对于业务流程相对规范，周期较长、环节较多的流程进行分析，能够直观的发现和说明问题所在，可以更快地找出某个环节的转化率出现问题。
1、企业可以监控用户在各个层级的转化情况。
降低流失是运营人群的重要目标，通过不同层级的情况，迅速定位流失环节，针对性持续分析找到可优化点，如此提升用户留存率
2、多维度切分与呈现用户转化情况科学的漏斗分析能够展现转化率趋势的曲线，能帮助企业精细地捕捉用户行为变化，提升了转化分析的精度和效率，对选购流程的异常定位和策略调整效果验证有科学指导意义。
3、不同属性的用户群体漏斗比较
漏斗对比分析是科学漏斗分析的重要一环，运营人员可以通过不同属性的用户群体（如新注册用户与老客户）各环节转化率，各流程步骤转化率的差异对比，了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。
常见的漏斗模型介绍
（1）AIDMA模型
AIDMA模型是在AIDA模型（Attention, Interest, Desire, Action）的基础上，增加了Memory，形成的注意 → 兴趣 → 欲望 → 记忆 → 行动（购买）的模型。从吸引消费者的注意力，到引起用户可以转向欲望的兴趣，并能够记忆住足够的时间，以便用户作出行动（在下次的时候购买）。
AIDMA模型主要适用于品牌营销方面，当然现在很多互联网产品也开始把自己作为品牌去打造，比如拼多多、抖音冠名综艺节目，爆款H5刷屏，网易云音乐的地铁刷屏广告等，都是从引起用户的兴趣，强化品牌记忆，从而吸引潜在用户。 不过，AIDMA的用户流程并不是即时转化的，且缺乏购买后的用户反馈信息。
AIDMA模型的优缺点：
优点：该理论将消费者的购买行为模型化，有助于广告主系统的研究消费者后更有效的进行的商品的宣传。AIDMA模型是一个消费者们从不知情者变为被动了解者再变为主动了解者，最后由被动购买者变为主动购买者的过程。
缺点：AIDMA模型理论并没有具体细化到不同的商品类别，实际上，该理论更多的适合高卷入度的商品（价格高，需要小心做决策），而对于低卷入度商品，消费者的决策过程往往没有那么复杂。AIDMA的用户流程并不是即时转化的，且缺乏购买后的用户反馈信息。
(2)AISAS模型
因为AIDMA模型缺少用户反馈的环节，且随着互联网用户教育的完成，消费者行为模式发生了改变，随之衍生出了AISAS模型（Attention，Interest，Search，Action，Share)，也就是注意→兴趣→搜索→行动→分享。用户从接受到产品的宣传营销信息（硬广or软文），到引起兴趣，然后开始搜索进行了解（百度、知乎、微博、淘宝），到在线下载或支付，以及后续的评价分享环节（产品内、微信微博）。
AISAS模型更符合互联网的特点，时效性强，但它和AIDMA模型一样，依旧缺乏量化标准，每一环节的效应不能通过数据进行反馈。
AISAS模型的优缺点：
优点：符合移动互联网时代的特点，时效性强，有用户反馈，这一点很重要。
缺点：但它和AIDMA模型一样，依旧缺乏量化标准，每一环节的效应不能通过数据进行反馈。
（3）AARRR模型
AARRR模型是2007年由Dave McClure(500 Startups创始人)提出的一种业务增长模式。它包括5个阶段：获客(Acquisition)、激活(Activation)、留存(Retention)、商业变现(Revenue)、自传播(Referral)。它被做为公司关注的五个最重要的指标，因为这些指标有效地衡量了产品的增长，同时又简单且可操作。
AARRR模型是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。
漏斗模型的分析步骤
1、快速定位问题环节
当聚焦用户全流程最有效的转化路径时（产品设计初期我们都会有理想的转化路径），漏斗数据的展示可以真实地反映用户真实的行为路径：
找到可优化的点，可以提升用户体验（对产品而言）；
迅速定位流失环节，针对性的下钻分析可以找到可优化的点，可以降低流失提升用户留存率（对运营而言）。
2、多维度切分分析问题原因
整体的漏斗能反映整体的转化现状，定位具体的问题环节，知其然，但是为什么会出现这个问题，就是知其所以然的过程，需要从各个维度对漏斗进行切分。比如新注册用户vs老用户、不同渠道来源的用户等在各环节的转化漏斗差异，不同维度下的漏斗差异，可能让我们眼前一亮。
3、监控漏斗转化趋势进行优化
可以在时间粒度上监控各个环节的转化率，突然上线的新功能或者近期开展的运营活动可能都会导致漏斗各环节的转化率明显的变化，无论是变好还是变差，都是我们做AB测试的一个依据。我们可以不断地用AB测试对各环节进行优化，然后监控各环节转化率的变化趋势，完成漏斗整体转化的提升。
总结：
漏斗分析模型是将一个总体按照一定顺序分解成不同的阶段，对于每个阶段的数据进行量化，根据计算的结果来分析发现问题，常用于电商分析用户购物行为转化率的分析。
具体漏斗分析模型案例实例可点击链接：9 分析思维：常见业务分析方法2 - 知乎 (zhihu.com)