数据驱动产品之“事件分析”

产品迭代中常见的数据方法有 事件分析、漏斗分析、留存分析、用户路径等，而这些分析方法也大都集成在数据分析工具中(growingIO,神策, amplitude，interana 等)，熟练掌握数据分析方法已经对应的应用场景，有助于通过数据驱动产品持续优化。本系列文章将向大家系统的介绍以上提到的数据方法、在各数据分析工具中的使用姿势、应用场景，今天向大家介绍最为基础的事件分析。

1.什么是事件分析&能解决什么问题

事件，是指某个行为或业务的发生(通常是浏览页面，点击元素，浏览元素等), 比如：用户注册、浏览图片、观看视频、添加购物车、支付订单等。

事件分析，则是基于事件的指标统计(pv、uv)，结合用户属性或者其他条件等的查询分析，常常用于回答“xxx用户群体xxx事件的触发次数 、触发人数、人均触发次数等”。比如：在一二线城市的新增用户，日人均浏览图片数(抛弃浏览0次图片的用户，这种用户可能不是浏览图片的主体)。

2.事件分析使用姿势

事件分析多是结合 时间范围、过滤(筛选条件)、分组(维度)、事件的计量方式 来查看。

时间范围：支持选择任意时间段、可以按分钟/小时/日/周/月 显示。

过滤(筛选条件)：可以精细化查看符合某些具体条件的事件数据。

分组(维度)：支持将某指标基于 分组(维度) 进行更为精细化的分析，如：将“点击注册这个事件”基于“地域信息”来拆分，看到各地域的“点击注册这个事件”信息。

事件的计量方式：比如总次数(在某个时间段内的事件发生次数)、用户数(在某个时间段内的事件发生用户数)、人均次数(在某个时间段内的事件发生次数/事件发生用户数)、去重数、总和、均值、最大值、最小值，(总和、均值、最大值、最小值仅针对数值型属性的事件, e.g.播放时长)。

对比神策、growingIO，个人感觉神策的自由度相对较大（前提是数据采集足够全面）。

事件分析在umeng、诸葛io、腾讯分析、百度分析等统计分析工具中均有体现，但可以用以结合的“用户属性”、“其他过滤条件”等取决于统计分析工具采集数据时的设定、分析工具的拓展性。

3.应用场景举例

（1）查询活动页面 PV、UV。

例如：查看20180901-20180930 每周运营活动的渗透情况。

                                                              如下图为：growingIO的设置&展示

                      如下图为：神策的设置&展示(由于神策中没有预先设置“运营活动页_页面浏览”事件，这里用“详情页”)

（2）结合用户属性，分析“非 高价值人群” 中不同操作系统的个人详情页 人均访问次数，以便针对不同操作系统的人群进行优化。

如下图(神策)可以看到Andriod的人均访问次数高于iOS、Windows。

（3）结合用户注册时间，分析不同注册时间人群的充值金额差异，以基于该群体去分析用户特征，以制定出支撑“充值”kpi的有利策略。

如下图(神策)可以看到2018-2月的注册用户，其充值金额明显高于其他月份的注册用户，则可以基于“2018-2月的注册用户”进行更为全面的分析（ps：为了避免充值的异常值--充值低于1元或者高于999元的，这里设置了过滤条件：充值金额>1元 且 <999元）。

碎碎念

集成在各中分析工具、自家平台 提供给数据、产品同学的是可以提高工作效率的“术”，而达成KPI、优化产品、用户增长 都不能业务的“道”，希望大家在结合业务优势 通过数据 驱动产品持续优化。

不论是使用第三方工具还是公司内部搭建，事件分析依赖于数据采集，事件模型。

分析工具的体验地址，只需要注册下就可以使用：神策产品体验地址、GrowingIO体验地址、interana体验地址、amplitude体验地址 ，后续也将对比各款数据分析工具。