1、行为事件分析
1)作用：行为事件分析方法主要用于研究某行为事件的发生对产品的影响以及影响程度。
2)应用场景：针对某一具体行为，进行深度下钻分析，分析维度全面细致，确认导致该行为的原因;或针对某一结果现象，回溯可能造成此现象的行为是什么。例如查看功能模块的渗透率，回溯点击该功能和不点击该功能的用户有什么行为差别。
3)涉及的数据指标：每个产品根据产品特性，会有不同的行为事件和筛选维度，但基本涵盖了该业务所需要的所有数据指标维度，进行前期数据规划中，需要对可分析事件进行全量数据埋点。后期平台运营过程中，将依赖于前期的数据采集规划。
2、页面点击分析
1)作用：点击分析被应用于显示页面区域中不同元素点击密度的图示，可以：
1.精准评估用户与产品交互背后的深层关系
2.实现产品的跳转路径分析，完成产品页面之间的深层次的关系需求挖掘
3.与其他分析模型配合，全面视角探索数据价值
4.直观的对比和分析用户在页面的聚焦度、页面浏览次数和人数以及页面内各个可点击元素的百分比。
2)应用场景：通常用于首页、活动页、产品详情页等存在复杂交互逻辑的页面分析。一般分为可视化热力图、固定埋点两种形式。
3)涉及的数据指标：
1. 浏览次数(PV)：该页面被浏览的次数。
2. 浏览人数(UV)：该页面被浏览的人数。
3. 页面内点击次数：该页面内所有可点击元素的总次数。
4. 页面内点击人数：该页面内所有可点击元素的总人数。
5. 点击人数占比：页面内点击人数/浏览人数。
3、用户行为路径分析
1)作用：明确用户现存路径有哪些，发现路径问题，或优化用户行为沿着最优访问路径前进，结合业务场景需求进行前端布局调整
2)应用场景：确定产品用户从访问到转化/流失都经过了哪些流程，转化用户与流失用户是否有行为区别，以及用户行为路径是否符合预期
3)涉及的数据指标：全链路页面级PV、UV，以及路径流转关系
4、漏斗模型分析
1)作用：从一个事件环节的最开始到最终转化成购买的整个流程中的一个个子环节，相邻环节的转化率表现力。就是指用数据指标来量化每一个步骤的表现。(流量漏斗模型在产品中的经典运用是AARRR模型，不过现在已经流行更新的RARRA模型)
2)应用场景：衡量每一个转化步骤的转化率，通过异常数据指标找出有问题的环节并解决，最终提升整体购买转化率
3)涉及的数据指标：转化周期(每层漏斗的时间的集合)、转化率(每层漏斗之间的)。
5、用户分群模型
用户分群数据分析方法是进行用户画像的关键数据分析模型，这是企业进行数据分析、精细化运营的第一步。用户分群即用户信息标签化，通过用户的历史行为路径、行为特征、偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析。与漏斗模型关注阶段差异相比，用户分群更关注群体差异。通过漏斗分析模型，可以看到用户在不同阶段所表现出的行为是不同的。然而，由于群体特征不同，在相同阶段不同群体的行为会有很大差别，因此运营人员或者产品人员希望可以根据历史数据将用户进行划分，将具有一定规律特性的用户群体进行聚类，进而再次观察该群体的具体行为，形成更加清晰的用户画像。
一般来说，用户分群可以分为普通分群和预测分群，普通分群是依据用户的属性特征和行为特征将用户群体进行分类；预测分群是根据用户以往的行为属性特征，运用机器学习算法来预测他们将来会发生某些事件的概率。通过用户分群，企业可以打破数据孤岛并真实地了解客户，定位营销目标群体，帮助企业实现精准、高效地营销。
6、用户留存分析模型
留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。留存用户和留存率体现了应用的质量和保留用户的能力，还可以从宏观上把握用户生命周期长度以及定位产品可改善至之处。目前市面上存在很多专业的数据机构在提供数据统计服务，国外比较流行的是Flurry，Google Analytics，国内比较有名的是友盟、TalkingData以及无需埋点即可实现数据统计分析的GrowingIO。用户留存分析一般需要先按照不同的维度进行用户分组（时间/渠道/行为等），然后对分组进行数据的比较分析，找到数据变化的原因。
