1、用戶模型
“不僅要知道用戶當下在想什么，更要知道用戶背后在想什么，以及用戶正在經歷着什么。”
傳統用戶模型構建方式
用戶模型：基於對用戶的訪談和觀察等研究結果建立，嚴謹可靠但費時；
臨時用戶模型：基於行業專家或市場調查數據對用戶的理解建立，快速但容易有偏頗。（缺乏時間，資源的情況下）
為了節省時間，降低風險，產品團隊往往盡快將產品推向用戶，快速試錯，在這種場景下如何構造用戶模型？
1，首先，整理和收集已經獲得的任何可認知用戶的經驗和數據，將這些信息映射成為用戶的描述信息（屬性）或用戶的行為信息，並存儲起來形成用戶檔案,
2，實時關注自身數據的波動，及時采取行動
3，記錄用戶的行為數據而不是單純地為用戶打標簽
4，360°覆蓋用戶全生命周期的用戶檔案
用戶的每一步成長都通過行為記錄下來，基於用戶所在生命周期的不同階段，針對新用戶、流失用戶、活躍用戶、沉默用戶分別采取有針對性的拉新、轉化、留存等運營策略。
2、事件模型
1.事件是什么
就是用戶在產品上的行為，它是用戶行為的一個專業描述，用戶在產品上的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采集，通俗講就是：將一段代碼放入對應的頁面/按鈕，用戶進入頁面/點擊按鈕的本質是在加載背后的代碼，同時再加載事件采集代碼，這樣就被SDK所記錄下來了。
（利用百度統計加入代碼采集用戶下載成功和失敗事件）
2.事件的采集
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
采集時機:用戶點擊（click）、網頁加載完成、服務器判斷返回等。在設計埋點需求文檔時，采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，在采集過程中如果沒有明確時機，當用戶點擊了注冊按鈕，由於用戶輸入了錯誤的注冊信息實際沒有注冊成功，可能仍然會進行記錄，這樣在統計注冊成功事件的時候就不是准確的。而正確的采集時機描述應該是“服務器返回注冊成功的判斷”。（日本官網采集的就是返回激活成功或者失敗頁面）
3.事件的分析
- 人數：某一事件（行為）有多少人觸發了
- 次數：某一事件（行為）觸發了多少次
- 人均次數：某一事件（行為）平均觸發多少次
- 活躍比：在一個時間區間內，觸發某一事件的人數占當前時間段內所有活躍人數的比
4.事件的管理
當事件很多時，可以對事件進行分門別類地管理。同時，可以從產品業務角度將重要的用戶行為標注出來，以便可以在分析時方便、快捷地查找常用、重要的事件。
3、漏斗模型
漏斗模型幫助你分析一個多步驟過程中每一步的轉化與流失情況。
舉例來說，用戶下載產品的完整流程可能包含以下步驟：
我們可以將如上流程設置為一個漏斗，分析整體的轉化情況，以及每一步具體的轉化率和轉化中位時間
我們需要將按照流程操作的用戶進行各個轉化層級上的監控，尋找每個層級的可優化點；
對沒有按照流程操作的用戶繪制他們的轉化路徑，找到可提升用戶體驗，縮短路徑的空間。
更好的利用漏斗模型：
1.細化每一個環節，展示到點擊之間？點擊到下載之間？下載到安裝之間？安裝到體驗之間？
2.擁有埋點意識和全局觀念，才能夠有效采集，為每個環節的漏斗優化做出決策依據，推動各個部門優化
4、熱圖分析模型
什么是熱圖分析模型？
反映用戶在網頁上的關注點在哪里，尤其對於官網首頁來說，信息密度極高，用戶究竟是如何點擊，如何瀏覽的效果圖
按計算維度划分，熱圖可以分為點擊熱圖和瀏覽熱圖。
點擊熱圖：追蹤的是鼠標的點擊情況，進行人數、次數統計並基於百分比進行熱力分布，點擊熱圖又分為兩種，一種是鼠標的所有點擊，一種是頁面可點擊元素的點擊。前者可以追蹤頁面上所有可點擊和不可點擊位置的被點擊情況，后者只追蹤頁面上可點擊元素的點擊情況。
瀏覽熱圖（也稱注意力熱圖）記錄的是用戶在不同頁面或同一頁面不同位置停留時間的百分比計算，基於停留時長。
熱圖分析模型中的新特性
1、面向特定人群的分析與人群對比
比如理財產品，投資用戶和未投資用戶關注點肯定不同
2、聚焦分析
點擊率= 點擊次數/當前頁面的瀏覽次數
聚焦率=點擊次數/當前頁面的點擊總次數
應用場景
1、落地頁效果分析
2、首頁流量追蹤
3、關鍵頁體驗衡量（產品體驗和下載頁面）
5、自定義留存分析模型
留存定義和公式
定義：滿足某個條件的用戶，在某個時間點有沒有進行回訪行為
公式：若滿足某個條件的用戶數為n，在某個時間點進行回訪行為的用戶數為m，那么該時間點的留存率就是m/n
- N-day留存，即第幾日留存，只計算第N天完成回訪行為的用戶
- Unbounded留存（N天內留存），留存會累計計算N天內所有完成過回訪行為的用戶。
- -Bracket留存 （自定義觀察期留存）N-day留存和Unbounded留存都是按照獨立的天/周/月為觀察單位計算，但有時候我們不希望受限於這種固定時間度量，我們希望划分為幾個觀察期
第一個觀察期：次日
第二個觀察期：第3日-第7日
第三個觀察期：第8日-第14日
第四個觀察期：第15日到第30日
自定義留存
上述三種留存方式，都是對時間的限定，對留存的定義都是用戶打開了APP或進入了網站
自定義留存是基於業務場景下的留存情況，比如閱讀類產品會把看過至少一篇文章的用戶定義為真正的留存用戶，電商類產品會把至少查看過一次商品詳情定義為有效留存
- 初始行為：初始與回訪是相對的概念。
- 回訪行為：與初始行為的設定是並且關系。用戶的初始行為可以理解為上一次行為，回訪行為即理解為下一次行為。
對初始行為和回訪行為的設定本質上是在進一步篩選用戶群。在滴滴的一次增長分享會曾提到過“搶了紅包的用戶后來打了車的日留存”，即初始行為是搶了紅包，回訪行為是打了車。“搶了紅包的用戶打了車的3日留存”即初始行為是搶了紅包，回訪行為是打車，看這部分人的第三天留存。
6、粘性分析
定義：對活躍用戶使用產品的習慣的分析，例如一個月使用了幾天，使用大於一天，大於七天的用戶有多少，例如某些產品上線了新功能，用戶使用需要簽到，可以由此分析出用戶的使用習慣，評估新功能的吸引力和健康度。
作用：使用留存分析，了解產品和功能黏住用戶的能力如何，用戶喜歡哪個功能，不同用戶在同一功能在適用上的差異，有助於科學評估產品，制定留存策略
舉例：股票APP，已投資用戶和未投資的用戶觸發功能【查看股票市場】的次數
7、全行為路徑分析
行為路徑分析分為漏斗分析和全行為路徑分析。與漏斗分析模型不同，漏斗分析模型是分析既定的行為轉化，例如電商產品，分析從查看產品詳情到最終支付每一步的轉化率。而全行為路徑分析是對用戶在APP或網站的每個模塊的流轉情況，挖掘用戶的訪問模式，從而優化產品或網站
一般可用樹形圖表現，如下圖，一個線上培訓網站，用戶大都會打開搜索課程，所以需要優化搜索課程。而在第一次搜索課程后，用戶並沒有搜索到想要的課程，又進行了第二次搜索，因此可以將用戶搜索頻率高的關鍵詞設置成可點擊元素，鏈接到用戶使用頻率高的相關課程。引導用戶點擊得到想要的結果
8、用戶分群模型
分群是對某一特征用戶的划分和歸組，而分層，更多的是對全量用戶的一個管理手段，細分用戶的方法其實我們一直在用，比如我們熟悉的RFM模型：
RFM模型是從用戶的業務數據中提取了三個特征維度：最近一次消費時間（Recency）、消費頻率 (Frequency)、消費金額 (Monetary)。通過這三個維度將用戶有效地細分為8個具有不同用戶價值及應對策略的群體，如下圖所示。
另外四個用戶分群的維度：
1、用戶屬性：用戶客觀的屬性，描述用戶真實人口屬性的標簽，比如：年齡、性別、城市、瀏覽器版本、系統版本、操作版本、渠道來源等就是用戶屬性
2.活躍時間
3.做過，沒做過
4.新增於：何時新增用戶較多