1）漏斗分析法
漏斗分析是数据分析中比较常见的分析模型。采取漏斗直观表示业务从起点到终点的各个环节的转化情况。如图所示的用户支付场景的转化，反应了用户从访问到支付成功各个重要环节的转化情况。也可以对比来看，比如，对比不同产品类型的漏斗转化情况，对比不同用户群体的漏斗转化情况等。漏斗分析比较简单，重要的是在合适的业务场景中灵活的应用它。
2）AARRR模型
AARRR模型，主要为了探索用户增长，正好对应用户生命周期的5个环节：用户获取、用户激活、用户留存、用户变现、推荐传播。
来想象一个场景，xx公司开发了一款新产品:
第一步:通过地推、广告投放等途径获取用户。
第二步:通过新手引导、物质/精神激励/会员体验等激活刚刚获取到的用户，让用户尽快体验到产品核心功能，get到核心价值。
第三步:赶紧把激活的用户留住啊！短信/push提醒提醒用户该来访问了；让用户办年会员，增加他离开的成本；功能赶紧迭代优化提升用户体验等
第四步:用户既然留下了，那就协助我赚点钱呗！对，到用户变现环节了。给产品增加付费功能，嵌套些广告等。（自身付费，付钱才能用，试用期没了。嵌套付费功能）
第五步: 用户裂变搞起来，让我们的用户给我们拉用户。要相信，来自于用户的好评更有舒服力。当然，产品需要有价值、有共鸣、有趣味用户才愿意推荐传播。
我推荐大家业余看下《增长黑客》这本书，里面对AARRR模型讲的也很细。
3）预测分析
这里主要讲下逻辑回归预测。逻辑回归预测就是根据历史数据，预测未来数据，提前预知，以及时做好预案。回归预测涉及到自变量x，因变量y，直接在excel上先制成折线图，然后再添加拟合线就可以。重点就是该怎么判断拟合是否合理。就看R方，R²越接近1，代表拟合效果越好。
这只是一个比较简单的案例。真正工作中预测会考虑的会比这复杂，比如需要考虑季节性，需要剔除极值异常值等。涉及的知识点较多，更详细的内容请大家去公众号《溜溜笔记说》中“销量预测模型实战”一文查看。
4）关联规则分析
关联规则分析其实就是购物篮分析，就是通过挖掘用户的消费行为数据，探索用户的消费习惯，从而合理搭配商品，提升收益。
主要涉及的知识点有条件概率、支持度、置信度、提升度。
◆支持度：同时包含A和B的事务/所有事务
◆置信度：同时包含A和B的事务/包含A事务
◆提升度：包含A的事务中同时包含B事事务的比例/包含B事务的比例
概念不好理解，来根据案例理解下:
假如近30天共产生了10笔订单（虚构的订单量有点少，不影响计算哈），其中购买了苹果的订单有6笔，购买了香蕉的订单有5笔，同时购买了苹果和香蕉的有3笔。
那么问题来了。
第一个问题，同时购买苹果和香蕉的概率有多大？是3除以10，30%。这是支持度。
第二个问题，购买了苹果的用户会有多大概率再去买香蕉？3除以6，50%。这是支持度。
第三个问题，购买苹果对购买香蕉会产生正向影响还是负向影响或是无影响。这个理解会绕一点。我详细说下。
先看下提升度公式。
拆解下公式就是，购买了苹果的用户再去买香蕉的概率与直接买香蕉的概率进行对比，前者大于后者，则购买苹果会对香蕉产生正向影响，小于后者，则购买苹果会对香蕉产生负向影响，二者相等，则购买苹果会不会对购买香蕉产生任何影响。
这种分析比较适合零售行业的商品组合销售。向刚刚研究的是苹果对香蕉的影响，反过来可以再研究下香蕉对苹果的影响。如果两者研究都是可以产生正向影响的，就可以做捆绑销售。
5）RFM模型
RFM模型主要用来衡量用户价值，做用户分群，比如区分出低价值用户、高价值用户、忠诚用户等用户群体。R：用户最近一次消费距今时间（Recency）F：用户在最近时间段内的消费频次（Frequency）M：用户在最近时间段内的消费金额（Monetary）。
这里用一个比较简单的例子讲下：
先对R、F、M三个值进行分层并赋予权重（以下数据纯属虚构，分层时根据实际情况）。
比如用户最近一次消费距今时间7天以下的打为5分，8-14天的打为4分......以此类推。分数高的表示价值性比较高，分数低的表示价值性比较低。然后对每个用户计算R、F、M值，比如图中，用户“111113”最近一次消费距今时间在7天以下，则R为5，在最近时间段内的消费频次在6-10之间，则F为2，在最近时间段内的消费金额在1001-2000之间，则M为2。再将每个用户的R、F、M值与均值对比（这里就主要用均值来对比，工作中大家根据实际情况来选择是否按照均值），大于均值填充1，小于均值填充0，填充于”按照均值处理后“列中。最后将“按照均值处理后”的数据参照下图模型表，匹配出用户类型。
至此，每个用户的的价值标签就打出来了，可以衡量下哪些是高价值用户，哪些是低价值用户等。
6）帕累托分析
帕累托分析就是“二八法则”。“二八法则”认为80%的财富掌握在20%的人手里，应用到业务中就是，80%的营收在20%的产品里，同理，我们应该花80%的时间内在这20%的产品上。也就是说，宝贵的时间与资源应该用在刀刃上。
如图所示，柱形是销售额，折线是销售额百分比累积。越往后越接近100%。
共15种品类，其中7个品类贡献了80%的销售额，占比46.67%，也就是说46.67%的商品为公司带来了80%的销售额，并不符合二八定律，该公司并没有强势产品。
那么我们80%的精力就要分散运营这46.67%的产品才能为公司带来80%的销售额。
通过该模型可分析出:
◆我们80%的精力都花在哪些产品上了
◆20%的头部产品是否带来了大额营收
7）留存分析
留存分析的指标是留存率，留存率指某日用户数在第N日仍启动该App的用户比例，留存分析即分析用户随时间变化的活跃情况。获客成本比较高，提高用户留存的重要性不言而喻。
从时间维度划分：常见的的有：次日留存、3日留存、7日留存、30日留存、周留存、月留存。
从用户维度划分：常见的的有：新用户留存、活跃留存。
来看一个案例：
该表留存率：（某日新增的用户中，在第N天还进行登录的用户数）/ 该日新增用户数。
格中以8月6日注册用户的次留(71%)为起始点，8月1日注册用户的7留(34%)为结束点，二者形成对角线，纵向对比数据，颜色颜色部分留存率都比较高。首先需要确认8月7日这天运营是否做了动作？
为什么要怀疑8月7日？
因为8月6日的次留是8月7日，8月5日的次留也是8月7日，以此类推。所以初步猜测是否8月7日有促销动作？
再看一下次留这列，8月9日的次留明显低于一般水平。警惕羊毛党。有人会新用户注册时候利用新用户福利来薅羊毛，薅完羊毛就撤，并不会留存下来。
◆评估迭代与优化的效果。砍掉留存率低的产品功能，进行迭代优化。◆判断用户忠诚度，一周下来用户对产品基本已有完整的体验。一整套流程体验下来，继续访问的用户可判断为潜在忠诚用户。
