热力图是什么意思(人流量热力图)

编辑导语:根据不同的使用场景和业务需求，可以选择不同的数据分析模型进行数据分析。本文总结了9种常用的数据分析模型，希望对你有所帮助。

本文主要介绍了一些常用的数据分析模型:事件分析、漏斗分析、热图分析、留存分析、事件流分析、用户分组分析、用户审查、分布分析和归因分析。

一、事件分析

在用户行为数据分析中，事件是指用户操作产品的某种行为，即用户在产品中做了什么。转换成描述性语言，就是“操作+对象”的意思。

事件包括浏览页面、点击元素、浏览元素、修改文本框等。一个完整的事件应该包含以下几个方面:

用户信息：描述用户的信息。例如，用户访问或登录的ID时间信息：事件发生的时间行为信息：用户做了什么行为行为对象信息：用户的行为作用在哪些对象上，例如，点击了按钮A、浏览了页面B、修改了文本框C，那么A、B、C分布是用户行为作用的对象事件分析是所有数据分析模型中最基础的，是指对用户行为事件的指标进行统计、纬度细分、筛选等分析操作。例如，对于“点击添加购物车按钮”事件，我们可以用“点击次数”或“点击次数”来衡量，对应的指标分别是“添加购物车按钮的点击次数”和“添加购物车按钮的点击次数”。

测量结果可以用折线图、竖条图、横条图(条形图)、表弟图、数值图、气泡图等方式呈现。

分析的折线图可以用来观察一个或多个数据指标连续变化的趋势，也可以根据需要与上一周期进行同比数据分析。

通过事件分析，可以准确了解产品中的事件量，根据产品特点合理配置跟踪，轻松回答关于变化趋势、纬度对比等问题。，比如:

某个事件段产品推广页面点击量有多少？对比昨日提升了多少？某个渠道的累计产品注册数是多少？第一季度排名前十的产品注册渠道是哪些？产品某个活动页的UV分时走势，安卓和ios的占比分别是多少？二、漏斗分析

漏斗分析是一套流量型的数据分析模型，以用户行为为开端的每个行为节点为分析模型节点，衡量每个节点的转化效果，一般以横条图的方式呈现。漏斗分析可以帮助我们清楚地了解一个多步骤过程中每一步的转化和损失，从错误的角度进行分析和比较，找出损失的原因，提高转化绩效。

漏斗分析和事件分析的区别在于，漏斗分析是基于用户(也就是基于人)来统计某一组用户的行为，不会受到历史上浏览页面的用户的事件的影响，能够更准确的展现某一时间段内产品存在的问题。

在漏斗分析中，我们需要明确以下三个基本概念:

步骤：这里是指用户行为，由事件加筛选条件组成时间范围：指漏斗第一步发生的时间范围转化周期：指用户完成漏斗的时间限制，漏斗分析只统计在这个时间范围内，用户从第一步到最后一步的转化

以一款产品的注册转化漏斗为例，漏斗模型可以衡量每一步的抓书转化率和整体的注册转化率。

从开始注册到完成第三步注册，每一步的转化率分别为55.8%、18.5%、92.5%，完成注册的转化率为9.54%。我们可以清楚地看到，“注册完成第一步”的转化率明显低于其他两步。

除了可以看到每一步和总转化情况，还可以按照时间维度监控每一步的趋势和总转化率。通过趋势图的漏斗分析可以发现，4月8日“第一步转化率”明显下降，这一步对应的是“填写手机验证码”。

经调查发现，下降的原因是短信验证服务欠费，被代理自动停机。所以及时充值恢复短信验证服务后，转化率回到了正常水平。

在这种情况下，通过建立注册转化漏斗，测算每一步的转化率和整理转化率，然后通过时间维度监测每一步的整体转化率的趋势，可以帮助我们及时发现问题，及时止损，避免更大范围的影响。

三、热力图分析

产品的目的是帮助用户实现特定的目标，例如查找信息、注册服务和购买产品。当用户进入产品却很难找到或使用到自己要找的东西时，就会迅速离开。为了让用户停留在访问产品的过程中并采取下一步行动，我们需要关心以下问题:

用户是否点击了我们希望其互动的内容？有没有重要按钮或元素被大量点击，却被放到了不起眼的地方？用户感兴趣的内容是否和我们预想的一样？不同的运营位、不同的内容对用户的吸引力分别是多少？具体元素的点击数据如何？不同渠道的访问者对于页面的关注点具备哪些差异和特征？从重要元素的点击来看，哪个渠道的质量更好？未转化用户与转化用户之间的热力图表现差异如何？

热图也叫热图。它基于产品中元素的点击量、点击次数和点击率，以特别高亮的图形形式显示用户在页面上点击的位置或用户所在的位置。热图通过聚合用户行为，可以一目了然地展现用户与产品的交互方式，帮助我们识别用户行为趋势，优化产品流程。

目前，有三种常见的热图:

基于鼠标点击位置的热力图基于鼠标移动轨迹的热力图基于内容点击的热力图

三张热图的原理、外观、场景都不一样。

1)基于鼠标点击位置的热图

比如百度的统计页面点击图，记录了用户点击在屏幕分辨率上的位置，适用于产品细节的优化。例如，用户点击按钮的最佳位置是向左3厘米或1厘米。届时，基于鼠标点击位置的热图将不会跟踪内容的变化，只会记录相对时间内鼠标点击的绝对位置。

2)基于鼠标运动轨迹的热图。

比如MouseStats，Mouseflow等。记录用户的鼠标移动、停留等行为，热图多以轨迹的形式出现。因为鼠标的运动与眼球的运动密切相关，所以这个热图适合用来洞察用户的心理，探索用户对产品的关注度。同样，基于鼠标移动轨迹的热图并不跟踪内容的变化，只是记录了相对时间内鼠标移动的绝对位置。

3)基于内容点击的热图

记录用户对网页内容的点击，自动过滤页面的空白点，即没有内容和链接的无效点击。基于内容点击的热图会跟踪内容的变化，记录用户在相对时间内对内容的点击偏好。

热图可以反映用户点击、移动和停留在页面上的偏好。用户体验设计师、产品经理、运营人员等。可以借助热图对用户的访问偏好有一定的了解。我们可以很容易的看到哪些模块的用户点击量较高，哪些模块的用户点击量较低，然后做出相应的优化动作，比如文案的调整，模块位置的调整等等。

四、留存分析

留存就是让用户留在产品里，继续使用产品。保存不好的产品就像一个底部有裂缝的篮子。如果不修复裂缝，只是用它来装水，就很难实现持续增长。

留存分析是衡量产品对用户是否有吸引力和粘性的重要数据分析模型，可以用表格和折线图的方式呈现。留存表展示了目标用户的留存明细，通过留存折线图可以观察到用户留存率随时间的下降情况。在保留分析中，我们应该澄清以下三个基本概念:

留存用户：如果用户发生起始行为一段时间后，又发生了目标行为，即认定该用户为留存用户。留存行为：某个目标用户完成了起始行为之后，在后续日期完成了特定的留存行为，则留存人数+1。留存行为一般与我们的目标有强相关性，我们在进行留存分析时，一定要根据自身业务的实际需要，确定高价值的留存行为，才能对产品的优化提供指导性建议。留存率：是指“留存行为用户”占“起始行为用户”的比例，常见指标有次日留存率、7日留存率、次月留存率等。五、事件流分析

时间流是了解产品流通中用户行为的最佳方式。事件分析通过山治图，我们可以了解用户完成任何行为后的流向，以及转化后的用户是如何一步步完成转化的，从而判断用户的取向是否符合预设的路径。

通过事件流分析可以回答以下问题:

用户行为路径是否与预设的路径一致？产品迭代后，用户行为，路径是否有变化？产品的流失用户去了哪里，为什么流失？产品设计是否给用户带来了最佳体验？六、用户分群分析

用户聚类分析是指利用某些行为或背景信息对用户进行分类。对用户群体的分析可以帮助我们找到对应的用户群体，帮助我们了解他们是谁，做过什么行为，进而进行针对性的运营和产品优化。

用户聚类分析的常用方法包括以下三种:

找到做过某些事情的人群，比如，过去7天完成过3次购物的人群找到有某些特定属性的人群，比如，年龄在25岁以下的男性找到在转化过程中流失的人群，比如，提交了订单但没有付款的用户

通过对用户群体的分析，可以回答关于用户群体的各种常见问题，比如“用户参与了哪些活动后对产品的参与度更高”、“用户之前活跃但最近安静的原因是什么”、“每次走到最后一步都放弃注册的人有什么共同特征”。

同时，用户聚类分析也是精细化运营的基础。当用户聚类分析将行为数据与业务结果数据相结合时，运营商可以通过RFM模型等经典的用户分层模型实现精细化运营。

七、用户细查

用户审查与用户分组的功能密切相关。当我们定位到我们所关注的某个用户群体时，细致的用户调查可以进一步帮助我们了解该群体用户在产品内部的行为轨迹，从而清晰地展现用户与产品的整个交互过程。

用户审查可以显示产品中单个用户的详细信息和单个用户的行为流程。在此基础上，可以根据真实的用户足迹验证一些猜想，或者从产品使用过程中发现潜在的问题，激发更多的灵感；也很容易从高价值用户那里了解到他们对产品的使用情况。

八、分布分析

产品优化和运营是一个动态的过程。我们需要不断的监测数据，调整产品设计或者运营方式，然后继续监测效果。分布分析主要用于了解不同区间的频率，不同事件计算变量的总和，以及页面浏览时间等不同区间的用户数量分布。

作为UE和产品想要集中优化的最重要的页面，需要了解关键页面浏览量的频率分布，找到对用户影响最大的页面；作为运营者，无差别的用户运营会让人疲惫不堪。要知道贡献值最高的用户是分组的，集中资源在中等和重点用户上。

分布分析不仅可以洞察用户行为的分布规律，还可以作为事件分析和用户分组功能的重要补充。例如，电子商务场景中的业务模型通常是:

收入=访问用户数x转化率x订单金额x复购率

为了增加总营业额，我们应该从这些指标进行优化。

九、归因分析

归因分析(Attribution analysis)是一种数据分析模型，它将销售信用或转化信用按照一个或一组分配规则根据它们的工作分配给转化路径中的不同接触点。可以帮助我们深入了解用户转化的路径，找到广告或渠道与用户转化的关系。

随着营销客户的成本越来越高，用户转化的路径也越来越复杂。我们需要通过归因分析找到最有价值、最有潜力的接触点，从而更好的节约营销成本，提高用户转化。有四种常见的归因模式:

在第一个归因模型中，第一个联系人的100%转化信用和剩余联系人的0%在回溯期内分配。

在最终的归因模型中，在回溯期间，一个转换平均分布在联系人之间。例如，如果用户在一次转换中接触了五个联系人，那么这五个联系人中的每一个都被分配20%的信用。

线性归因模型，在回溯期，一次转换由所有联系人平均分配。例如，如果用户在一次转换中接触了五个联系人，那么这五个联系人中的每一个都被分配20%的信用。

位置归因模型，在回溯期，平均分配40%给第一个接触者，40%给最后一个接触者，20%给其余中间位。

可以根据不同的使用场景和业务需求选择合适的数据分析模型。

本文最初由@发布么么么么么么么么么么么，而且大家都是产品经理。未经许可，禁止复制。

题目来自Unsplash，基于CC0协议。