【十二大模型】智能事件分析模型深度解析:基础理念与全方位应用
作为分析师的你清楚如何快速获取下面的数据表现么?
- 过去一个月,商品销售总量和收入是多少?
- 商品销售在一天中的高峰时段是何时?
- 城市的销售记录如何?哪些城市特别受欢迎?
- 云服务产品有哪些亮点或需要改进的地方?
- 客户对我们服务满意度和推荐意愿是否提升?
- 产品在稳定性、安全性、响应速度等方面能否使企业用户满意?
- 过去一年,高端客户和普通客户的数量和购买行为有何变化?客户结构是否有所调整?
在数字海洋中,每一次点击和滑动都是数据星火,它们照亮了企业宇宙,揭示用户故事。要捕捉这些光芒并理解故事,我们引入智能事件分析模型。这个工具能深入用户行为,让每个人都能轻松分析数据,挖掘数据的潜力,提供独特洞察。
01 智能事件分析模型的定义
在企业的决策过程中,理解用户行为的重要性不言而喻。智能事件分析模型提供了一种有效的方式,通过捕获和响应事件流来理解用户行为。这个模型建立在三个核心概念上:事件、维度和指标。
事件:用户行为的数据化描述,是一个高度提炼的概念,甚至可以说“万物皆可事件化”。
*例:电商中观看视频、点击链接、下单购买等一系列用户行为,都可以通过“事件”来描述。
维度:用来对事件进行更精准的描述,维度可以包括两大类,一类是描述事件的(事件属性),一类是描述用户的(用户属性、用户标签)。
*例:“购买”事件,如果我们想更精准的描述买的东西,或者买的地点,亦或是哪些人买的,就可以通过维度来实现。
指标:由“事件+度量”(交易人数)或者“事件+事件属性+度量”(交易金额)组成的,指标是事件分析的基础。
*例:会员数、交易额、访问量这些都是指标。
02 “三部曲”构建智能事件分析模型
场景举例:过去 30 天 ,整体的交易量和交易金额分别是多少?
支持分析任意事件、任何指标,灵活聚合
![](/_next/image?url=https%3A%2F%2Fdac-zero.oss-cn-hangzhou.aliyuncs.com%2Fgrowingio%2Fhomesite%2Fcms%2Fevent-2.png&w=3840&q=75)
选择事件的度量方式,构成想分析的指标
![](/_next/image?url=https%3A%2F%2Fdac-zero.oss-cn-hangzhou.aliyuncs.com%2Fgrowingio%2Fhomesite%2Fcms%2Fevent-3.png&w=3840&q=75)
调整设计时间范围、统计时间粒度和可视化图表
![](/_next/image?url=https%3A%2F%2Fdac-zero.oss-cn-hangzhou.aliyuncs.com%2Fgrowingio%2Fhomesite%2Fcms%2Fevent-4.png&w=3840&q=75)
03 案例:分析销售额突然变化原因?
对于智能事件分析模型来说,我们可以用来做数据统计、趋势分析。当然,如果你遇到如下问题,我们也可以有更具体办法去解决。
例如,某电商客户在做GMV分析的时候,在某一段时间内在线用户总量没发生较大变化的时候,GMV指标出现异常偏低的问题,他们迫切地需要定位原因。这时,智能事件分析模型中的「维度下钻,一键分群」功能,在除了指标监控以外就特别适合「异常原因定位」的探索性分析
维度下钻
在上述GMV异常分析场景中,我们可以先找到具体的一个维度,比如城市维度,通过下钻维度的功能去拆分是否有些城市有较大的流量但是转化率比较低,从而影响了整个GMV。
![](/_next/image?url=https%3A%2F%2Fdac-zero.oss-cn-hangzhou.aliyuncs.com%2Fgrowingio%2Fhomesite%2Fcms%2Fevent-5.png&w=3840&q=75)
通过一键下钻城市维度后,GrowingIO智能事件分析模型发现了上海地区的用户量居于第三位,但是整体GMV只有600+,可以定位出上海用户群体出现了高流量但是低转化的问题。
![](/_next/image?url=https%3A%2F%2Fdac-zero.oss-cn-hangzhou.aliyuncs.com%2Fgrowingio%2Fhomesite%2Fcms%2Fevent-6.png&w=3840&q=75)
一键分群
当然,如果我们想再进一步探究上海地区“高流量但是低转化”的原因,可以通过「一键分群」的便捷功能直接把上海人群包创建出来:
![](/_next/image?url=https%3A%2F%2Fdac-zero.oss-cn-hangzhou.aliyuncs.com%2Fgrowingio%2Fhomesite%2Fcms%2Fevent-7.png&w=3840&q=75)
一键分群的用户,可以直接用来分析对应用户群做过的其他行为,如看过、加购、立购了哪些商品,哪些生成订单、支付成功了;通过这些行为分析我们可以找到这部分用户对于哪些商品感兴趣但是并没有最终下单,可以辅助我们判断主要在哪些环节、哪些原因放弃了购买;从而帮助我们了解用户的兴趣点,更好的理解用户需求,优化产品和服务。
![](/_next/image?url=https%3A%2F%2Fdac-zero.oss-cn-hangzhou.aliyuncs.com%2Fgrowingio%2Fhomesite%2Fcms%2Fevent-8.png&w=3840&q=75)
04 智能事件分析模型玩法全解析
基础玩法
多维度度量: 事件分析模型可以对事件进行多方面的度量,如计算事件发生的次数、涉及的用户人数、人均发生次数、中位数等。此外,还可以通过属性的去重和数值属性的统计来进行更细致的分析。
数据拆分: 借助事件属性、用户属性、用户标签等对指标进行拆分,实现更精确的分析。
对比分析: 可以对比不同的目标用户群体,查看不同用户群的指标及维度数值,从而发现潜在的差异和规律。
实时分析: 支持分钟级的实时数据分析,以及小时级、天级别、周、月、年级别的数据统计,满足不同时间尺度上的分析需求。
可视化展示: 提供趋势图、柱状图、环形图、表格图、气泡图等多种可视化方式来展示分析结果,使数据更加直观易懂。
操作简便: 用户可以通过简单的点击和选择操作来创建和保存自己的事件分析图表,非常便于快速生成分析报告
进阶玩法
弹性指标
虚拟事件:支持合并、拆分预置事件和埋点事件,满足多项目数据划分的使用场景 虚拟属性:在数据入库之后可以通过 SQL 表达式对已定义的属性进行二次加工,产生一个新的属性值
计算指标:提供指标之间的四则运算功能,使得复杂指标的计算成为可能
动态计算
指标使用的人群可以随着分析选择的统计期的变化而变化,而不是使用T+1计算好的固定人群
![](/_next/image?url=https%3A%2F%2Fdac-zero.oss-cn-hangzhou.aliyuncs.com%2Fgrowingio%2Fhomesite%2Fcms%2Fevent-9.png&w=3840&q=75)
多维表格
为了更好的支持表格的解读性和可汇报性,在事件分析固化的表格基础上,我们推出多维表格功能。提供分组、行汇总计算、同环比、维度行列置换等功能。同时,也重点推出了自定义运算列功能,可以灵活的对多个列指标进行四则混合运算,指标构建更灵活
应用实例:打开多维模式,切换成多维表格后,点击表格内的数据,定义“复购用户占比”的计算逻辑和显示类型,就可以轻松完成多维表格的指标构建
![](/_next/image?url=https%3A%2F%2Fdac-zero.oss-cn-hangzhou.aliyuncs.com%2Fgrowingio%2Fhomesite%2Fcms%2Fevent-10.png&w=3840&q=75)
多维表格可以满足可以让表格具有更丰富的解读性和可汇报性,后续我们也会推出专题文章详细的介绍,敬请期待哦~
05 更多实际应用场景
核心指标监控:追踪并分析关键业务指标,如每日活跃用户、交易额等,以监控业务健康状况。
异常原因定位:发现关键指标异常,利用事件分析模型快速定位原因,识别导致问题的具体事件或用户行为。
生成数据报告:构建日/周/月报告,自动汇总核心业务指标的表现,简化数据分析流程。
![](/_next/image?url=https%3A%2F%2Fdac-zero.oss-cn-hangzhou.aliyuncs.com%2Fgrowingio%2Fhomesite%2Fcms%2Fevent-11.png&w=3840&q=75)
在数据传达过程中,选择恰当的图表形式对于确保有效沟通至关重要。我们即将推出「事件分析模型图表应用全解析」的文章,旨在深入探讨该模型支持的丰富图表类型。这包括但不限于,折线图(展示趋势)、饼图(表现比例)和柱形图(便于比较)等。我们将引导您了解如何根据不同的分析需求和业务场景,选取最能够清晰、准确表达数据洞察的图表类型,以助您在数据呈现中实现最优沟通效果。敬请期待~
GrowingIO的智能事件分析模型不仅是一种工具,更是企业理解用户、指导决策的重要助力。通过简单易用的分析平台,我们期望帮助每个人解锁数据分析的力量,让数据驱动决策成为可能。