大資料分析中，有哪些常見的大資料分析模型？
常見資料分析模型較多，列舉其中常見的八種供樓主參考：
行為事件分析法來研究某行為事件的發生對企業組織價值的影響以及影響程度。企業藉此來追蹤或記錄的使用者行為或業務過程，如使用者註冊、瀏覽產品詳情頁、成功投資、提現等，通過研究與事件發生關聯的所有因素來挖掘使用者行為事件背後的原因、互動影響等。
在日常工作中，運營、市場、產品、資料分析師根據實際工作情況而關注不同的事件指標。如最近三個月來自哪個渠道的使用者註冊量最高？變化趨勢如何？各時段的人均充值金額是分別多少？上週來自北京發生過購買行為的獨立使用者數，按照年齡段的分佈情況？每天的獨立 Session 數是多少？諸如此類的指標檢視的過程中，行為事件分析起到重要作用。
行為事件分析法具有強大的篩選、分組和聚合能力，邏輯清晰且使用簡單，已被廣泛應用。行為事件分析法一般經過事件定義與選擇、下鑽分析、解釋與結論等環節。
漏斗分析是一套流程分析，它能夠科學反映使用者行為狀態以及從起點到終點各階段使用者轉化率情況的重要分析模型。
漏斗分析模型已經廣泛應用於流量監控、產品目標轉化等日常資料運營工作中。例如在一款產品服務平臺中，直播使用者從啟用APP開始到花費，一般的使用者購物路徑為啟用APP、註冊賬號、進入直播間、互動行為、禮物花費五大階段，漏斗能夠展現出各個階段的轉化率，通過漏斗各環節相關資料的比較,能夠直觀地發現和說明問題所在，從而找到優化方向。對於業務流程相對規範、週期較長、環節較多的流程分析,能夠直觀地發現和說明問題所在。
3、留存分析模型
留存分析是一種用來分析使用者參與情況/活躍程度的分析模型，考察進行初始行為的使用者中，有多少人會進行後續行為。這是用來衡量產品對使用者價值高低的重要方法。留存分析可以幫助回答以下問題：
一個新客戶在未來的一段時間內是否完成了您期許使用者完成的行為？如支付訂單等；某個社交產品改進了新註冊使用者的引導流程，期待改善使用者註冊後的參與程度，如何驗證？想判斷某項產品改動是否奏效，如新增了一個邀請好友的功能，觀察是否有人因新增功能而多使用產品幾個月？關於留存分析，我寫過詳細的介紹文章，供您參考：解析常見的資料分析模型——留存分析。
分佈分析是使用者在特定指標下的頻次、總額等的歸類展現。它可以展現出單使用者對產品的依賴程度，分析客戶在不同地區、不同時段所購買的不同型別的產品數量、購買頻次等，幫助運營人員瞭解當前的客戶狀態，以及客戶的運轉情況。如訂單金額（100 以下區間、100 元 - 200元區間、200 元以上區間等）、購買次數（5 次以下、5 - 10次、10 以上）等使用者的分佈情況。
分佈分析模型的功能與價值：科學的分佈分析模型支援按時間、次數、事件指標進行使用者條件篩選及資料統計。為不同角色的人員統計使用者在一天/周/月中，有多少個自然時間段（小時/天）進行了某項操作、進行某項操作的次數、進行事件指標。
即應用一種特殊高亮的顏色形式，顯示頁面或頁面組（結構相同的頁面，如商品詳情頁、官網部落格等）區域中不同元素點選密度的圖示。包括元素被點選的次數、佔比、發生點選的使用者列表、按鈕的當前與歷史內容等因素。
點選圖是點選分析方法的效果呈現。點選分析具有分析過程高效、靈活、易用，效果直觀的特點。點選分析採用視覺化的設計思想與架構，簡潔直觀的操作方式，直觀呈現訪客熱衷的區域，幫助運營人員或管理者評估網頁的設計的科學性。
使用者路徑分析，顧名思義，使用者在APP或網站中的訪問行為路徑。為了衡量網站優化的效果或營銷推廣的效果，以及瞭解使用者行為偏好，時常要對訪問路徑的轉換資料進行分析。
以電商為例，買家從登入網站／APP到支付成功要經過首頁瀏覽、搜尋商品、加入購物車、提交訂單、支付訂單等過程。而在使用者真實的選購過程是一個交纏反覆的過程，例如提交訂單後，使用者可能會返回首頁繼續搜尋商品，也可能去取消訂單，每一個路徑背後都有不同的動機。與其他分析模型配合進行深入分析後，能為找到快速使用者動機，從而引領使用者走向最優路徑或者期望中的路徑。
使用者分群即使用者資訊標籤化，通過使用者的歷史行為路徑、行為特徵、偏好等屬性，將具有相同屬性的使用者劃分為一個群體，並進行後續分析。我們通過漏斗分析可以看到，使用者在不同階段所表現出的行為是不同的，譬如新使用者的關注點在哪裡？已購使用者什麼情況下會再次付費？因為群體特徵不同，行為會有很大差別，因此可以根據歷史資料將使用者進行劃分，進而再次觀察該群體的具體行為。這就是使用者分群的原理。
顧名思義，根據使用者自身屬性對使用者進行分類與統計分析，比如檢視使用者數量在註冊時間上的變化趨勢、檢視使用者按省份的分佈情況。使用者屬性會涉及到使用者資訊，如姓名、年齡、家庭、婚姻狀況、性別、最高教育程度等自然資訊；也有產品相關屬性，如使用者常駐省市、使用者等級、使用者首次訪問渠道來源等。
屬性分析模型的價值是什麼？一座房子的面積無法全面衡量其價值大小，而房子的位置、風格、是否學區、交通環境更是相關的屬性。同樣，使用者各維度屬性都是進行全面衡量使用者畫像的不可或缺的內容。
屬性分析主要價值在：豐富使用者畫像維度，讓使用者行為洞察粒度更細緻。科學的屬性分析方法，可以對於所有型別的屬性都可以將“去重數”作為分析指標，對於數值型別的屬性可以將“總和”“均值”“最大值”“最小值”作為分析指標；可以新增多個維度，沒有維度時無法展示圖形，數字型別的維度可以自定義區間，方便進行更加精細化的分析。