資料驅動產品之“事件分析”
產品迭代中常見的資料方法有 事件分析、漏斗分析、留存分析、使用者路徑等，而這些分析方法也大都整合在資料分析工具中(growingIO,神策, amplitude，interana 等)，熟練掌握資料分析方法已經對應的應用場景，有助於通過資料驅動產品持續優化。 本系列文章將向大家系統的介紹以上提到的資料方法、在各資料分析工具中的使用姿勢、應用場景，今天向大家介紹最為基礎的事件分析。
1.什麼是事件分析&能解決什麼問題
事件，是指某個行為或業務的發生(通常是瀏覽頁面，點選元素，瀏覽元素等), 比如：使用者註冊、瀏覽圖片、觀看視訊、新增購物車、支付訂單等。
事件分析，則是基於事件的指標統計(pv、uv)，結合使用者屬性或者其他條件等的查詢分析， 常常用於回答“xxx使用者群體xxx事件的觸發次數 、觸發人數、人均觸發次數等”。 比如：在一二線城市的新增使用者，日人均瀏覽圖片數(拋棄瀏覽0次圖片的使用者，這種使用者可能不是瀏覽圖片的主體)。
2.事件分析使用姿勢
事件分析多是結合 時間範圍、過濾(篩選條件)、分組(維度)、事件的計量方式 來檢視。
時間範圍： 支援選擇任意時間段、可以按分鐘/小時/日/周/月 顯示。
過濾(篩選條件)： 可以精細化檢視符合某些具體條件的事件資料。
分組(維度)： 支援將某指標基於 分組(維度) 進行更為精細化的分析，如：將“點選註冊這個事件”基於“地域資訊”來拆分，看到各地域的“點選註冊這個事件”資訊。
事件的計量方式： 比如總次數(在某個時間段內的事件發生次數)、使用者數(在某個時間段內的事件發生使用者數)、人均次數(在某個時間段內的事件發生次數/事件發生使用者數)、去重數、總和、均值、最大值、最小值，(總和、均值、最大值、最小值僅針對數值型屬性的事件, e.g.播放時長)。
對比神策、growingIO，個人感覺神策的自由度相對較大（前提是資料採集足夠全面）。
事件分析在umeng、諸葛io、騰訊分析、百度分析等統計分析工具中均有體現，但可以用以結合的“使用者屬性”、“其他過濾條件”等取決於統計分析工具採集資料時的設定、分析工具的拓展性。
3.應用場景舉例
（1）查詢活動頁面 PV、UV。
例如：檢視20180901-20180930 每週運營活動的滲透情況。
如下圖為：growingIO的設定&展示
如下圖為：神策的設定&展示(由於神策中沒有預先設定“運營活動頁_頁面瀏覽”事件，這裡用“詳情頁”)
（2）結合使用者屬性，分析“非 高價值人群” 中不同作業系統的個人詳情頁 人均訪問次數，以便針對不同作業系統的人群進行優化。
如下圖(神策)可以看到Andriod的人均訪問次數高於iOS、Windows。
（3）結合使用者註冊時間，分析不同註冊時間人群的充值金額差異，以基於該群體去分析使用者特徵，以制定出支撐“充值”kpi的有利策略。
如下圖(神策)可以看到2018-2月的註冊使用者，其充值金額明顯高於其他月份的註冊使用者，則可以基於“2018-2月的註冊使用者”進行更為全面的分析（ps：為了避免充值的異常值--充值低於1元或者高於999元的，這裡設定了過濾條件：充值金額>1元 且 <999元）。
碎碎念
整合在各中分析工具、自家平臺 提供給資料、產品同學的是可以提高工作效率的“術”，而達成KPI、優化產品、使用者增長 都不能業務的“道”，希望大家在結合業務優勢 通過資料 驅動產品持續優化。
不論是使用第三方工具還是公司內部搭建，事件分析依賴於資料採集， ofollow,noindex">事件模型 。
分析工具的體驗地址，只需要註冊下就可以使用： 神策產品體驗地址 、 GrowingIO體驗地址 、 interana體驗地址 、 amplitude體驗地址 ，後續也將對比各款資料分析工具。