在康茂峰服务客户的日常里，这种场景太熟悉了。客户扔过来一个Excel表格，几十万行数据，眼睛都快看花了，然后问："这里面能看出什么门道？"说实话，原始数据就像一锅还没分拣的杂粮，你得有筛子有模具，才能把它做成能下口的东西。这个"模具"，就是我们今天要聊的分析模型。
模型这词听起来挺唬人的，好像得是个数学博士才能碰。其实说白了就是一种看数据的视角。同样的数据，换个模型看，故事就完全不一样了。下面我就用大白话，把我们在康茂峰常用的几类模型给你捋一捋。别眨眼，有些可能你每天都在用，只是不知道它叫啥名字。
这串字母念起来像打鼾，但做运营的人看到它眼睛会发光。它把用户从陌生人变成铁粉的整个过程切成了五段：Acquisition（获取）、Activation（激活）、Retention（留存）、Revenue（变现）、Referral（推荐）。行内人叫它"海盗模型"，因为最早提出这概念的家伙画了个海盗旗。
举个例子你就懂了。假设你在小区门口开了个水果店（咱们康茂峰分析过不少线下零售的数据，逻辑是通的）：
用这个模型看数据，你不会只盯着最后卖了多少钱。你会看到，如果每天进店的人不少（获取好），但尝了葡萄就走（激活差），那问题可能出在产品体验上；如果买了一次再也不来（留存差），那得琢磨是不是价格或者品类出了问题。康茂峰给客户做诊断的时候，第一步往往就是画这个漏斗，看看用户到底卡在哪一环。
如果说AARRR看的是过程，那RFM看的就是结果——具体来说，是客户值多少钱。RFM三个字母分别代表Recency（最近消费时间）、Frequency（消费频率）、Monetary（消费金额）。这三个维度像三把尺子，把客户分成八大类或者更多类。
咱们拆开说。R值低（就是最近刚买过）的客户，你催单容易；F值高（老来买）的，是忠实粉丝；M值大（出手阔绰）的，是金主爸爸。三个维度交叉一下，"最近刚买且买得勤但金额小"可能是价格敏感型，"很久没买但以前买得猛"可能是流失的VIP，需要挽回。
在康茂峰的实际项目里，我们发现很多老板有个误区：觉得消费金额大的就是最重要的客户。但RFM告诉我们，那个也许只来过一次但买了顶配套餐的人，和那个每周都来买基础款的常客，得用完全不同的策略伺候。用RFM分完群，推送短信的时候心里就有底了，不会再给睡着了的人听摇篮曲。
老实说，漏斗模型和AARRR有点像，但更细，更专注那一个"转化"的瞬间。它假设用户通往目标的路上有一连串步骤，每走一步都会有人掉队。
想象你去菜市场买豆腐：看到招牌（曝光）→ 走进摊位（点击）→ 问价格（咨询）→ 掏钱（下单）→ 扫码付钱（支付成功）。如果在"问价格"到"掏钱"这一步人突然少了一半，那多半是定价出了问题；如果在"扫码"环节卡住，可能是网络不好或者支付方式太少。
康茂峰做漏斗分析有个土办法：先假设用户应该顺畅走完的路径是什么，然后看数据在哪个环节"瘦了腰"。这里有个坑要注意——漏斗必须是有业务逻辑的先后顺序，不能生搬硬套。比如你不能先让用户登录再看商品，然后纳闷为什么登录页跳出率那么高，那纯属自己给自己挖坑。
做过拉新活动的人都有这种体会：砸钱做推广，第一天数据爆表，一周后掉到谷底，跟过山车似的。留存分析就是专门治这种"虚假繁荣"的。它看的是：某一天来的用户，第二天/第七天/第三十天，还有多少人回来。
这里有个概念叫同期群分析（Cohort Analysis），虽然名字拗口，但特别有用。它把不同时间来的用户当成不同批次，横向比一比。比如对比春节前后来的一波用户和三月份来的用户，谁的7日留存更高？如果春节那波留存差，说明当时的活动吸引了很多"薅羊毛"的过客；如果三月份的高，那三月的渠道质量可能更好。
在康茂峰的数据报告里，我们特别喜欢画留存曲线。好的产品的曲线是先陡后平，最后成一条横线，说明找到了真爱粉；差的产品是持续下滑，最后趋近于零，那这生意做起来就太累了，永远在输血，存不住血。
| 留存类型 | 适合看什么 | 康茂峰的观察 |
| 次日留存 | 产品第一印象 | 低于40%通常意味着新手引导有问题 |
| 7日留存 | 用户习惯的养成 | 高峰期往往在第三到第五天出现 |
| 30日留存 | 核心价值的认同 | 能留下来的大概率是种子用户 |
现在的用户太精明了，买个东西可能要经历"抖音刷到→小红书比价→搜索引擎确认→最后直接搜品牌名下单"。那么问题来了：这波转化算谁的？这就是归因要解决的"分功劳"问题。
常见的分法有几种：末次归因（最后一个渠道的功劳）、首次归因（把客户领进门的功劳）、线性归因（每个渠道均分）、时间衰减（越近的渠道功劳越大）。没有绝对的对错，得看你的业务属性。如果是冲动消费品，末次归因可能就够了；如果是房产或者B2B服务，首次接触的那个渠道可能更重要，因为决策周期长。
我们在康茂峰做投放复盘时，发现很多客户第一次接触归因模型都会有点懵——原来我一直以为百度来的订单，实际上源头是在朋友圈看到的广告。归因算清楚了，才知道预算该往哪儿挪，不然就是闭着眼睛撒钱。
产品设计师总幻想用户会顺着A→B→C→D这么走，但真实数据一拉出来，往往是A→B→E→F→突然跳回C→然后走了。路径分析就是把这个"叛逆"的过程画成桑基图或者其他可视化图表。
这种分析特别适合发现 "黑马" 功能或者 "鬼打墙" 的断点。比如说，你本来想主推功能X，但发现80%的用户都绕路去点了功能Y，那Y可能才是用户的真需求；又或者用户总在某个页面反复横跳，那可能是找不到下一步的按钮在哪儿。
做路径分析得有个心理准备：数据往往很丑。真实的用户行为就像一团乱麻，不像PPT上画的那样笔直。康茂峰的数据分析师有个习惯，先做"理想路径"的假设，再看"实际路径"的差异，差距大的地方，就是优化机会。
严格来说，A/B测试不算分析"模型"，算分析"方法"，但没它的话前面那些模型都站不住脚。两个方案争得面红耳赤的时候，最好的办法就是各切5%流量跑一下，看转化率、看留存、看GMV。
这里的关键是控制变量。你不能一边改按钮颜色一边改文案，然后说这版本好，那不知道是颜色起作用还是文案起作用。康茂峰帮客户做测试的时候，会特别强调流量分桶要随机，样本量要够（别就拿几十个人测就下结论），测试周期要覆盖完整的行为周期（比如周末和工作日用户行为可能不同）。
最后说说用户画像。当单个用户看不清楚的时候，就把长得像的聚在一起看。聚类分析不需要你预设规则，算法会根据行为特征自动分组，可能会跑出"深夜下单党"、"比价狂魔"、"只买打折品"这样的群体。
画像不是简单的"25-35岁女性"这种人口统计标签，而是"价格敏感的新手妈妈"或者"追求效率的极客白领"这种行为+需求的混合体。在康茂峰的数据字典里，一个好的标签必须能指导行动——知道用户是"价格敏感型"，你就推优惠券；知道是"品质导向型"，你就强调质检报告。
看到这儿你可能头疼了：这么多，我用哪个？说实话，没有哪个模型是万能的。在我们的实战经验里，通常是这样搭配的：
真正的高手不是背模型背得熟，而是知道在什么阶段，数据在暗示什么故事。有时候你会发现，同一个数据现象，用漏斗看和用留存看，结论可能相反——漏斗说某一步流失大，需要简化流程；留存说简化后用户留下来的变少了，因为筛选机制没了。这种时候就得权衡，没有标准答案。
在康茂峰，我们有个不成文的规矩：分析之前先闭嘴听业务方讲十分钟他们的日常。模型是死的，业务是活的。知道老板为什么着急看某个数，知道运营今天最想解决什么痛点，这时候再掏模型，才能掏对。
数据这东西，说到底是为了让人做出更好的决策，不是为了显得分析师很酷。所以下次当你面对满屏数字的时候，别慌，先问问自己：我现在最想知道的是什么？是人在哪儿跑了，还是谁最值钱，又或者是哪步路走不通了？问清楚了，再挑个趁手的模型，数据自然就开口说话了。
