做数据分析，模型和方法就是结论站得住脚的底气。有了它们，数据分析才有了逻辑骨架和说服力。

但现实问题是，市面上数据分析模型少说也有上百种，每个都学透不现实，关键时刻想不起来更尴尬。

长话短说，我梳理了18个最常用的数据分析模型，今天就一次性给大家讲明白。掌握了这18个模型，你会发现不管面对什么样的数据分析场景，万变不离其宗，答案都在这些模型里。

现在这18套数据分析模型我已经整理好了，分享给你，里面不仅涵盖了这18个模型的样板，还详细介绍了模板使用的系统教程，只需要改改参数就可以一键套用。需要自取：https://s.fanruan.com/t2dhe（复制到浏览器）

RFM 分析	留存分析	用户粘性分析
ABC分析	用户画像分析	需求分析方法-KANO模型
波士顿矩阵图	月复购分析	库存周转分析
转化分析	AARRR 用户运营分析	杜邦分析
购物篮分析-关联规则	用户流入流出分析	盈亏平衡分析
复购率分析	用户生命周期状态分析	同环比分析

---

1.RFM模型

这是用户价值分层的黄金法则。通过三个核心维度把所有用户切成八类群体：

• 最近消费时间
• 消费频次
• 消费金额

最近30天买过东西的、每周都下单的、单次消费过千的，这些是高价值信号。相反，半年没动静、只买过一次、客单价几十块的，显然需要激活。

实际应用中，先用这三个指标给用户打分，分成重要价值用户、重要发展用户、重要保持用户、重要挽留用户、一般价值用户、一般发展用户、一般保持用户、一般挽留用户八个象限。

对重要价值用户要给足VIP待遇，对流失用户要设计召回策略，对潜力用户要提升频次。某电商平台用这个模型后发现，顶部5%用户贡献了60%利润，立刻调整了资源投放策略。

---

2.帕累托分析

也叫ABC分析，核心思想是抓大放小。80%的销售额来自20%的商品，80%的问题来自20%的原因，这个规律无处不在。把产品按销售额从高到低排序，前10%划为A类，这些是核心命脉；中间20%是B类，需要关注；剩下70%是C类，可以放手。

具体场景里，超市发现10款洗发水贡献了80%销量，就把黄金货架留给它们。制造业发现5%的原材料占了90%采购成本，就把谈判重点放在这几家供应商上。关键是先排序再分类，别平均用力。

---

3.波士顿矩阵

产品组合管理的经典工具。横轴看市场占有率，纵轴看市场增长率，把产品切成四个象限。明星产品是双高，要猛投资源；金牛产品市场占有率高但增长慢，是现金牛，要稳住；问题产品增长快但占有率低，需要观察；瘦狗产品双低，该砍就砍。

某手机品牌用这个模型梳理产品线，发现旗舰机是明星，千元机是金牛，新发布的折叠屏是问题产品，而某个系列成了瘦狗，果断停产清库存。定期用这面镜子照照产品矩阵，能避免资源错配。

---

4.转化分析

也叫漏斗分析，看用户从接触到最终成交的每一步流失情况。从广告曝光到点击、从点击到注册、从注册到付费，每个环节都有损耗。算清楚每一步的转化率，就能精准定位问题。

某在线教育平台发现，从试听报名到实际到课率只有30%，深挖原因是提醒机制不到位。改成短信+电话双重提醒后，到课率提升到65%，后续付费转化率直接翻倍。这个模型的精髓在于，不要只看最终转化率，要看每一步的损耗点。

---

5.购物篮分析

研究用户买了A又买B的关联规律。三个核心指标：

• 支持度看组合出现的频率
• 置信度看买了A再买B的概率
• 提升度看两者是真相关还是假相关

超市发现买牛排的顾客70%会买黑胡椒酱，就把它们放在一起，连带销售提升40%。

餐饮品牌分析外卖订单，发现点麻辣烫的用户经常加冰可乐，于是推出套餐优惠。关键是数据量要够大，不然会出现偶然性关联。这个模型最适合零售、电商、餐饮这些交易频次高的行业。

---

6.复购率分析

衡量用户忠诚度的硬指标。统计周期内购买多次的用户占比，能直接反映产品粘性。月复购率20%意味着100个买家里有20个会回头。这个指标比GMV更能说明问题。

某美妆品牌发现，新品上市首月复购率不到5%，而老产品稳定在25%。问题出在产品质量和宣传不符。调整配方和话术三个月后，复购率回升到行业平均水平。建议按不同产品线和用户群分别计算，别一锅粥。

---

7.留存分析

新用户来了能不能留下，这是产品生死线。Day1留存、Day7留存、Day30留存是三个关键节点。计算公式是某日新增用户在之后某天仍然活跃的比例。社交产品Day1留存低于30%就要警惕，工具类低于20%就有问题。

某短视频App发现，看完新手引导的用户次日留存高出45%。于是优化了引导流程，强制观看时间从30秒降到15秒，留存率反而提升了。这个模型要配合行为分析，找到影响留存的关键动作。

---

8.用户画像分析

把用户特征标签化，形成立体认知。基础属性包括年龄、性别、城市、职业；行为特征包括活跃度、消费力、偏好品类。某母婴品牌画像后发现，主要用户是25-35岁一二线城市宝妈，于是内容营销全部围绕育儿焦虑展开，转化率提升三倍。

别只做静态画像，要动态更新。用户从新手期到成熟期，画像会变。建议每季度刷新一次，重大活动前专门做一次。画像越细，投放越准，但也要注意隐私边界。

---

9.月复购分析

和复购率不同，这个模型更关注时间窗口内的购买节奏。统计一个月内购买2次以上的用户占比，能发现周期性消费规律。生鲜电商月复购率通常高于服装，因为消费频次天然不同。

某零食品牌把月复购目标定在30%，但一直卡在18%。分析发现，用户平均15天吃完一包坚果，但提醒回购的短信30天才发一次。改成15天触发提醒后，月复购率提升到28%。时间窗口要和产品消耗周期匹配。

---

10.AARRR模型

海盗模型，用户生命周期五个阶段：获取、激活、留存、变现、推荐。每个阶段都有核心指标和优化策略。获取看渠道ROI，激活看首日体验，留存看产品价值，变现看付费转化，推荐看NPS。

某SaaS产品用这个模型诊断，发现获取到激活的转化率只有5%，而行业平均是20%。问题出在注册流程太复杂，砍掉三个必填项后，激活率提升到18%。这个模型适合作为运营体系的骨架，每个环节都要埋点监测。

---

11.用户流入流出分析

研究用户从哪来、到哪去。把流入原因分成品牌切换、渠道新增、品类拓展；流出原因分成转向竞品、渠道流失、需求消失。某百货商场发现，某服装品牌流入主要来自竞品，但流出却是因为品类不满足需求，说明产品本身没问题，是SKU宽度不够。

这个模型适合有明确竞争格局的行业。要定期追踪，形成动态监测。发现某渠道持续流出用户，就要立刻排查是价格问题、服务问题还是产品问题。

---

12.用户生命周期状态分析

用两个维度把用户切成四块：最近一次登录距今时间和首次登录距今时间。

• 新用户是刚进来不久且活跃，要引导首单
• 一次性用户是刚进来就流失，要分析获客质量
• 忠实用户是长期活跃，要升级服务
• 流失用户是曾经活跃现在沉寂，要设计召回

某内容平台用这个模型发现，一次性用户占比高达40%，说明拉新策略有问题，吸引了大量非目标用户。调整投放人群后，忠实用户比例从20%提升到35%。建议每月跑一次数据，动态调整运营策略。

---

13.用户粘性分析

看用户有多依赖你的产品。常用指标有DAU/MAU比值，大于20%算不错，大于50%就是强粘性。还有月均使用天数、功能使用深度等。某办公协作软件DAU/MAU只有15%，说明用户只是偶尔用。

深入分析发现，核心功能是文档协作，但用户不知道。于是把协作入口提到首页，DAU/MAU提升到28%。粘性分析要找到那个让用户离不开的功能点，然后放大它。

---

14.KANO需求模型

把需求分成五类：基本型、期望型、兴奋型、无差异型、反向型。基本型需求不满足用户会暴怒，期望型需求满足越多越满意，兴奋型需求是惊喜点。某手机厂商调研发现，电池续航是基本型，拍照是期望型，反向充电是兴奋型。

资源有限时，先保证基本型全部满足，再投入期望型，有余力做兴奋型。这个模型适合做需求优先级排序，特别是产品迭代规划时。别在基本型上丢分，别在反向型上浪费资源。

---

15.库存周转分析

库存周转率=销货成本/平均存货余额，周转天数=365/周转率。周转快说明卖得好，现金流健康。服装行业周转天数超过90天就有积压风险，生鲜超过7天就坏了。

某连锁超市发现，某品类周转天数从30天降到45天，深挖是补货算法有问题，畅销款总是缺货，滞销款占着库存。调整算法后，周转天数回到28天，释放了200万现金流。这个模型要配合安全库存和补货策略一起用。

---

16.杜邦分析

财务分析的集大成者，把净资产收益率拆成销售净利率、资产周转率、权益乘数三个指标。某企业ROE下降，杜邦分析发现是销售净利率跌了，但资产周转率和权益乘数没变，说明问题在盈利能力不在运营效率。

继续深挖，发现是原材料涨价但产品没提价。于是调整定价策略，ROE回升。这个模型适合管理层看整体财务健康度，能一层层剥开找到问题根源。建议每季度做一次，和竞品对标。

---

17.盈亏平衡分析

算清销量、成本、利润的关系。总成本=固定成本+变动成本，盈亏平衡点=固定成本/（单价-单位变动成本）。开店、上新、扩产都要先算这个。某咖啡馆月租5万，人工3万，这是固定成本；咖啡豆、牛奶是变动成本。算出每天卖50杯才能保本，实际卖80杯，安全边际60%。

这个模型的价值在于，知道底线在哪里。促销降价时，算一算会不会跌破盈亏平衡点。扩张开新店时，先估算销量能不能覆盖成本。建议做成动态模型，参数随时调整。

---

18.同环比分析

同比看季节趋势，环比看短期变化。同比是本期和去年同期比，消除季节因素；环比是本期和上一周期比，反映最新动向。某羽绒服品牌11月销售额环比增长200%很正常，同比增长50%才是真增长。

计算公式很简单，但解读要谨慎。某App日活环比下跌5%，但同比去年上涨300%，说明长期趋势是好的，短期波动要排查是不是竞品活动导致。建议同时看同比和环比，避免片面判断。

这18个模型几乎覆盖了所有常见的数据分析场景，现在FineBI这个BI工具就已经把这18个模型整合在一个看板里，形成了一个完整的分析体系。比如，完成用户画像分析后，可以一键将结果关联到RFM模型，直接分层到具体的用户群体。库存周转出现异常时，也能快速下钻到ABC分析，轻松找到哪些SKU占用了过多库存，精准锁定问题。真正打通了业务场景和决策流程。即便是没有技术背景的业务人员，也可以通过可视化的操作界面，从数据清洗到计算再到结果展示，全程都可以轻松搞定。需要自取：https://s.fanruan.com/0j1bm（复制到浏览器）

---

写在最后

这18个模型确实是数据分析的万能工具箱，但日常使用时，别贪多求全。最好的方法是从实际业务痛点出发，挑2到3个最相关的模型，先吃透它们，用好它们。把数据跑通、形成看板，用结果推动决策，等真正发挥出价值后，再慢慢扩展到其他模型。

建议可以把这18个模型整理打印出来，每次开始分析的时候翻一翻，找到最合适的工具，避免一头扎进去还选错方向。数据分析的意义应该是在每次具体决策中，用模型帮助我们找到最清晰、最准确的答案。