畫像分羣
畫像分羣是聚合符合某種特定行爲的用戶，進行特定的優化和分析。
比如在考慮註冊轉化率的時候，需要區分移動端和Web端，以及美國用戶和中國用戶等不同場景。這樣可以在渠道策略和運營策略上，有針對性地進行優化。
趨勢維度
建立趨勢圖表可以迅速瞭解市場，用戶或產品特徵的基本表現，便於進行迅速迭代；還可以把指標根據不同維度進行切分，定位優化點，有助於決策的實時性。
漏斗洞察
通過漏斗分析可以從先到後的順序還原某一用戶的路徑，分析每一個轉化節點的轉化數據。
所有互聯網產品、數據分析都離不開漏斗，無論是註冊轉化漏斗，還是電商下單的漏斗，需要關注的有兩點。第一是關注哪一步流失最多，第二是關注流失的人都有哪些行爲。
關注註冊流程的每一步驟，可以有效定位高損耗節點。
行爲軌跡
行爲軌跡是進行全量用戶行爲的還原，只看PV、UV這類數據，無法全面理解用戶如何使用你的產品。瞭解用戶的行爲軌跡，有助於運營團隊關注具體的用戶體驗，發現具體問題，根據用戶使用習慣設計產品、投放內容。
留存分析
留存是瞭解行爲或行爲組與回訪之間的關聯，留存老用戶的成本要遠遠低於獲取新用戶，所以分析中的留存是非常重要的指標之一。
除了需要關注整體用戶的留存情況之外，市場團隊可以關注各個渠道獲取用戶的留存度，或各類內容吸引來的註冊用戶回訪率，產品團隊關注每一個新功能用戶的回訪影響等。
A/B測試
A/B測試是對比不同產品設計/算法對結果的影響。
產品在上線過程中經常會使用A/B測試來測試產品效果，市場可以通過A/B測試來完成不同創意的測試。
要進行A/B測試有兩個必備因素：
1）有足夠的時間進行測試
2）數據量和數據密度較高
因爲當產品流量不夠大的時候，做A/B測試得到統計經果是很難的。
優化建模
當一個商業目標與多種行爲、畫像等信息有關聯時，我們通常會使用數據挖掘的手段進行建模，預測該商業結果的產生。
例如：作爲一家SaaS企業，當我們需要預測判斷客戶的付費意願時，可以通過用戶的行爲數據，公司信息，用戶畫像等數據建立付費溫度模型。用更科學的方式進行一些組合和權重，得知用戶滿足哪些行爲之後，付費的可能性會更高。