如今的互联网与四年前***的差异在于：流量红利消失殆尽，互联网进入存量时代。
流量时代，获取流量是相对容易的。企业关注的是如何找到更优质的渠道，通过获取大量的流量来快速变现。通过新增、活跃、留存可能就能判断一个产品的好坏，因此基本的统计工具(Umeng、Talking Data 等)就能够满足需求。
存量时代，产品结构更加多样化，每个产品都需要***的指标来衡量产品是否成功。并且获取流量的成本高，对于企业而言就需要提升流量的转化效率，***化用户价值。因此，仅考察用户整体的统计数据是不够的，还需要精细化的统计分析用户行为。为了实现这一点，数据统计工具需要支持以下两点特性：
1. 更全面的数据模型
2. 常用的分析功能
一. 支持更全面的数据模型
传统的页面访问模型(PV Model)只记录了访问事件或者用户，并不能建立事件和用户之间的关系，所以，对于更深入的问题无法给予清晰的解答。例如，我们想了解什么样的用户更容易留存，或者购买卫生纸和 iPhone 7 的用户有什么差别等等，这些问题是页面访问模型无法支持的。
因此，目前大多数精细化的数据统计工具，以事件模型(Event Model)代替了页面访问模型。事件模型能够记录更多的信息，简单来说，事件描述了一个用户在某个时间，在特定环境下，完成了特定的操作。
一个完整的事件包含以下关键因素：
1. Who：用户是谁;
2. When：什么时间发生;
3. Where：用户所处环境，包括地点、使用设备、系统版本 等等;
4. What：描述事件的具体内容。通常，描述内容是支持自定义的，比如对于播放 音乐，我们需要了解音乐名、时长、类型等等;对于购买操作，我们可能需要了解金额、付款方式等等。
事件模型能帮助我们在后续的分析中理解事件的含义，建立事件与用户间的关系。
二. 支持常用的分析功能
事件模型仅满足了统计方面的需求，在分析过程中我们还需要一些分析功能的支持：
1)漏斗分析：
帮助分析一系列步骤的转化与流失情况。
例如，用户购买商品的完整流程可能包含以下步骤：
1. 浏览商品
2. 添加商品到购物车
3. 结算购物车中的商品
4. 选择送货地址、支付方式
5. 点击付款
6. 完成付款
漏斗分析能计算每一步的转化率，帮助分析哪个环节的转化率不够高，流失的用户具备什么特征等。
2)用户行为细查：
展示每个用户的具体行为，可以用来挖掘统计数据背后的用户行为。
比如，在购买流程的例子中，发现 浏览商品 – 添加商品到购物车 这一步行为的转化率较低，就可以考察流失用户的具体行为。如果发现用户在连续的浏览商品而没有购买，说明用户可能没有找到满意的商品。或者发现用户在购买页面上常点击某个功能的按钮，而不是购买按钮，说明购买按钮可能不够突出，用户容易转移注意力。
3)用户分组
根据用户的行为特征或者属性对用户进行分组对比，了解不同用户组指标间有差异的原因。一般可以将分组对比运用于漏斗分析、留存分析等场景。
用户分组的一个常用场景是：将导致不同用户组间指标差异的要素复制到目标人群中，来提升目标人群的某些指标。
举个例子：对于社交应用，如果通过分组对比，可能会发现关注熟人更多的新用户留存率高于没有关注的新用户，这样便能推测出添加熟人关系导入功能可能提升留存率。
除了上面提到的特性，以下两点也很关键：
1.高效，查询快捷，跑一个数据需要1分钟以上都是不能忍的;
2.便捷，可视化，能在页面点击之间满足 90% 的分析需求。
