1什么是漏斗分析

漏斗分析是一套流程式的數(shù)據(jù)分析方法，能夠科學(xué)地反映各階段用戶轉(zhuǎn)化情況。

漏斗分析模型已經(jīng)廣泛應(yīng)用于用戶行為分析類產(chǎn)品，且功能十分強大：它可以評估總體或各個環(huán)節(jié)的轉(zhuǎn)化情況、促銷活動效果；也可以與其他數(shù)據(jù)分析模型結(jié)合進行深度用戶行為分析（如多維下鉆分析、用戶分群、對比分析等），從而找到用戶流失的原因，以提升用戶量、活躍度、留存率。

漏斗分析最常用的兩個互補型指標(biāo)是轉(zhuǎn)化率和流失率。舉電商的栗子，如上圖所示，假如有100人訪問某電商網(wǎng)站，有27人支付成功。這個過程共有5步，第一步到第二步的轉(zhuǎn)化率為88%，流失率為12%，第二步到第三步轉(zhuǎn)化率為32%，流失率68%……以此類推。整個過程的轉(zhuǎn)化率為27%，流失率為73%。該模型就是經(jīng)典的漏斗分析模型。

2漏斗分析的3個要點

今天，我們還原幾個漏斗模型的原貌，讓大家對自己產(chǎn)品的漏斗轉(zhuǎn)化有一個更清晰的認(rèn)識。根據(jù)漏斗分析自身特性，我們需要注意三個要點：

1、時間

時間，特指漏斗分析的轉(zhuǎn)化窗口期。窗口期是指用戶完成轉(zhuǎn)化的時間，用戶在設(shè)定的窗口期內(nèi)完成完整的轉(zhuǎn)化流程才算做轉(zhuǎn)化成功。舉個例子，窗口期設(shè)為10分鐘的話，“點擊視頻”為起始事件，選擇“視頻加載”、“視頻播放”、“視頻播放完成”為漏斗事件。用戶“點擊視頻”后，10分鐘內(nèi)，用戶按順序完成所有的所選事件，才會被算作完成轉(zhuǎn)化的用戶。如果在10分鐘內(nèi)，用戶僅完成了“視頻加載”事件，那么該用戶被算作是在“視頻加載”->“視頻播放”過程中流失的用戶。

2、事件

每一層漏斗，就是一個漏斗事件。其中，最核心的指標(biāo)就是轉(zhuǎn)化率，公式如下：

轉(zhuǎn)化率 = 本層事件轉(zhuǎn)化人數(shù)/上層事件轉(zhuǎn)化人數(shù)

3、用戶

我們可以在相同的轉(zhuǎn)化漏斗下，通過屬性對用戶進行劃分，快速查看不同類型用戶的轉(zhuǎn)化情況。

03主流漏斗應(yīng)用

比較經(jīng)典的漏斗分析模型有兩種：一種是「用戶注冊流程」，一種是「平臺付費轉(zhuǎn)化」。

「用戶注冊流程」，給大家粗略地勾勒一個用戶行為漏斗：

運營過程中，如果我們發(fā)現(xiàn)某一天的注冊用戶數(shù)出現(xiàn)波動，除了去查一下市場渠道及廣告投放，產(chǎn)品本身的注冊功能也可能是出現(xiàn)這個問題的重要因素。

如「平臺付費轉(zhuǎn)化」，轉(zhuǎn)化漏斗大致如下：

以上的轉(zhuǎn)化漏斗都沒有一個定論，需要大家根據(jù)自身的業(yè)務(wù)實際情況來制定自己的轉(zhuǎn)化漏斗。

此外，對于產(chǎn)品的非功能界面，比如某個活動頁，公司簡介頁等等，用戶可能不會按照我們既定的流程到達(dá)，那么就要根據(jù)自身目標(biāo)來確認(rèn)這類非功能界面的轉(zhuǎn)化流程。

當(dāng)然，數(shù)據(jù)只有在比較中才有價值。我們需要對于同行業(yè)同類數(shù)據(jù)的轉(zhuǎn)化情況了如指掌，在不低于行業(yè)平均水準(zhǔn)的情況下，盡可能降低轉(zhuǎn)化過程中的用戶流失。

4如何進行實操分析

本文將利用? 對「平臺付費轉(zhuǎn)化」進行分析，做一個實操講解。

數(shù)據(jù)導(dǎo)入

找到 內(nèi)置的數(shù)據(jù)集「電商轉(zhuǎn)化分析」，并用它創(chuàng)建自助數(shù)據(jù)集，如下圖所示：

統(tǒng)計不同行為階段用戶數(shù)

點擊「+>分組匯總」，將行為階段分別拖入分組和匯總欄，匯總欄選擇「記錄個數(shù)」，如下圖所示：

排序

添加「新增列」，對「行為階段1」進行降序排名。如下圖所示：

這樣我們就對所有的用戶行為的前后順序進行了一個排名。

添加「新增列」功能，命名為「排名合并列」，輸入公式：排序-1，以便后續(xù)進行左右合并，點擊「確定」，為自助數(shù)據(jù)集表命名為「轉(zhuǎn)化率數(shù)據(jù)集-準(zhǔn)備」并保存，如下圖所示：

左右合并

新建自助數(shù)據(jù)集，并選擇 2.3 節(jié)創(chuàng)建好的自助數(shù)據(jù)集，勾選除「排序」外的其他字段，如下圖所示：

添加「左右合并」，選擇2.3 節(jié)創(chuàng)建好的自助數(shù)據(jù)集，勾選合并字段為「排序」和「行為階段1」，點擊「確定」，如下圖所示：

選擇合并方式為「并集合并」，合并依據(jù)為「排名合并列」和「排序」，如下圖所示：

命名自助數(shù)據(jù)集為「轉(zhuǎn)化漏斗數(shù)據(jù)」并保存。

此時已經(jīng)計算出不同階段轉(zhuǎn)化數(shù)據(jù)，只需要在儀表板界面將「行為階段1」與「轉(zhuǎn)化率數(shù)據(jù)集-準(zhǔn)備-行為階段1」相除即可得到不同階段轉(zhuǎn)化率。

創(chuàng)建計算字段

創(chuàng)建儀表板，點擊「確定」，選擇「轉(zhuǎn)化漏斗數(shù)據(jù)」，點擊「確定」，如下圖所示：

點擊「+」添加計算字段，命名字段為「轉(zhuǎn)化率」，輸入公式行為階段1/轉(zhuǎn)化率數(shù)據(jù)集-準(zhǔn)備-行為階段1，點擊「確定」，如下圖所示：

創(chuàng)建漏斗圖

選擇圖表類型為漏斗圖，將「行為階段」維度字段拖入「顏色欄」，也可對行為階段顏色進行自定義，并設(shè)置過濾條件為「不為空」，點擊「確定」，如下圖所示：

將「行為階段1」拖入大小欄中，并修改名字為「人數(shù)」，將「行為階段」、[轉(zhuǎn)化率]、「行為階段1」拖入標(biāo)簽欄，修改「行為階段」名字為「最后行為階段」，并設(shè)置顏色字體等，將「行為階段」拖入細(xì)粒度，并按照[人數(shù)]降序排列，如下圖所示：

結(jié)論分析

首先是用戶從瀏覽商品行為到添加購物車行為這一流程的轉(zhuǎn)化情況，通過漏斗圖可以快速看出其轉(zhuǎn)化率為51.22%，反映出該平臺的商品介紹、圖片描述等對用戶有較強的吸引力；

然后是添加購物車到下單的轉(zhuǎn)化率，可以看出其轉(zhuǎn)化率高達(dá)99.66%；

但付款的轉(zhuǎn)化率僅 50.34%，這是一個值得反思的轉(zhuǎn)化節(jié)點，通過數(shù)據(jù)分析猜測該平臺商鋪支付渠道不完善，需要增加例如支付寶、微信等快捷支付渠道，降低平臺因為沒有提供用戶習(xí)慣性的支付渠道而導(dǎo)致用戶放棄購買行為的幾率。

5場景：如何提高關(guān)鍵節(jié)點轉(zhuǎn)化率

現(xiàn)實的世界，并非是簡單的數(shù)據(jù)邏輯結(jié)構(gòu)，很多結(jié)果都是多種原因綜合導(dǎo)致的。

站在多種角度去分析同一個問題，往往可以得到一個更全面準(zhǔn)確的答案。

下面我們將結(jié)合漏斗的三個要點來做一個深度案例分析，通過運用數(shù)據(jù)分析的經(jīng)典方法“拆分”與“對比”定位問題，給出解決方案。

1、發(fā)現(xiàn)問題節(jié)點

舉個例子（以下數(shù)據(jù)均為非真實數(shù)據(jù)），下圖是某電商App的轉(zhuǎn)化漏斗。我們可以看到，「提交訂單」的事件之前的轉(zhuǎn)化率都比較高，但從「提交訂單」到「支付訂單」的流程中，轉(zhuǎn)化率急劇降低至7%，「支付訂單」可能就是需要改進的地方。

tip：轉(zhuǎn)化率低的節(jié)點，通常就是問題所在。

2、問題分析

確定問題節(jié)點為「支付訂單」后，我們開始分析該界面數(shù)據(jù)。研究單一界面，可以使用的分析方法包括：

在事件分析中查看「支付訂單」事件的各項指標(biāo)數(shù)據(jù)，例如停留時長等。

在事件分析中，進一步進行多維分析。

如對「支付訂單」總?cè)藬?shù)這一指標(biāo)的公共屬性進行對比分析，如新老用戶、App版本型號、手機品牌等，看是否有明顯的異常。

我們發(fā)現(xiàn)：用戶在點擊「支付訂單」的停留時間長達(dá)105秒，這與所需經(jīng)驗時長不符。

3、問題拆分

因為用戶在「支付訂單」階段停留的時間過長，我們開始排查問題。

隨后我們發(fā)現(xiàn)，我們在分析時漏掉了轉(zhuǎn)化漏斗的一個層級，“提交訂單->支付訂單”應(yīng)該更正為“提交訂單->選擇付款方式->支付訂單”。重新審視轉(zhuǎn)化漏斗后我們發(fā)現(xiàn)，「選擇付款方式」到「支付訂單」的轉(zhuǎn)化率較低，為9%。

通過對問題拆分，我們重新定位問題節(jié)點為「選擇付款方式」到「支付訂單」。

tip：對問題進行拆分，可以幫助我們深入理解問題。

4、數(shù)據(jù)對比

問題聚焦到「選擇付款方式」到「支付訂單」這一環(huán)節(jié)后，我們開始分析「付款成功」和「付款失敗」的用戶有什么不同。觀察不同手機品牌用戶的付款情況時，我們發(fā)現(xiàn)：

如上圖所示，使用1、2兩種品牌手機的用戶，“付款失敗”的比例較高。將品牌1、2的手機與其他品牌手機對比后，我們發(fā)現(xiàn)，這兩個品牌的手機相對小眾、低端。

而后，我們測試了品牌1和品牌2的幾個機型，針對「選擇付款方式」界面進行體驗，發(fā)現(xiàn)存在以下問題：

App適配存在問題：App主要適配了主流機型，沒有考慮到小眾機型兼容性差的問題；

界面卡頓嚴(yán)重：長達(dá)15秒以上的空白界面，嚴(yán)重消耗用戶耐心。

于是我們做出以下改善：

緊急上線針對小眾品牌手機的修復(fù)版本；

優(yōu)化界面加載速度。

包括切割、壓縮、刪減圖片，優(yōu)化框架，增加預(yù)加載策略等，讓「選擇付款方式」這一界面的加載速度提升至5秒以內(nèi)；

優(yōu)化等待界面。用戶選擇完付款方式，等待付款成功的過程中，在頁面上增加等待動畫，給用戶賣個萌，降低用戶等待時的焦慮感。

5、效果驗證

界面優(yōu)化后，我們的漏斗轉(zhuǎn)化流程有明顯改善：

通過我們的改善動作，「選擇付款方式」到「支付訂單」的轉(zhuǎn)化率，從之前的9%上升到了63% ，這是一個非常大的收益。

PS：在轉(zhuǎn)化漏斗的改進中，還可以對界面之間的流轉(zhuǎn)效果進行分析，刪去一些不必要的環(huán)節(jié)，從而提升漏斗轉(zhuǎn)化率。

漏斗分析是用來分析問題的方法，更重要的是，案例背后進行數(shù)據(jù)分析的思考方式：

通過對比分析，找出數(shù)據(jù)的差異，定位異常數(shù)據(jù)；

通過拆分問題，把復(fù)雜事件拆分，精準(zhǔn)找到原因。