浅谈漏斗分析

0x00 什么是漏斗分析

说起数据分析，很多人把精力放在了各种高大上的数据模型上。事实上，比较常见的一些数据分析方法，往往都不是什么非常高深的学问，在实践中，涉及到的方法论或者复杂性，其实是远低于学校里学习的专业知识。而我们非常看重数据分析，本质是看重ldquo;数据rdquo;，以及利用数据来做的ldquo;分析rdquo;，好的结论不一定有多么高大上的模型，但它一定有数据作为支持。

现如今我们所做的各种决策，都在强调数据的重要性，不论是市场调研的数据，还是产品上线后的用户数据，都贯穿了产品研发的整个生命周期。

今天我们来讲一个原理非常简单，但却非常实用的分析方法：漏斗分析。

说起漏斗分析，这是数据领域最常见的一种ldquo;程式化rdquo;数据分析方法，它能够科学的评估一种业务过程，从起点到终点，各个阶段的转化情况。通过可以量化的数据分析，帮助业务找到有问题的业务环节，并进行针对性的优化。

在电商模式中，提到ldquo;转化率rdquo;，就往往配有一张ldquo;漏斗分析图rdquo;作为辅助的说明。这是因为在电商模式下，我们所做的每一项活动，都与用户有着直接或者间接的联系，而我们活动的本质也都是一样的：为了让用户成为持久的消费者。

因此，当我们分析用户从进入产品到完成消费的过程时，可以大体分为如下几个关键步骤：进入首页、查看商品页、加入购物车、进入支付页面、成功支付。通过分析每个阶段的转化率和流失率，能够直观地发现很多问题，进而找到提升KPI的方法。

0x01 漏斗分析的作用

漏斗分析，是一个非常经典的模型，自问世以来，衍生出了诸如AARRR用户增长模型、SICAS用户行为消费模型等衍生版本，基本上是各类分析报表的标配。大多数据互联网产品，其本身的商业逻辑就是一个虚拟的漏斗，而我们的目的就在于如何让用户顺利的到达我们所设定的ldquo;目标行为rdquo;，如支付、注册。

例如，在用户运营领域，漏斗对于用户行为的分析而言，是非常有必要的。在产品上线后，关键的业务路径，都要进行漏斗分析，判断每个环节的设计是否存在缺陷。典型的如用户注册场景，从引导 - 注册 - 分享 - 进入首页，往往在分享这个环节，转化率非常低，那么我们就要考虑是否放弃这个环节，或者有什么其他的优化动作。

例如，在自媒体运营方向，假设一个自媒体账号有10W粉丝，发送一篇文章获得1W阅读，大约有1K用户收藏了文章，最后由100用户进行了付费打赏。那么这个10W - 1W - 1K - 100也是典型的漏斗环节，用户付费转化率就是0.1%。如果需要提升付费转化率，需要以这个数据作为依据，来判断到底是应该打广告来增加阅读量，还是引导用户多收藏文章。

以上是两个非常简单的例子，在具备一定规模的公司中，通常都有非常多类似的问题，是迫切需要进行分析解答的，包括但不限于：

为什么注册步骤转化率非常低? 为什么很多人下单了却没有支付? 为什么某个渠道量很大，但点击率却非常低? 如果不做浏览器的适配，那么会损失多大的用户规模? 进入首页却没有下单的用户，接下来都去了哪里?...

一个设计科学的漏斗分析体系，能够快速解答和分析这些问题，是可以实实在在的改善业务、提升业务收入的。

漏斗分析的作用，有两个大的特点：

其一，漏斗分析，能够梳理业务的关键流程环节，监控用户、流量在各个业务阶段的转化情况，及时对低转化率环节进行分析，定位流失的关键环节，进行持续的优化。

其二，漏斗分析，往往配合多维度之间的对比，针对不同的人群、渠道做差异化的分析，如新用户、老客户，如新渠道、老渠道，分析转化率最好和最差的维度，从而提升运营精度和效率。

接下来我们讲解一下如何进行ldquo;漏斗分析rdquo;。

0x02 如何进行漏斗分析

按照惯例，我们通过ldquo;分解rdquo;的形式，来一步一步的阐述这个分析过程。

第一步，还原业务关键过程

前文提到过，漏斗分析是针对业务的关键流程环节，做洞察和分析。因此在进行分析前，我们首先需要还原这个业务过程的关键步骤，并验证其是否是可以通过漏斗进行分析。

例如，在电商广告场景下，广告主可以通过各种方法，向用户宣传自己的产品。这时候，用户会根据宣传的曝光词，点击搜索框进入到搜索页面，这时候会根据平台提示的关键词进行搜索，或者是主动发起搜索，到达搜索呈现的结果页之后，再进行相应的点击行为，并完成最终下单。

这个时候我们可以确定一条从搜索到展示的关键路径：广告投放展示 - 搜索关键词 - 点击搜索结果 - 完成下单。

进一步进行思考，我们可以把每一步赋予业务上的涵义，即：广告投放展示(引起用户兴趣) - 搜索关键词(用户产生兴趣) - 点击搜索结果(用户主动发起动作) - 完成下单(达成预期目的)。

第二步，确定漏斗环节与数据采集来源

能够将用户的行为进行还原后，我们便可以定下漏斗的环节，确定可以分析的数据，并标记数据的来源。

以上述例子为模型，我们可以作如下的区分：

广告投放展示(引起用户兴趣)：在不同渠道广告展示的曝光量、点击量、点击用户数;

搜索关键词(用户产生兴趣)：在电商平台中，不同关键词所产生的搜索量、搜索用户数;

点击搜索结果(用户主动发起动作)：在电商平台中，相应关键词所产生的点击量、点击用户数;

完成下单(达成预期目的)：产生下单行为的用户数。

第三步，制作漏斗分析模型

从上一步的结果中，我们评估进行可以进行分析的数据维度，并通过报表平台搭建对应的漏斗图，展示可以分析的数据。

例如我们可以将渠道作为分析维度，将展示、搜索、点击过程中产生的曝光量、点击量作为分析的一个过程，也可以通过点击/搜索/下单产生的用户数，作为分析的一个过程，也可以将用户进行分组，查看分组的结果。

第四步，进行漏斗分析

虽然现在可以进行数据分析了，但在实际的业务场景中，一种现象并不是单一的数据结果所能够解释的，往往需要通过多个角度的分析，来还原一个更准确和全面的答案。

常见的分析过程如下：

其一，查看漏斗转化率，将结果按照渠道、用户分组进行查看，找出转化率明显偏低的环节;

其二，分析数据变化的趋势，按照时间，分析当前阶段，在不同日、周、月、季、年下的变化趋势，找出转化波动率最大/最小的时间点;

其三，不同维度对比，筛选不同的渠道、用户分组，将转化率和变化趋势进行对比。如果不同渠道数据相差较大，那么原因可能是某些渠道存在作弊情况;如果是不同手机型号存在差异，那么可能是手机的适配性、网速等存在差异;如果是不同的用户组存在差异，那么根据用户分组方法的不同，如购买能力、新老用户，也可以分析出一部分原因。

其次，如果不能够得出明确的结论，需要再返回之前的步骤，思考是按照关键词进行分类，或者是新增某个环节的分析，或者是向其他部门寻求类似场景的分析思路，然后再对刚才的过程进行复盘和优化，直到找到最可靠的原因。

根据前文的阐述，我们可以看出，从分析人员的角度出发，当然是工具越自动化越好，能够更快的重复步骤，找到原因。但是从数仓或者工程人员的角度出发，其实这些分析诉求具有高度的不确定性，因此这种高度自动化的平台很难实现，更倾向于通过ldquo;提需求rdquo;的方式来人肉完成部分的工作。

从业务发展的角度上看，在公司快速发展的时候，分析师与数仓一体化的配合，走部分人肉的方式是无可厚非的，但当规模增加到一定程度时，对于成熟稳定业务的支持，就需要有工具做配合了，因为很多深入的分析细节，人肉的ldquo;效费比rdquo;太低，人力成本上无法负担。

0xFF 漏斗分析的进阶学习

在学习了一些基本的知识之后，我们还需要将问题进行思考，探讨那些更加ldquo;自动化rdquo;和ldquo;科学化rdquo;的做事方法。

自动化，是提升做事情的效率、降低人力成本的最有效途径，在业务发展平缓的公司中，涨薪的根源，便是节约ldquo;技术支持rdquo;所省下来的成本。

因此，在漏斗分析这件事情上，我们可以把关键要素抽象出来，从而为设计自动化的平台作参考。漏斗分析，可以抽象出三要素：

第一，是时间，指漏斗的转化周期，是从某一环节到其他环节所消耗的时长。在实际的业务过程中，一般需要根据业务的特定，设定一个合理的转化周期，如最近30天，超过该周期的就不再认为是一个合理的转化。这是设计自动化产品首要考虑的因素。

第二，是节点，指漏斗的每一环节的配置方法，在业务上具备可操作性，同时也是产品的关键路径，方便分析人员自由的搭配查看。

第三，是流量，指人群/用户的点击、搜索或某个具体的业务动作，由于不同人群/用户在相同漏斗下的转化是不一样的，因此需要对人群/用户进行合理的分组，更清晰定位产品特点，得出合理的解释。

下一步讨论ldquo;科学化rdquo;的做事，主要指科学归因的重要性。

漏斗分析，往往与ldquo;归因分析rdquo;相关，因为能够到达关键环节的动作有很多实际上，业务流程转化并非理想中那么简单。例如用户下单某一件商品，可能是因为看了电视广告、可能是因为随手点击某个直播链接、也可能是因为看了朋友分享的朋友圈直接进行下单。在市场营销的视角里，市场活动、线上运营、邮件营销、电商广告等，都可能触发用户购买。因此需要科学的判断，这一次的结果，是与哪些ldquo;原因rdquo;相关，每一次转化节点应根据事件功劳差异(事件对转化的功劳大小)而科学设置。

因此我们往往需要算法的配合，来正确的识别，不同的营销渠道在用户购买决策的全流程中，对用户影响的ldquo;功劳rdquo;最大、权重较大，能够直接促进用户转化。在进行科学的漏斗分析时，通过归因权重作为漏斗转化的依据，能够大大增大了漏斗分析的科学性。

通过上面两个例子可以看出，一件事情本身的概念可以是非常简单的，但简单不代表其好做，因为实际的业务是非常复杂的，需要根据不同的情况做各种抽象、汇总和升华，这才是分析真正难做的地方。

在当下，各个工种有相互ldquo;卷rdquo;的趋势，比如前端搞后端，后端搞数据，数据搞分析，分析做业务，但其实只有抓住业务的本质，才知道这么ldquo;卷rdquo;下去有没有前途，而不仅仅是ldquo;为了智能化而智能化rdquo;。