原文链接
漏斗分析是基于业务流程的一种数据分析模型，也就是说一定是存在着业务的前因后果、前后关联关系的，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化情况，进而可以定位用户流失的环节和原因。漏斗分析模型已经广泛应用于网站用户行为分析和APP用户行为分析中，在流量监控、产品目标转化等日常数据运营与数据分析工作中应用地很广泛。
漏斗分析最常用的是转化率和流失率两个互补型指标，流失率=1-转化率。
常见的漏斗模型
1. AARRR模型
大名鼎鼎的AARRR模型，做用户增长和生命周期最常用的漏斗模型，从用户增长各阶段入手，包括Acquisition用户获取、Activation用户激活、Retention用户留存、Revenue用户产生收入、Refer自传播等用户的生命阶段。进行漏斗分析，判断用户流失大致处于哪个阶段，进而对问题阶段的用户进行细分，精细化运营，完成用户向成熟用户和付费用户的引导，实现用户增长。 
2. 电商漏斗模型
电商领域最常见的商品购买漏斗，用户从进入平台，到完成支付的完整路径，是一个经典的业务漏斗模型，计算每一个环节的转化有助于我们分析是人（是否是商品的定位用户？）货（商品是否有热销？）场（产品功能、体验如何）哪个因素的问题？ 
3. 功能漏斗模型
其他的非电商领域的产品，比如一些工具类的产品的漏斗就各有不同了，举个列子，我们以KEEP为例。
KEEP的半马比赛活动的主要漏斗可能就如下所示，从活动推广，到用户报名、用户最终完成比赛，到获得抽奖资格，拆分各个业务环节，有助于我们定位问题环节，进一步定位是广告文案不好，还是投放的广告位转化效率低？是用户报名的操作过于复杂？还是用户达标的门槛过于苛刻？是奖品设置的和参赛用户调性不符还是领奖的流程复杂有bug？ 
4. AIDMA模型
IDMA是消费者行为学领域很成熟的理论模型之一，由美国广告学家E.S.刘易斯在1898年提出。
该理论认为，消费者从接触到信息到最后达成购买，会经历这5个阶段：注意 → 兴趣 → 欲望 → 记忆 → 行动（购买），消费者们从不知情者变为被动了解者再变为主动了解者，最后由被动购买者变为主动购买者的过程，从商品角度看可以看到市场从不了解、了解、接受的过程，在品牌营销领域应用得很广泛。 
三、漏斗分析的步骤
上面介绍了各种业务场景下常见的漏斗，那么具体在实现过程和步骤是怎样的呢？会带来什么样的价值呢？ 
1. 快速定位问题环节
当我们聚焦用户全流程最有效的转化路径时（产品设计初期我们都会有理想的转化路径），漏斗数据的展示可以真实地反映用户真实的行为路径：
- 明摆着可优化的点，可以提升用户体验（对产品而言）；
迅速定位流失环节，针对性的下钻分析可以找到可优化的点，可以降低流失提升用户留存率（对运营而言）。
2. 多维度切分分析问题原因
整体的漏斗能反映整体的转化现状，定位具体的问题环节，知其然，但是为什么会出现这个问题，就是知其所以然的过程，需要从各个维度对漏斗进行切分。比如新注册用户vs老用户、不同渠道来源的用户等在各环节的转化漏斗差异，不同维度下的漏斗差异，可能让我们眼前一亮，啊！原来是这部分用户的转化坏了一锅好汤。
3. 监控漏斗转化趋势进行优化
可以在时间粒度上监控各个环节的转化率，突然上线的新功能或者近期开展的运营活动可能都会导致漏斗各环节的转化率明显的变化，无论是变好还是变差，都是我们做ab test的一个依据。我们可以不断地用ab test对各环节进行优化，然后监控各环节转化率的变化趋势，完成漏斗整体转化的提升。
五、漏斗分析案例
最后用一个实际的案例来说明漏斗分析的实际应用。
某电商平台，按“进入注册页-开始注册-提交验证码-注册成功”的路径设置了一个四步转化漏斗，通过数据分析发现，第二步到第三步的转化率较低，很多用户在该环节流失，进而导致最后注册成功的用户数大幅减少，定位到问题环节是在“开始注册”-“提交验证码”环节。
但是问题现状是如此，到底是什么原因导致了用户在这个环节大量流失？我们做了一些假设：是否与用户使用的平台有关？PC端和移动端是否有产品功能设计上的差异？
- 是否与手机平台有关？Android和iOS用户在这个环节是否有差异？
- 是否与浏览器有关？不同浏览器在进行验证时是否有bug?
- 其他种种。
以上假设就是从不同的维度去拆分这个问题，然后看在各个维度下用户的转化漏斗如何？
分析发现，Chrome浏览器的用户注册数和注册转化率较其他浏览器低很多，对比每一步转化，发现第一步到第二步的转化率和其他并无明显差异，而第二步到第三步的转化率非常低，大部分用户没有提交验证码，而是直接离开了页面。
这奇怪的转化漏点马上引起了重视，测试发现Chrome浏览器在获取验证码上确实存在bug，影响了用户注册，研发针对此问题进行解决后，该浏览器下的注册转化率明显提升。 
若有收获，就点个赞吧
0 人点赞
