中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導語：漏斗分析當下已經被廣泛應用，有效的漏斗分析可以幫助分析用戶行為，找到用戶流失的原因。那么具體而言，漏斗分析有哪些常見模型？漏斗分析又有哪些流程步驟？本文作者就此做了總結，并對一個漏斗分析案例進行了拆解，一起來看一下。

作為數據分析中最重要的一個分析思維，漏斗分析在業務流程拆解和問題環節定位上具有非常重要的作用。當我們無法確定問題發生在哪個環節時，一般會通過將業務流程進行拆解，比較各個環節之間的轉化率/流失率，通過這種漏斗分析的方法來定位問題原因，今天我們就來一起學習它。

一、什么是漏斗分析？

什么是漏斗分析？

我們知道，業務設計都是有流程的，而從業務流程起點開始到最后目標完成的每個環節都會存在著用戶流失，因此我們需要一種分析方法來衡量業務流程每一步的轉化效率和用戶流失情況，而漏斗分析方法就是這樣的一種分析方法。

漏斗分析是基于業務流程的一種數據分析模型，也就是說一定是存在著業務的前因后果、前后關聯關系的，它能夠科學反映用戶行為狀態以及從起點到終點各階段用戶轉化情況，進而可以定位用戶流失的環節和原因。漏斗分析模型已經廣泛應用于網站用戶行為分析和APP用戶行為分析中，在流量監控、產品目標轉化等日常數據運營與數據分析工作中應用地很廣泛。

漏斗分析最常用的是轉化率和流失率兩個互補型指標，流失率=1-轉化率。

用一個簡單的例子來說明，假如有100人訪問某電商網站，有30人點擊注冊，有10人注冊成功。這個過程共有三步，第一步到第二步的轉化率為30%，流失率為70%，第二步到第三步轉化率為33%，流失率67%；整個過程的轉化率為10%，流失率為90%。該模型就是經典的漏斗分析模型。

二、常見的漏斗模型

而在實際業務中，每個業務都有自己特有的漏斗，但是進行分類總結，常見的業務漏斗模型主要有以下幾種。

1. AARRR模型

大名鼎鼎的AARRR模型，做用戶增長和生命周期最常用的漏斗模型，從用戶增長各階段入手，包括Acquisition用戶獲取、Activation用戶激活、Retention用戶留存、Revenue用戶產生收入、Refer自傳播等用戶的生命階段。進行漏斗分析，判斷用戶流失大致處于哪個階段，進而對問題階段的用戶進行細分，精細化運營，完成用戶向成熟用戶和付費用戶的引導，實現用戶增長。

2. 電商漏斗模型

電商領域最常見的商品購買漏斗，用戶從進入平臺，到完成支付的完整路徑，是一個經典的業務漏斗模型，計算每一個環節的轉化有助于我們分析是人（是否是商品的定位用戶？）貨（商品是否有熱銷？）場（產品功能、體驗如何）哪個因素的問題？

3. 功能漏斗模型

其他的非電商領域的產品，比如一些工具類的產品的漏斗就各有不同了，舉個列子，我們以KEEP為例。

KEEP的半馬比賽活動的主要漏斗可能就如下所示，從活動推廣，到用戶報名、用戶最終完成比賽，到獲得抽獎資格，拆分各個業務環節，有助于我們定位問題環節，進一步定位是廣告文案不好，還是投放的廣告位轉化效率低？是用戶報名的操作過于復雜？還是用戶達標的門檻過于苛刻？是獎品設置的和參賽用戶調性不符還是領獎的流程復雜有bug？

4. AIDMA模型

IDMA是消費者行為學領域很成熟的理論模型之一，由美國廣告學家E.S.劉易斯在1898年提出。

該理論認為，消費者從接觸到信息到最后達成購買，會經歷這5個階段：注意 → 興趣 → 欲望 → 記憶 → 行動（購買），消費者們從不知情者變為被動了解者再變為主動了解者，最后由被動購買者變為主動購買者的過程，從商品角度看可以看到市場從不了解、了解、接受的過程，在品牌營銷領域應用得很廣泛。

三、漏斗分析的步驟

上面介紹了各種業務場景下常見的漏斗，那么具體在實現過程和步驟是怎樣的呢？會帶來什么樣的價值呢？

1. 快速定位問題環節

當我們聚焦用戶全流程最有效的轉化路徑時（產品設計初期我們都會有理想的轉化路徑），漏斗數據的展示可以真實地反映用戶真實的行為路徑：

1. 明擺著可優化的點，可以提升用戶體驗（對產品而言）；
2. 迅速定位流失環節，針對性的下鉆分析可以找到可優化的點，可以降低流失提升用戶留存率（對運營而言）。

2. 多維度切分分析問題原因

整體的漏斗能反映整體的轉化現狀，定位具體的問題環節，知其然，但是為什么會出現這個問題，就是知其所以然的過程，需要從各個維度對漏斗進行切分。比如新注冊用戶vs老用戶、不同渠道來源的用戶等在各環節的轉化漏斗差異，不同維度下的漏斗差異，可能讓我們眼前一亮，啊！原來是這部分用戶的轉化壞了一鍋好湯。

3. 監控漏斗轉化趨勢進行優化

可以在時間粒度上監控各個環節的轉化率，突然上線的新功能或者近期開展的運營活動可能都會導致漏斗各環節的轉化率明顯的變化，無論是變好還是變差，都是我們做ab test的一個依據。我們可以不斷地用ab test對各環節進行優化，然后監控各環節轉化率的變化趨勢，完成漏斗整體轉化的提升。

五、漏斗分析案例

最后用一個實際的案例來說明漏斗分析的實際應用。

某電商平臺，按“進入注冊頁-開始注冊-提交驗證碼-注冊成功”的路徑設置了一個四步轉化漏斗，通過數據分析發現，第二步到第三步的轉化率較低，很多用戶在該環節流失，進而導致最后注冊成功的用戶數大幅減少，定位到問題環節是在“開始注冊”-“提交驗證碼”環節。

但是問題現狀是如此，到底是什么原因導致了用戶在這個環節大量流失？我們做了一些假設：

1. 是否與用戶使用的平臺有關？PC端和移動端是否有產品功能設計上的差異？
2. 是否與手機平臺有關？Android和iOS用戶在這個環節是否有差異？
3. 是否與瀏覽器有關？不同瀏覽器在進行驗證時是否有bug?
4. 其他種種。

以上假設就是從不同的維度去拆分這個問題，然后看在各個維度下用戶的轉化漏斗如何？

分析發現，Chrome瀏覽器的用戶注冊數和注冊轉化率較其他瀏覽器低很多，對比每一步轉化，發現第一步到第二步的轉化率和其他并無明顯差異，而第二步到第三步的轉化率非常低，大部分用戶沒有提交驗證碼，而是直接離開了頁面。

這奇怪的轉化漏點馬上引起了重視，測試發現Chrome瀏覽器在獲取驗證碼上確實存在bug，影響了用戶注冊，研發針對此問題進行解決后，該瀏覽器下的注冊轉化率明顯提升。

以上的案例就大致展示了漏斗分析的常規用法。從整體漏斗分析原因，定位問題發生環節，從各個可能的細分維度分析轉化漏斗，嘗試解釋為什么會發生這個問題，進而推進問題環節優化，從定位問題，到分析問題再到解決問題，完成漏斗分析的整個過程。

以上就是數據分析思維—漏斗分析部分的全部內容，部分數據分析思維請翻看歷史文章，更多數據分析思維的文章持續更新中，敬請期待。

本文由 @數據分析星球 原創發布于人人都是產品經理，未經許可，禁止轉載。

題圖來自 Unsplash，基于CC0協議