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：做數據分析的朋友們在實際工作中總會遇到一些困惑，那么對于總量和不同步驟的轉化率定位問題，興許你也有些疑惑。作者以電商為例，分析如何做電商漏斗轉化率分析，希望對你有所啟發。

很感謝這位朋友非常認真的看了我的這篇文章《數據分析-結構比率歸因-定位異常原因》，并且提到了另外一個比較經典的問題：總量和不同步驟的轉化率定位。接下來我給大家簡單的描述一下這個問題以及我是如何分析的。

一、問題

上面的問題我們可以簡單以電商來舉例，我們把電商的轉化簡單的總結成下面幾個步驟：

1. 第一步：吸引用戶進入我們的營銷落地頁；
2. 第二步：用戶對同一商品的不同SKU進行比較；
3. 第三步：創建訂單；
4. 第四步：支付成功。經過不同的轉化之后，我們核心關注點是最終支付成功的用戶。

二、分析

1. 定義

落地頁到商品選擇頁轉化率R1 =B/A商品選擇頁到創建訂單轉化率R2 =C/B創建訂單到支付成功轉化率R3=D/C2月份支付成功D2環比1月份R0= D2/D1

2. 分析

所以我們需要看R0變化的時候，是因為A2的變化更大還是因為R1/R2/R3的變化更大，這里我們把R0進行拆解：

我們先來看看D2怎么計算的：D2=A2*（B2/A2）*(C2/B2)*(D2*C2) =A2*轉化率R12*轉化率R22*轉化率R32

同理D1：D1=A1*（B1/A1）*(C1/B1)*(D1*C1) =A1*轉化率R11*轉化率R21*轉化率R31

這樣我們就能得到：R0 =D2/D1= （A2*轉化率R12*轉化率R22*轉化率R32）/(A1*轉化率R11*轉化率R21*轉化率R31)= (A2/A1)*(轉化率R12/轉化率R11)*(轉化率R22/轉化率R21)*(轉化率R32/轉化率R31)

通過上面的公式，我們能很清楚的看到支付成功的變化率R0由四部分組成：

1. 落地頁變化：A2/A1，命名為W0
2. 第一步轉化率的變化：轉化率R12/轉化率R11，命名為W1
3. 第二步轉化率的變化：轉化率R22/轉化率R21，命名為W2
4. 第三步轉化率的變化：轉化率R32/轉化率R31，命名為W3

那么：

R0=W0*W1*W2*W3

最后，通過上面的拆解，當R0大于1的時候，支付成功人數上升，我們就看W0/W1/W2/W3,哪一個最大，那么就是對最后影響最大的。下降的時候同理。

3. 有待優化

目前這個拆解只能看到變化的排名，也就是只能知道各個部分影響的大小，已經可以解決大部分問題，這樣上升和下降就能看具體哪一個影響更大。能指導我們某次活動是引流的影響大還是因為轉化率的提升影響更大。但是具體影響多少還不得而知，等待后續繼續研究了……

三、案例分析-電商漏斗轉化率分析

1. 背景

產品：現假設我們是西門子賣冰箱的，用戶可以在淘寶上搜索冰箱，搜索之后就會出來一系列的結果，然后我們可以點擊自己感興趣的那個店和款式，選完之后，就是具體的商品了（容量/顏色等），下一步就是創建了訂單，最后就是支付成功了。

異常：首先說明下面的數據，全部是隨機編寫的，主要為了說明這個模型的用法。若截圖涉及侵權，請聯系作者刪除。一般我們在公司會給產品運營做一系列的報表，其中有一套是用于監控每天西門子訂單量的趨勢，以及環比的趨勢，如下圖一：

• 藍色曲線是支付成功的用戶數，我們看到7月12號用戶量起來了，19號用戶量又起來了。
• 從橙色線也能看出來，12號環比上升了一個臺階。

那么，問題來了，我們想知道12號和19號用戶量起來的原因是什么呢？圖一：

用戶搜索之后，就會展示一系列的冰箱，假如我們就是監控了從營銷頁到最后的支付成功，具體的數據是：營銷頁用戶數-商品選擇頁用戶數-創建訂單用戶數-支付成功用戶數。我們可以用這這些數據，做一個轉化率的趨勢圖，如下圖二：

• 步驟一轉化率 = 商品選擇頁用戶數/營銷頁用戶數
• 步驟二轉化率 = 創建訂單用戶數/商品選擇頁用戶數
• 步驟三轉化率 = 支付成功用戶數/創建訂單用戶數
• 總轉化率 = 支付成功用戶數/營銷頁用戶數

2. 分析

轉化率趨勢：通過圖二，我們只能看到的是第一步和第三步轉化率降低了，第二步轉化率變高了。其實我們還可以看到一個數據就是營銷頁的UV變高了。但是，我們如何知道：

• 到底是營銷頁的UV變高帶來的
• 還是第二步的轉化率變高了帶來了最后支付成功的用戶數上升呢？

模型分析：因為總量的上升主要是12號和19號之后。所以，一般這種異常，我們會先和運營或是產品同學交流是不是做了什么，確認是改動帶來的還是正常的波動，具體的異常分析框架見：《增長黑客-DAU下降分析-指標異常分析框架》

確認完了，我們可以先以12和19號的數據為例，看看如何使用這個模型，具體數據如下表一：

我們可以把2021年7月5和2021年7月12和2021年7月12的營銷頁的UV，以及每一步的轉化率列出來，還有支付成功的用戶量。

• 我們看到表格中T12到Y15就是三天的量和轉化率
• 黃色區域中：Z14是12號環比5號的比率102.2% = 10239/10023，Z15是19號環比12號的比率102.3%= 10470/10239，可以看出12號漲了2.2%，19號環比漲了2.3%
• ?拆解12號（102.2%）和15號的比率(102.3%)。
• 102.2% = 105.2%*94.9%*110.2%*92.9%
• 102.3% = 104.4%*95.6%*101.1%*101.3%

第17和18行的比率是什么呢？我們以U15單元格的105.2%為例說明一下，其實就是105.2% =12號（105985）/5號（100774）,就是12號營銷頁的UV除以5號的。同理，V17的94.9%就是12號的第一步轉化率除以5號的第一步轉化率。

建議讀者把表一的數據輸入一遍，自己計算一下，加深印象。

最后，我們來解讀一下：

• 12號漲了2.2%其實主要還是第二步轉化率上升的比較多
• 19號上了2.3%主要是營銷頁的UV上漲了很多

這樣，我們跟運營同學去解釋就一目了然了。

本文由 @數有道 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。