文章介紹了一個數據分析工具：漏斗分析，一起來學習下。

如何將轉化率提升27.5倍？

安迪·瓊斯，是一名數據分析師，曾效力于 Facebook、Twitter、Quora。在他的增長黑客生涯中，曾遇到這樣一個難題：來自搜索引擎的流量占到網站流量的40%，但其中只有不到0.2%的人轉化成注冊用戶，這意味著每1000個訪客中有998人最終流失掉了。

為了提高轉化率，安迪的團隊足足耗費了14個月的時間研究著陸頁的優化，這是一段極為漫長的周期，考驗著每個人的耐性。好在功夫不負有心人，他們最終成功地將轉化率提高到了5.5%以上。換句話說，他們將轉化率提升了25倍。

而在提升轉化率的過程中，他們使用了一樣相當重要的數據分析工具：漏斗分析。如你所見，這是數據分析工具系列的第3篇：漏斗分析。

漏斗分析

天然的漏斗：用戶路徑圖

在數據分析系列的上一篇中，我介紹了用戶路徑圖。這項數據分析工具就是抽象用戶在網站或APP中的訪問行為路徑，并用可視化的圖表呈現。如下圖所示：

可以發現，用戶路徑圖的每條路徑，實際上就是一個個“天然”的漏斗。所以，當我們不知道如何設置漏斗時，可以先利用用戶路徑圖查看所有的用戶軌跡，并對異常的用戶軌跡用漏斗進行分析。如果對用戶路徑圖感興趣的朋友歡迎查看我的上篇文章，下面開始介紹漏斗。

何為漏斗？

漏斗，簡單來講，就是抽象網站或APP中的某個流程，觀察流程中每一步的轉化與流失。鑒于漏斗分析的相關文章很多，基礎部分不再贅述。下面我會抽象漏斗的本質，并通過一個詳細的案例來闡述漏斗的具體用法。

漏斗的三元素

根據漏斗的定義，我們可以抽象出漏斗的三元素：

• 時間
• 節點
• 流量

時間

這里的時間，特指漏斗的轉化周期，即為完成每一層漏斗所需時間的集合。通常來講，一個漏斗的轉化周期越短越好，尤其是在某些轉化周期較長的行業，比如：在線教育行業，B2B電商行業。

此外，單獨查看每一層漏斗的時間，也能發現一些問題。舉例來說，如果發現從某個渠道導入的流量，在某層漏斗的消耗時間驚人的一致，這說明該渠道的流量很可能有異常。

節點

每一層漏斗，就是一個節點。而對于節點來說，最核心的指標就是轉化率，公式如下：

轉化率 = 通過該層的流量/到達該層的流量

整個漏斗的轉化率以及每一層的轉化率，可以幫助我們明確優化的方向：找到轉化率低的節點，想辦法提升它。

流量

流量，也就是人群。不同人群在同一個漏斗下的表現情況一定是不一樣的，比如淘寶的購物漏斗，男人和女人的轉化率不一樣，年輕人和老人的轉化率也不一樣。

通過人群分類，我們可以快速查看特定人群的轉化率，更能清晰定位問題。

漏斗分析實戰案例

現實的世界，并非是簡單的數據邏輯結構，很多結果都是多種原因綜合導致的。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確的答案。

下面我們將結合漏斗的三元素來做一個深度案例分析，通過運用數據分析的經典方法“拆分”與“對比”，定位問題，給出解決方案。

問題：購買的轉化率過低

一家電商網站，從瀏覽寶貝詳情到付款的轉化率僅有3.6%。創建購買流程的漏斗，如圖所示：

1.發現問題節點

我們可以看到，加入購物車之前的轉化率都較高，但在購物付款的流程中，轉化率急劇降低至8%，這里可能就是需要改進的地方。

tip：轉化率低的節點，通常就是問題節點。

2.問題分析

確定問題節點為“確認訂單頁面”后，開始分析該頁面的數據。研究單一頁面，可以使用的分析工具包括：

• 熱圖分析：查看該頁面用戶的互動行為
• 事件分析：查看該頁面的各項數據統計指標，例如停留時長，事件數……

在這里我們運用事件分析對問題進行分析，如果對熱圖分析感興趣的同學可以查看我的系列文章熱圖。

用戶在訂單確認頁停留的時間長達105秒，這與我們平時的認知不符可以發現的問題如下：

用戶在訂單確認頁的事件數為2985，我們需要進一步了解用戶在這個頁面上做了什么

3.問題拆分

1.用戶在訂單確認頁停留時長過長

我們發現自己漏掉了漏斗的一個層級，”訂單確認頁->成交頁“應該更正為“訂單確認頁->選擇付款方式頁->成交頁“。重新創建漏斗如下：

可以發現，實際上轉化率較低的節點為選擇付款頁，轉化率為9%。

2.用戶在相關頁面上的具體事件：

確認付款的事件數為1350，側面印證了訂單確認頁的轉化率比較正常。

成功付款的事件數為210，側面印證了選擇付款頁的轉化率較低。

通過對問題拆分，我們重新定位問題節點為選擇付款頁。

tip：對問題進行拆分，可以幫助我們深入理解問題。

4.數據對比

之前我們提過：不同人群在同一個漏斗下的表現情況一定是不一樣的。我們可以將到達選擇付款頁的用戶分為兩類：

通過幾個人群的對比，我們發現“付款失敗”組的人群離線環境陡增約14%。另外，其3G、2G網絡的比例要高于成功付款人群（5.68% vs 1.36%），且設備品牌中，相對機型較小眾、低端。

實際測試品牌1和品牌2的幾個機型，針對選擇付款方式頁面的頁面體驗，存在以下問題：

1. 機型適配性較差，開發時主要考慮的是現有主流機型適配，對小眾機型的關注度較低；
2. 頁面卡頓嚴重，長達50秒以上的空白頁面，嚴重消耗了用戶耐心。

于是我們做出以下改善：

1. 緊急修復版本，在小眾機型的主要推廣渠道上升級了版本適配性的App；
2. 頁面加載量優化，包括切割、壓縮、刪減圖片，框架優化，預加載等策略，惡劣網絡下加載速度提升至約15秒；
3. 加載等待頁面設計，增加了動畫的等待頁面，給用戶賣個萌，增加用戶等待的耐心。

5.效果驗證

頁面優化后，我們的漏斗轉化流程有明顯改善：

我們針對這群“付款失敗”用戶群所做的改善，為轉化漏斗提高了14%的轉化效率，這是非常大的一個收益。

另外，我們在后續的漏斗改進中，還嘗試結合了頁面點擊/頁面流轉的分析，刪去了付款頁面中不必要的信息、按鈕，增加新的付款方式，保證了付款流程的順暢性，對于提升漏斗也有一定的作用。

寫在最后

漏斗分析，僅僅是幫助我們分析問題的工具，重要的是要培養數據分析的思想：

• 通過交叉對比，找出數據的差異，定位異常數據
• 通過細致拆分，把復雜的、多因子的事件分析拆分為獨立的、單因子的歸因分析

漏斗分析到這里就結束了，下一篇，我會帶來留存分析。歡迎關注我的數據分析工具系列，我會講述如何改善用戶體驗，提升轉化，幫助你更好地運用數據驅動產品運營。

相關閱讀

數據分析卡片（一）：熱圖

數據分析卡片（二）：用戶路徑圖

作者：曹思龍，微信公眾號：及策云課堂。Admaster產品經理，畢業于北京郵電大學，知乎專欄作者

本文由 @曹思龍 原創發布于人人都是產品經理。未經許可，禁止轉載。