漏斗分析當下已經(jīng)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(shù)據(jù)分析中最重要的一個分析思維，漏斗分析在業(yè)務流程拆解和問題環(huán)節(jié)定位上具有非常重要的作用。當我們無法確定問題發(fā)生在哪個環(huán)節(jié)時，一般會通過將業(yè)務流程進行拆解，比較各個環(huán)節(jié)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(yè)務設計都是有流程的，而從業(yè)務流程起點開始到最后目標完成的每個環(huán)節(jié)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(yè)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(yè)務流程的一種數(shù)據(jù)分析模型，也就是說一定是存在著業(yè)務的前因后果、前后關聯(lián)關系的，它能夠科學反映用戶行為狀態(tài)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(huán)節(jié)和原因。漏斗分析模型已經(jīng)廣泛應用于網(wǎng)站用戶行為分析和APP用戶行為分析中，在流量監(jiān)控、產(chǎn)品目標轉化等日常數(shù)據(jù)運營與數(shù)據(jù)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(wǎng)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(jīng)典的漏斗分析模型。

二、常見的漏斗模型

而在實際業(yè)務中，每個業(yè)務都有自己特有的漏斗，但是進行分類總結，常見的業(yè)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(chǎn)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(xiàn)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(jīng)典的業(yè)務漏斗模型，計算每一個環(huán)節(jié)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(chǎn)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(chǎn)品，比如一些工具類的產(chǎn)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(yè)務環(huán)節(jié)，有助于我們定位問題環(huán)節(jié)，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(diào)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(jīng)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?yōu)楸粍恿私庹咴僮優(yōu)橹鲃恿私庹撸詈笥杀粍淤徺I者變?yōu)橹鲃淤徺I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(yè)務場景下常見的漏斗，那么具體在實現(xiàn)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(huán)節(jié)

當我們聚焦用戶全流程最有效的轉化路徑時（產(chǎn)品設計初期我們都會有理想的轉化路徑），漏斗數(shù)據(jù)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(yōu)化的點，可以提升用戶體驗（對產(chǎn)品而言）；

2. 迅速定位流失環(huán)節(jié)，針對性的下鉆分析可以找到可優(yōu)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(xiàn)狀，定位具體的問題環(huán)節(jié)，知其然，但是為什么會出現(xiàn)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(huán)節(jié)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(jiān)控漏斗轉化趨勢進行優(yōu)化

可以在時間粒度上監(jiān)控各個環(huán)節(jié)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(huán)節(jié)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(jù)。我們可以不斷地用ab test對各環(huán)節(jié)進行優(yōu)化，然后監(jiān)控各環(huán)節(jié)轉化率的變化趨勢，完成漏斗整體轉化的提升。

四、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(shù)據(jù)分析發(fā)現(xiàn)，第二步到第三步的轉化率較低，很多用戶在該環(huán)節(jié)流失，進而導致最后注冊成功的用戶數(shù)大幅減少，定位到問題環(huán)節(jié)是在“開始注冊”-“提交驗證碼”環(huán)節(jié)。

但是問題現(xiàn)狀是如此，到底是什么原因?qū)е铝擞脩粼谶@個環(huán)節(jié)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(chǎn)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(huán)節(jié)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(fā)現(xiàn)，Chrome瀏覽器的用戶注冊數(shù)和注冊轉化率較其他瀏覽器低很多，對比每一步轉化，發(fā)現(xiàn)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(fā)現(xiàn)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(fā)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(guī)用法。從整體漏斗分析原因，定位問題發(fā)生環(huán)節(jié)，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(fā)生這個問題，進而推進問題環(huán)節(jié)優(yōu)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。

本文鏈接：http://www.sztqnet.com/article/1171.html