01、写在前面

为什么要写【数据分析思维】这个系列文章？还是回到一个最根本的问题上：数据分析师到底是干什么的？
我相信不仅是想入门的小伙伴，已经入行很久的数据分析师可能多多少少还是会有些不清楚。数据分析师是每天被各个业务方呼来唤去的提数工具人么？还是被各种不靠谱的可视化软件蹂躏的报表maker？还是好不容易做了个专题分析，却被业务方嫌弃不说“人话”的，只会纸上谈兵、指手画脚的外行？我相信每个数据分析师都会多多少少经历以上的心路历程，直到某天突然明白数据分析的终极奥义，才能跳出这个让人迷茫的怪圈。
原来数据分析是要：熟悉业务，在此基础上基于对业务的理解发现业务上的问题，然后提出分析的方案，然后再是用工具提数分析，最后给出结论和建议，并推动相关方实施落地，进而解决问题，完成从业务中发现问题，再回到业务中解决问题的完整闭环。这才是数据分析的真正意义。
明白了这些，你可能就会发现，区别于其他的开发类工作，数据分析是以业务、思维为主、工具为辅的工作，重要的不是你会多么高端牛逼的工具和算法，而是你怎么发现问题，怎么形成分析思路，这才是数据分析师拉开差距的关键所在，至于剩下的就是怎么具体实施，这个，找个实习生也能做，哪部分工作含金量更高、被取代难度更大，一目了然了吧？
这也是我写【数据分析思维】系列文章的原因，数据分析本身就是业务和思维为重，授人以鱼不如授人以渔，清晰完备的思维可以让你事半功倍，知道怎么做远比实际做要重要的多，代码未动，思维先行，懂得运筹帷幄才能走得更远。

02、什么是漏斗分析？

什么是漏斗分析？我们知道，业务设计都是有流程的，而从业务流程起点开始到最后目标完成的每个环节都会存在着用户流失，因此我们需要一种分析方法来衡量业务流程每一步的转化效率和用户流失情况，而漏斗分析方法就是这样的一种分析方法。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。用一个简单的例子来说明，假如有100人访问某电商网站，有30人点击注册，有10人注册成功。这个过程共有三步，第一步到第二步的转化率为30%，流失率为70%，第二步到第三步转化率为33%，流失率67%；整个过程的转化率为10%，流失率为90%。该模型就是经典的漏斗分析模型。

03、常见的漏斗模型

而在实际业务中，每个业务都有自己特有的漏斗，但是进行分类总结，常见的业务漏斗模型主要有以下几种：

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

AIDMA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。

04、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的反映用户真实的行为路径，其一：明摆着可优化的点，可以提升用户体验（对产品而言）；其二：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。

05、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：1、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？
2、是否与手机平台有关？Android和iOS用户在这个环节是否有差异？
3、是否与浏览器有关？不同浏览器在进行验证时是否有bug?
4、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。

以上的案例就大致展示了漏斗分析的常规用法，从整体漏斗分析原因，定位问题发生环节，从各个可能的细分维度分析转化漏斗，尝试解释为什么会发生这个问题，进而推进问题环节优化，从定位问题，到分析问题再到解决问题，完成漏斗分析的整个过程。以上就是数据分析思维—漏斗分析部分的全部内容，部分数据分析思维请翻看历史文章，更多数据分析思维的文章持续更新中，敬请期待，如果觉得不错，也欢迎分享、点赞哈~

标签：数据分析,思维,用户,分析,环节,转化率,漏斗
来源： https://blog.csdn.net/licent2011/article/details/119700705