數據分析思維:一文讀懂漏斗分析

0 評論 24246 瀏覽 66 收藏 11 分鐘

編輯導語(yǔ):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(hù)行為,找到用戶(hù)流失的原因。那么具體而言,漏斗分析有哪些常見(jiàn)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(gè)漏斗分析案例進(jìn)行了拆解,一起來(lái)看一下。

作為數據分析中最重要的一個(gè)分析思維,漏斗分析在業(yè)務(wù)流程拆解和問(wèn)題環(huán)節定位上具有非常重要的作用。當我們無(wú)法確定問(wèn)題發(fā)生在哪個(gè)環(huán)節時(shí),一般會(huì )通過(guò)將業(yè)務(wù)流程進(jìn)行拆解,比較各個(gè)環(huán)節之間的轉化率/流失率,通過(guò)這種漏斗分析的方法來(lái)定位問(wèn)題原因,今天我們就來(lái)一起學(xué)習它。

一、什么是漏斗分析?

什么是漏斗分析?

我們知道,業(yè)務(wù)設計都是有流程的,而從業(yè)務(wù)流程起點(diǎn)開(kāi)始到最后目標完成的每個(gè)環(huán)節都會(huì )存在著(zhù)用戶(hù)流失,因此我們需要一種分析方法來(lái)衡量業(yè)務(wù)流程每一步的轉化效率和用戶(hù)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(wù)流程的一種數據分析模型,也就是說(shuō)一定是存在著(zhù)業(yè)務(wù)的前因后果、前后關(guān)聯(lián)關(guān)系的,它能夠科學(xué)反映用戶(hù)行為狀態(tài)以及從起點(diǎn)到終點(diǎn)各階段用戶(hù)轉化情況,進(jìn)而可以定位用戶(hù)流失的環(huán)節和原因。漏斗分析模型已經(jīng)廣泛應用于網(wǎng)站用戶(hù)行為分析和APP用戶(hù)行為分析中,在流量監控、產(chǎn)品目標轉化等日常數據運營(yíng)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(gè)互補型指標,流失率=1-轉化率。

用一個(gè)簡(jiǎn)單的例子來(lái)說(shuō)明,假如有100人訪(fǎng)問(wèn)某電商網(wǎng)站,有30人點(diǎn)擊注冊,有10人注冊成功。這個(gè)過(guò)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(gè)過(guò)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(jiàn)的漏斗模型

而在實(shí)際業(yè)務(wù)中,每個(gè)業(yè)務(wù)都有自己特有的漏斗,但是進(jìn)行分類(lèi)總結,常見(jiàn)的業(yè)務(wù)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(hù)增長(cháng)和生命周期最常用的漏斗模型,從用戶(hù)增長(cháng)各階段入手,包括Acquisition用戶(hù)獲取、Activation用戶(hù)激活、Retention用戶(hù)留存、Revenue用戶(hù)產(chǎn)生收入、Refer自傳播等用戶(hù)的生命階段。進(jìn)行漏斗分析,判斷用戶(hù)流失大致處于哪個(gè)階段,進(jìn)而對問(wèn)題階段的用戶(hù)進(jìn)行細分,精細化運營(yíng),完成用戶(hù)向成熟用戶(hù)和付費用戶(hù)的引導,實(shí)現用戶(hù)增長(cháng)。

2. 電商漏斗模型

電商領(lǐng)域最常見(jiàn)的商品購買(mǎi)漏斗,用戶(hù)從進(jìn)入平臺,到完成支付的完整路徑,是一個(gè)經(jīng)典的業(yè)務(wù)漏斗模型,計算每一個(gè)環(huán)節的轉化有助于我們分析是人(是否是商品的定位用戶(hù)?)貨(商品是否有熱銷(xiāo)?)場(chǎng)(產(chǎn)品功能、體驗如何)哪個(gè)因素的問(wèn)題?

3. 功能漏斗模型

其他的非電商領(lǐng)域的產(chǎn)品,比如一些工具類(lèi)的產(chǎn)品的漏斗就各有不同了,舉個(gè)列子,我們以KEEP為例。

KEEP的半馬比賽活動(dòng)的主要漏斗可能就如下所示,從活動(dòng)推廣,到用戶(hù)報名、用戶(hù)最終完成比賽,到獲得抽獎資格,拆分各個(gè)業(yè)務(wù)環(huán)節,有助于我們定位問(wèn)題環(huán)節,進(jìn)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(hù)報名的操作過(guò)于復雜?還是用戶(hù)達標的門(mén)檻過(guò)于苛刻?是獎品設置的和參賽用戶(hù)調性不符還是領(lǐng)獎的流程復雜有bug?

4. AIDMA模型

IDMA是消費者行為學(xué)領(lǐng)域很成熟的理論模型之一,由美國廣告學(xué)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(mǎi),會(huì )經(jīng)歷這5個(gè)階段:注意 → 興趣 → 欲望 → 記憶 → 行動(dòng)(購買(mǎi)),消費者們從不知情者變?yōu)楸粍?dòng)了解者再變?yōu)橹鲃?dòng)了解者,最后由被動(dòng)購買(mǎi)者變?yōu)橹鲃?dòng)購買(mǎi)者的過(guò)程,從商品角度看可以看到市場(chǎng)從不了解、了解、接受的過(guò)程,在品牌營(yíng)銷(xiāo)領(lǐng)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(wù)場(chǎng)景下常見(jiàn)的漏斗,那么具體在實(shí)現過(guò)程和步驟是怎樣的呢?會(huì )帶來(lái)什么樣的價(jià)值呢?

1. 快速定位問(wèn)題環(huán)節

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

  1. 明擺著(zhù)可優(yōu)化的點(diǎn),可以提升用戶(hù)體驗(對產(chǎn)品而言);
  2. 迅速定位流失環(huán)節,針對性的下鉆分析可以找到可優(yōu)化的點(diǎn),可以降低流失提升用戶(hù)留存率(對運營(yíng)而言)。

2. 多維度切分分析問(wèn)題原因

整體的漏斗能反映整體的轉化現狀,定位具體的問(wèn)題環(huán)節,知其然,但是為什么會(huì )出現這個(gè)問(wèn)題,就是知其所以然的過(guò)程,需要從各個(gè)維度對漏斗進(jìn)行切分。比如新注冊用戶(hù)vs老用戶(hù)、不同渠道來(lái)源的用戶(hù)等在各環(huán)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,??!原來(lái)是這部分用戶(hù)的轉化壞了一鍋好湯。

3. 監控漏斗轉化趨勢進(jìn)行優(yōu)化

可以在時(shí)間粒度上監控各個(gè)環(huán)節的轉化率,突然上線(xiàn)的新功能或者近期開(kāi)展的運營(yíng)活動(dòng)可能都會(huì )導致漏斗各環(huán)節的轉化率明顯的變化,無(wú)論是變好還是變差,都是我們做ab test的一個(gè)依據。我們可以不斷地用ab test對各環(huán)節進(jìn)行優(yōu)化,然后監控各環(huán)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(gè)實(shí)際的案例來(lái)說(shuō)明漏斗分析的實(shí)際應用。

某電商平臺,按“進(jìn)入注冊頁(yè)-開(kāi)始注冊-提交驗證碼-注冊成功”的路徑設置了一個(gè)四步轉化漏斗,通過(guò)數據分析發(fā)現,第二步到第三步的轉化率較低,很多用戶(hù)在該環(huán)節流失,進(jìn)而導致最后注冊成功的用戶(hù)數大幅減少,定位到問(wèn)題環(huán)節是在“開(kāi)始注冊”-“提交驗證碼”環(huán)節。

但是問(wèn)題現狀是如此,到底是什么原因導致了用戶(hù)在這個(gè)環(huán)節大量流失?我們做了一些假設:

  1. 是否與用戶(hù)使用的平臺有關(guān)?PC端和移動(dòng)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(guān)?Android和iOS用戶(hù)在這個(gè)環(huán)節是否有差異?
  3. 是否與瀏覽器有關(guān)?不同瀏覽器在進(jìn)行驗證時(shí)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(gè)問(wèn)題,然后看在各個(gè)維度下用戶(hù)的轉化漏斗如何?

分析發(fā)現,Chrome瀏覽器的用戶(hù)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(fā)現第一步到第二步的轉化率和其他并無(wú)明顯差異,而第二步到第三步的轉化率非常低,大部分用戶(hù)沒(méi)有提交驗證碼,而是直接離開(kāi)了頁(yè)面。

這奇怪的轉化漏點(diǎn)馬上引起了重視,測試發(fā)現Chrome瀏覽器在獲取驗證碼上確實(shí)存在bug,影響了用戶(hù)注冊,研發(fā)針對此問(wèn)題進(jìn)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(wèn)題發(fā)生環(huán)節,從各個(gè)可能的細分維度分析轉化漏斗,嘗試解釋為什么會(huì )發(fā)生這個(gè)問(wèn)題,進(jìn)而推進(jìn)問(wèn)題環(huán)節優(yōu)化,從定位問(wèn)題,到分析問(wèn)題再到解決問(wèn)題,完成漏斗分析的整個(gè)過(guò)程。

以上就是數據分析思維—漏斗分析部分的全部?jì)热?,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(chuàng )發(fā)布于人人都是產(chǎn)品經(jīng)理,未經(jīng)許可,禁止轉載。

題圖來(lái)自 Unsplash,基于CC0協(xié)議

更多精彩內容,請關(guān)注人人都是產(chǎn)品經(jīng)理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒(méi)評論,等你發(fā)揮!