淺談漏斗分析
本文轉載自微信公眾號「曉陽的數據小站」，作者曉陽的數據小站。轉載本文請聯(lián)系曉陽的數據小站公眾號。
0x00 什么是漏斗分析
說起數據分析，很多人把精力放在了各種高大上的數據模型上。事實上，比較常見的一些數據分析方法，往往都不是什么非常高深的學問，在實踐中，涉及到的方法論或者復雜性，其實是遠低于學校里學習的專業(yè)知識。而我們非常看重數據分析，本質是看重“數據”，以及利用數據來做的“分析”，好的結論不一定有多么高大上的模型，但它一定有數據作為支持。
現如今我們所做的各種決策，都在強調數據的重要性，不論是市場調研的數據，還是產品上線后的用戶數據，都貫穿了產品研發(fā)的整個生命周期。
今天我們來講一個原理非常簡單，但卻非常實用的分析方法：漏斗分析。
說起漏斗分析，這是數據領域最常見的一種“程式化”數據分析方法，它能夠科學的評估一種業(yè)務過程，從起點到終點，各個階段的轉化情況。通過可以量化的數據分析，幫助業(yè)務找到有問題的業(yè)務環(huán)節(jié)，并進行針對性的優(yōu)化。
在電商模式中，提到“轉化率”，就往往配有一張“漏斗分析圖”作為輔助的說明。這是因為在電商模式下，我們所做的每一項活動，都與用戶有著直接或者間接的聯(lián)系，而我們活動的本質也都是一樣的：為了讓用戶成為持久的消費者。
因此，當我們分析用戶從進入產品到完成消費的過程時，可以大體分為如下幾個關鍵步驟：進入首頁、查看商品頁、加入購物車、進入支付頁面、成功支付。通過分析每個階段的轉化率和流失率，能夠直觀地發(fā)現很多問題，進而找到提升KPI的方法。
0x01 漏斗分析的作用
漏斗分析，是一個非常經典的模型，自問世以來，衍生出了諸如AARRR用戶增長模型、SICAS用戶行為消費模型等衍生版本，基本上是各類分析報表的標配。大多數據互聯(lián)網產品，其本身的商業(yè)邏輯就是一個虛擬的漏斗，而我們的目的就在于如何讓用戶順利的到達我們所設定的“目標行為”，如支付、注冊。
例如，在用戶運營領域，漏斗對于用戶行為的分析而言，是非常有必要的。在產品上線后，關鍵的業(yè)務路徑，都要進行漏斗分析，判斷每個環(huán)節(jié)的設計是否存在缺陷。典型的如用戶注冊場景，從引導 - 注冊 - 分享 - 進入首頁，往往在分享這個環(huán)節(jié)，轉化率非常低，那么我們就要考慮是否放棄這個環(huán)節(jié)，或者有什么其他的優(yōu)化動作。
例如，在自媒體運營方向，假設一個自媒體賬號有10W粉絲，發(fā)送一篇文章獲得1W閱讀，大約有1K用戶收藏了文章，最后由100用戶進行了付費打賞。那么這個10W - 1W - 1K - 100也是典型的漏斗環(huán)節(jié)，用戶付費轉化率就是0.1%。如果需要提升付費轉化率，需要以這個數據作為依據，來判斷到底是應該打廣告來增加閱讀量，還是引導用戶多收藏文章。
以上是兩個非常簡單的例子，在具備一定規(guī)模的公司中，通常都有非常多類似的問題，是迫切需要進行分析解答的，包括但不限于：
- 為什么注冊步驟轉化率非常低?
- 為什么很多人下單了卻沒有支付?
- 為什么某個渠道量很大，但點擊率卻非常低?
- 如果不做瀏覽器的適配，那么會損失多大的用戶規(guī)模?
- 進入首頁卻沒有下單的用戶，接下來都去了哪里?...
一個設計科學的漏斗分析體系，能夠快速解答和分析這些問題，是可以實實在在的改善業(yè)務、提升業(yè)務收入的。
漏斗分析的作用，有兩個大的特點：
其一，漏斗分析，能夠梳理業(yè)務的關鍵流程環(huán)節(jié)，監(jiān)控用戶、流量在各個業(yè)務階段的轉化情況，及時對低轉化率環(huán)節(jié)進行分析，定位流失的關鍵環(huán)節(jié)，進行持續(xù)的優(yōu)化。
其二，漏斗分析，往往配合多維度之間的對比，針對不同的人群、渠道做差異化的分析，如新用戶、老客戶，如新渠道、老渠道，分析轉化率最好和最差的維度，從而提升運營精度和效率。
接下來我們講解一下如何進行“漏斗分析”。
0x02 如何進行漏斗分析
按照慣例，我們通過“分解”的形式，來一步一步的闡述這個分析過程。
第一步，還原業(yè)務關鍵過程
前文提到過，漏斗分析是針對業(yè)務的關鍵流程環(huán)節(jié)，做洞察和分析。因此在進行分析前，我們首先需要還原這個業(yè)務過程的關鍵步驟，并驗證其是否是可以通過漏斗進行分析。
例如，在電商廣告場景下，廣告主可以通過各種方法，向用戶宣傳自己的產品。這時候，用戶會根據宣傳的曝光詞，點擊搜索框進入到搜索頁面，這時候會根據平臺提示的關鍵詞進行搜索，或者是主動發(fā)起搜索，到達搜索呈現的結果頁之后，再進行相應的點擊行為，并完成最終下單。
這個時候我們可以確定一條從搜索到展示的關鍵路徑：廣告投放展示 - 搜索關鍵詞 - 點擊搜索結果 - 完成下單。
進一步進行思考，我們可以把每一步賦予業(yè)務上的涵義，即：廣告投放展示(引起用戶興趣) - 搜索關鍵詞(用戶產生興趣) - 點擊搜索結果(用戶主動發(fā)起動作) - 完成下單(達成預期目的)。
第二步，確定漏斗環(huán)節(jié)與數據采集來源
能夠將用戶的行為進行還原后，我們便可以定下漏斗的環(huán)節(jié)，確定可以分析的數據，并標記數據的來源。
以上述例子為模型，我們可以作如下的區(qū)分：
廣告投放展示(引起用戶興趣)：在不同渠道廣告展示的曝光量、點擊量、點擊用戶數;
搜索關鍵詞(用戶產生興趣)：在電商平臺中，不同關鍵詞所產生的搜索量、搜索用戶數;
點擊搜索結果(用戶主動發(fā)起動作)：在電商平臺中，相應關鍵詞所產生的點擊量、點擊用戶數;
完成下單(達成預期目的)：產生下單行為的用戶數。
第三步，制作漏斗分析模型
從上一步的結果中，我們評估進行可以進行分析的數據維度，并通過報表平臺搭建對應的漏斗圖，展示可以分析的數據。
例如我們可以將渠道作為分析維度，將展示、搜索、點擊過程中產生的曝光量、點擊量作為分析的一個過程，也可以通過點擊/搜索/下單產生的用戶數，作為分析的一個過程，也可以將用戶進行分組，查看分組的結果。
第四步，進行漏斗分析
雖然現在可以進行數據分析了，但在實際的業(yè)務場景中，一種現象并不是單一的數據結果所能夠解釋的，往往需要通過多個角度的分析，來還原一個更準確和全面的答案。
常見的分析過程如下：
其一，查看漏斗轉化率，將結果按照渠道、用戶分組進行查看，找出轉化率明顯偏低的環(huán)節(jié);
其二，分析數據變化的趨勢，按照時間，分析當前階段，在不同日、周、月、季、年下的變化趨勢，找出轉化波動率最大/最小的時間點;
其三，不同維度對比，篩選不同的渠道、用戶分組，將轉化率和變化趨勢進行對比。如果不同渠道數據相差較大，那么原因可能是某些渠道存在作弊情況;如果是不同手機型號存在差異，那么可能是手機的適配性、網速等存在差異;如果是不同的用戶組存在差異，那么根據用戶分組方法的不同，如購買能力、新老用戶，也可以分析出一部分原因。
其次，如果不能夠得出明確的結論，需要再返回之前的步驟，思考是按照關鍵詞進行分類，或者是新增某個環(huán)節(jié)的分析，或者是向其他部門尋求類似場景的分析思路，然后再對剛才的過程進行復盤和優(yōu)化，直到找到最可靠的原因。
根據前文的闡述，我們可以看出，從分析人員的角度出發(fā)，當然是工具越自動化越好，能夠更快的重復步驟，找到原因。但是從數倉或者工程人員的角度出發(fā)，其實這些分析訴求具有高度的不確定性，因此這種高度自動化的平臺很難實現，更傾向于通過“提需求”的方式來人肉完成部分的工作。
從業(yè)務發(fā)展的角度上看，在公司快速發(fā)展的時候，分析師與數倉一體化的配合，走部分人肉的方式是無可厚非的，但當規(guī)模增加到一定程度時，對于成熟穩(wěn)定業(yè)務的支持，就需要有工具做配合了，因為很多深入的分析細節(jié)，人肉的“效費比”太低，人力成本上無法負擔。
0xFF 漏斗分析的進階學習
在學習了一些基本的知識之后，我們還需要將問題進行思考，探討那些更加“自動化”和“科學化”的做事方法。
自動化，是提升做事情的效率、降低人力成本的最有效途徑，在業(yè)務發(fā)展平緩的公司中，漲薪的根源，便是節(jié)約“技術支持”所省下來的成本。
因此，在漏斗分析這件事情上，我們可以把關鍵要素抽象出來，從而為設計自動化的平臺作參考。漏斗分析，可以抽象出三要素：
第一，是時間，指漏斗的轉化周期，是從某一環(huán)節(jié)到其他環(huán)節(jié)所消耗的時長。在實際的業(yè)務過程中，一般需要根據業(yè)務的特定，設定一個合理的轉化周期，如最近30天，超過該周期的就不再認為是一個合理的轉化。這是設計自動化產品首要考慮的因素。
第二，是節(jié)點，指漏斗的每一環(huán)節(jié)的配置方法，在業(yè)務上具備可操作性，同時也是產品的關鍵路徑，方便分析人員自由的搭配查看。
第三，是流量，指人群/用戶的點擊、搜索或某個具體的業(yè)務動作，由于不同人群/用戶在相同漏斗下的轉化是不一樣的，因此需要對人群/用戶進行合理的分組，更清晰定位產品特點，得出合理的解釋。
下一步討論“科學化”的做事，主要指科學歸因的重要性。
漏斗分析，往往與“歸因分析”相關，因為能夠到達關鍵環(huán)節(jié)的動作有很多實際上，業(yè)務流程轉化并非理想中那么簡單。例如用戶下單某一件商品，可能是因為看了電視廣告、可能是因為隨手點擊某個直播鏈接、也可能是因為看了朋友分享的朋友圈直接進行下單。在市場營銷的視角里，市場活動、線上運營、郵件營銷、電商廣告等，都可能觸發(fā)用戶購買。因此需要科學的判斷，這一次的結果，是與哪些“原因”相關，每一次轉化節(jié)點應根據事件功勞差異(事件對轉化的功勞大小)而科學設置。
因此我們往往需要算法的配合，來正確的識別，不同的營銷渠道在用戶購買決策的全流程中，對用戶影響的“功勞”最大、權重較大，能夠直接促進用戶轉化。在進行科學的漏斗分析時，通過歸因權重作為漏斗轉化的依據，能夠大大增大了漏斗分析的科學性。
通過上面兩個例子可以看出，一件事情本身的概念可以是非常簡單的，但簡單不代表其好做，因為實際的業(yè)務是非常復雜的，需要根據不同的情況做各種抽象、匯總和升華，這才是分析真正難做的地方。
在當下，各個工種有相互“卷”的趨勢，比如前端搞后端，后端搞數據，數據搞分析，分析做業(yè)務，但其實只有抓住業(yè)務的本質，才知道這么“卷”下去有沒有前途，而不僅僅是“為了智能化而智能化”。
