来 源：一个数据人的自留地
漏斗分析是一套流程式的数据分析方法，能够科学地反映各阶段用户转化情况。
漏斗分析模型已经广泛应用于用户行为分析类产品，且功能十分强大：它可以评估总体或各个环节的转化情况、促销活动效果；也可以与其他数据分析模型结合进行深度用户行为分析（如多维下钻分析、用户分群、对比分析等），从而找到用户流失的原因，以提升用户量、活跃度、留存率。
漏斗分析最常用的两个互补型指标是转化率和流失率。举电商的栗子，如上图所示，假如有100人访问某电商网站，有27人支付成功。这个过程共有5步，第一步到第二步的转化率为88%，流失率为12%，第二步到第三步转化率为32%，流失率68%……以此类推。整个过程的转化率为27%，流失率为73%。该模型就是经典的漏斗分析模型。
今天，我们还原几个漏斗模型的原貌，让大家对自己产品的漏斗转化有一个更清晰的认识。根据漏斗分析自身特性，我们需要注意三个要点：
1、时间
时间，特指漏斗分析的转化窗口期。窗口期是指用户完成转化的时间，用户在设定的窗口期内完成完整的转化流程才算做转化成功。举个例子，窗口期设为10分钟的话，“点击视频”为起始事件，选择“视频加载”、“视频播放”、“视频播放完成”为漏斗事件。用户“点击视频”后，10分钟内，用户按顺序完成所有的所选事件，才会被算作完成转化的用户。如果在10分钟内，用户仅完成了“视频加载”事件，那么该用户被算作是在“视频加载”->“视频播放”过程中流失的用户。
2、事件
每一层漏斗，就是一个漏斗事件。其中，最核心的指标就是转化率，公式如下：
转化率 = 本层事件转化人数/上层事件转化人数
3、用户
我们可以在相同的转化漏斗下，通过属性对用户进行划分，快速查看不同类型用户的转化情况。
比较经典的漏斗分析模型有两种：一种是「用户注册流程」，一种是「平台付费转化」。
「用户注册流程」，给大家粗略地勾勒一个用户行为漏斗：
运营过程中，如果我们发现某一天的注册用户数出现波动，除了去查一下市场渠道及广告投放，产品本身的注册功能也可能是出现这个问题的重要因素。
如「平台付费转化」，转化漏斗大致如下：
以上的转化漏斗都没有一个定论，需要大家根据自身的业务实际情况来制定自己的转化漏斗。
此外，对于产品的非功能界面，比如某个活动页，公司简介页等等，用户可能不会按照我们既定的流程到达，那么就要根据自身目标来确认这类非功能界面的转化流程。
当然，数据只有在比较中才有价值。我们需要对于同行业同类数据的转化情况了如指掌，在不低于行业平均水准的情况下，尽可能降低转化过程中的用户流失。
本文将利用 FineBI 对「平台付费转化」进行分析，做一个实操讲解。
数据导入
找到 FineBI 内置的数据集「电商转化分析」，并用它创建自助数据集，如下图所示：
统计不同行为阶段用户数
点击「+>分组汇总」，将行为阶段分别拖入分组和汇总栏，汇总栏选择「记录个数」，如下图所示：
排序
添加「新增列」，对「行为阶段1」进行降序排名。如下图所示：
这样我们就对所有的用户行为的前后顺序进行了一个排名。
添加「新增列」功能，命名为「排名合并列」，输入公式：排序-1，以便后续进行左右合并，点击「确定」，为自助数据集表命名为「转化率数据集-准备」并保存，如下图所示：
左右合并
新建自助数据集，并选择 2.3 节创建好的自助数据集，勾选除「排序」外的其他字段，如下图所示：
添加「左右合并」，选择2.3 节创建好的自助数据集，勾选合并字段为「排序」和「行为阶段1」，点击「确定」，如下图所示：
选择合并方式为「并集合并」，合并依据为「排名合并列」和「排序」，如下图所示：
命名自助数据集为「转化漏斗数据」并保存。
此时已经计算出不同阶段转化数据，只需要在仪表板界面将「行为阶段1」与「转化率数据集-准备-行为阶段1」相除即可得到不同阶段转化率。
创建计算字段
创建仪表板，点击「确定」，选择「转化漏斗数据」，点击「确定」，如下图所示：
点击「+」添加计算字段，命名字段为「转化率」，输入公式行为阶段1/转化率数据集-准备-行为阶段1，点击「确定」，如下图所示：
创建漏斗图
选择图表类型为漏斗图，将「行为阶段」维度字段拖入「颜色栏」，也可对行为阶段颜色进行自定义，并设置过滤条件为「不为空」，点击「确定」，如下图所示：
将「行为阶段1」拖入大小栏中，并修改名字为「人数」，将「行为阶段」、[转化率]、「行为阶段1」拖入标签栏，修改「行为阶段」名字为「最后行为阶段」，并设置颜色字体等，将「行为阶段」拖入细粒度，并按照[人数]降序排列，如下图所示：
结论分析
首先是用户从浏览商品行为到添加购物车行为这一流程的转化情况，通过漏斗图可以快速看出其转化率为51.22%，反映出该平台的商品介绍、图片描述等对用户有较强的吸引力；
然后是添加购物车到下单的转化率，可以看出其转化率高达99.66%；
但付款的转化率仅 50.34%，这是一个值得反思的转化节点，通过数据分析猜测该平台商铺支付渠道不完善，需要增加例如支付宝、微信等快捷支付渠道，降低平台因为没有提供用户习惯性的支付渠道而导致用户放弃购买行为的几率。
现实的世界，并非是简单的数据逻辑结构，很多结果都是多种原因综合导致的。
站在多种角度去分析同一个问题，往往可以得到一个更全面准确的答案。
下面我们将结合漏斗的三个要点来做一个深度案例分析，通过运用数据分析的经典方法“拆分”与“对比”定位问题，给出解决方案。
1、发现问题节点
举个例子（以下数据均为非真实数据），下图是某电商App的转化漏斗。我们可以看到，「提交订单」的事件之前的转化率都比较高，但从「提交订单」到「支付订单」的流程中，转化率急剧降低至7%，「支付订单」可能就是需要改进的地方。
tip：转化率低的节点，通常就是问题所在。
2、问题分析
确定问题节点为「支付订单」后，我们开始分析该界面数据。研究单一界面，可以使用的分析方法包括：
在事件分析中查看「支付订单」事件的各项指标数据，例如停留时长等。
在事件分析中，进一步进行多维分析。
如对「支付订单」总人数这一指标的公共属性进行对比分析，如新老用户、App版本型号、手机品牌等，看是否有明显的异常。
我们发现：用户在点击「支付订单」的停留时间长达105秒，这与所需经验时长不符。
3、问题拆分
因为用户在「支付订单」阶段停留的时间过长，我们开始排查问题。
随后我们发现，我们在分析时漏掉了转化漏斗的一个层级，“提交订单->支付订单”应该更正为“提交订单->选择付款方式->支付订单”。重新审视转化漏斗后我们发现，「选择付款方式」到「支付订单」的转化率较低，为9%。
通过对问题拆分，我们重新定位问题节点为「选择付款方式」到「支付订单」。
tip：对问题进行拆分，可以帮助我们深入理解问题。
4、数据对比
问题聚焦到「选择付款方式」到「支付订单」这一环节后，我们开始分析「付款成功」和「付款失败」的用户有什么不同。观察不同手机品牌用户的付款情况时，我们发现：
如上图所示，使用1、2两种品牌手机的用户，“付款失败”的比例较高。将品牌1、2的手机与其他品牌手机对比后，我们发现，这两个品牌的手机相对小众、低端。
而后，我们测试了品牌1和品牌2的几个机型，针对「选择付款方式」界面进行体验，发现存在以下问题：
App适配存在问题：App主要适配了主流机型，没有考虑到小众机型兼容性差的问题；
界面卡顿严重：长达15秒以上的空白界面，严重消耗用户耐心。
于是我们做出以下改善：
紧急上线针对小众品牌手机的修复版本；
优化界面加载速度。
包括切割、压缩、删减图片，优化框架，增加预加载策略等，让「选择付款方式」这一界面的加载速度提升至5秒以内；
优化等待界面。用户选择完付款方式，等待付款成功的过程中，在页面上增加等待动画，给用户卖个萌，降低用户等待时的焦虑感。
5、效果验证
界面优化后，我们的漏斗转化流程有明显改善：
通过我们的改善动作，「选择付款方式」到「支付订单」的转化率，从之前的9%上升到了63% ，这是一个非常大的收益。
PS：在转化漏斗的改进中，还可以对界面之间的流转效果进行分析，删去一些不必要的环节，从而提升漏斗转化率。
漏斗分析是用来分析问题的方法，更重要的是，案例背后进行数据分析的思考方式：
通过对比分析，找出数据的差异，定位异常数据；
通过拆分问题，把复杂事件拆分，精准找到原因。
- END -
爱数据福利大放送
扫描/识别下方二维码后
回复【120】即可领取
《用户增长资料包》
用户留存关键指标+手段高清思维导图
1张表展示：产品运营数据分析驱动增长（AARRR）框架模型
实战案例：喜马拉雅用户增长攻略
▲用户留存关键指标+手段高清思维导图
▲1张表展示：产品运营数据分析驱动增长（AARRR）框架模型
▲实战案例：喜马拉雅用户增长攻略
点击【阅读原文】测一测你适合做数据分析吗？
