漏斗模型实操

漏斗模型作为数据分析的一种常用方法，主要作用于流程的分布分析，比如用户的登录注册流程、电商的下单支付流程。漏斗模型虽然看似简单，但是能够有效的帮助我们定位问题，是一种很有效的基础分析手段。

具体的实操可以分为五个流程：

• 确立要素
• 建立模型
• 校验数据
• 形成分析
• 模型优化

确立要素

选择时间。首先我们需要确认数据的时间范围，漏斗模型是属于纵向分析，因此要根据产品形态定义好想要的时间范围，尽可能剔除特殊时间，比如分析日常的订单转化率，就要剔除掉促销活动期间的数据。

样本规模。样本的规模会导致结论的偏差，反推大数定律，少量的数据是很容易造成误导的，因此要确定好样本的规模，社会心理学中说大约2000人就能有较为准确的结论，这一推论仅供参考。大部分C端产品的样本规模应该不是问题，B端的人数较少，就需要慎重考虑下样本规模的影响了。

image.png

建立模型

建立模型需要确定几个字段：层数、指标、事件名称、事件ID、衡量方法。

层数其实也就是流程有几步，这个是和业务息息相关的。

指标主要是流程的命名。

事件名称和事件ID。这个要结合具体的打点规则，我个人是需要通过事件名称和ID来进行检索回溯，确保这个事件的数据不会有歧义。

衡量方法。有些数据是公司内部分析，有些可能是第三方分析工具，比如友盟，不同的数据来源统计方式是会有差别的，防止在进行回溯的时候会对数据的来源不清楚。

image.png

校验数据

这个是所有数据分析必不可少的一步，因为在实际过程中，可能有各种数据问题，比如事件选错了、同一个事件没有区分来源、数据统计有误等等。一切的数据分析都是建立在数据准确之上，可以根据事件名称和ID来进行校验，如果发现异常及时去和开发确认问题。

形成分析

之前的一切准备工作做好后，就可以直接套用漏斗模型进行分析了，在形成图表之后，需要思考一下几个问题：

确定基线。设计尚未改动时统计数据就是基线，是改进的参照点。我们需要收集长期数据来确定基线，防止意外数据波动的影响。

分析用户流失。数据展示相关性，具体的因果性还要深入到业务中去思考，比如文案提示是否合适，UI交互是否合理，跳转步骤是不是反人类等等，可以观察用户使用、做用户调研等方式来发掘问题。

分析变化点。改进之后，与基线进行校准，对比下效果，尽量减少数据波动以及其他因素的干扰。如果数据明显得到提升，那么恭喜你改动是正确的，相反就要重新考虑设计方案。

改进方案。如果分析完后，发现还有提高的空间，可以记录进一步的方案，做二次分析优化。每次的改动尽量少，这样才能更加准确评估每个设计改进点的效果，小步快跑的持续改进会更有利于方案的优化。

image.png image.png

模型优化

在进行分析完毕后，同样要对模型进行优化，一方面不同的模型应该在不同的业务形态中不断变化达到最适合的状态，另一方面在之前的分析中可能粒度太粗，需要进一步细化。

比如说，我们在注册环节流失率很高，之前的模型只是记录了注册成功的点，但是注册本身还分为很多环节，比如忘记密码、第三方注册，输入账号密码等等，拆解出更加细节的环节，配合小步迭代，能够对每一个细节都了如指掌，就不会出现拍脑袋或者懵逼的状态了。

原作者：醉起萧寒