漏斗分析模型(漏斗分析模型適用于周期較短環節較少的流程分析對嗎)

漏斗分析模型有哪些？

漏斗分析模型有如下幾種：

1、AARRR模型

從用戶增長各階段入手，包括Acquisition用戶獲取，Activation用戶激活，Retention用戶留存，Revenue用戶產生收入，Refer自傳播。改模型主要應用于互聯網行業。

2、消費漏斗模型

一般用于頁面結構和內容較為復雜的業務，從用戶內容消費和流量走向的角度，宏觀層面用于回答用戶消費什么內容，微觀層面則用于分析影響用戶消費的問題是什么。主要流程是從廣告引流—商品介紹—場景打造—下單購買。

3、電商漏斗模型

典型的用戶購買行為由以下連續的行為構成：瀏覽首頁—瀏覽商品—提交訂單—支付訂單。

4、AIDMA模型

主要的流程是注意 → 興趣 → 欲望 → 記憶 → 行動（購買），適用于品牌營銷。

5、AISAS模型

主要的流程是注意—興趣—搜索—行動—分享，在AIDMA模型的基礎上增加了用戶反饋的環節。

漏斗分析是一套流程式數據分析，它能夠科學反映用戶行為狀態以及從起點到終點各階段用戶轉化率情況的重要分析模型。漏斗分析模型已經廣泛應用于流量監控、產品目標轉化等日常數據運營與數據分析的工作中。

例如在一款產品服務平臺中，直播用戶從激活APP開始到花費，一般的用戶購物路徑為激活APP、注冊賬號、進入直播間、互動行為、禮物花費五大階段，漏斗能夠展現出各個階段的轉化率，通過漏斗各環節相關數據的比較,能夠直觀地發現和說明問題所在，從而找到優化方向。

漏斗分析模型有哪些?

漏斗分析模型有AARRR模型，零售漏斗模型，電商漏斗模型，AIDMA模型。結合產品本身的特點以及產品的生命周期位置，來關注不同的數據指標，最終制定不同的運營策略。分析電商的轉化，我們要做的就是監控每個層級上的用戶轉化，尋找每個層級的優化點。

分析消費者如何從接觸到信息到最后達成購買的一種邏輯。可以借此模型去檢驗品牌的獲客模型是否有效。

漏斗模型的理論基本原理

漏斗分析模型現在主要應用于流量監控、產品目標與數據分析相關的工作中，因為漏斗分析能輕松展現出各個階段的轉化率，可以聚焦用戶選購全流程中最有效轉化路徑，也可以能夠非常清晰的發現問題所在，從而找到優化方向。

讓成單瓶頸無處遁，還可以對比不同用戶群體漏斗分析圖，從差異角度窺視優化思路。

數據分析方法6—漏斗分析模型

        漏斗模型是一套流程式數據分析，它能夠科學反映用戶行為狀態以及從起點到終點各階段用戶轉化率情況，是一種重要的分析模型。

漏斗分析模型已經廣泛應用于網站和APP用戶行為分析的流量監控、電商行業、零售的購買轉化率、產品營銷和銷售等日常數據運營與數據分析的工作中。

        例如：漏斗模型在電商網站中的應用，用戶從首頁進入最終完成支付的行為，大多需要經過幾個環節，從商品/瀏覽分類——查看商品詳情——加入購物車——生成訂單——開始支付——完成支付——回購商品。這其中的每個環節都有一定的轉化率，我們需要做的是監控用戶在流程上各個層次的行為路徑，尋找每個層級的可優化點，提高用戶在每個層級之間的轉化率，最終來提高GMV。

對于業務流程相對規范，周期較長、環節較多的流程進行分析，能夠直觀地發現和說明問題所在，可以更快地找出某個環節的轉化率出現問題。

1、企業可以監控用戶在各個層級的轉化情況。

降低流失是運營人群的重要目標，通過不同層級的情況，迅速定位流失環節，針對性持續分析找到可優化點，如此提升用戶留存率

科學的漏斗分析能夠展現轉化率趨勢的曲線，能幫助企業精細地捕捉用戶行為變化，提升了轉化分析的精度和效率，對選購流程的異常定位和策略調整效果驗證有科學指導意義。

3、不同屬性的用戶群體漏斗比較

漏斗對比分析是科學漏斗分析的重要一環，運營人員可以通過不同屬性的用戶群體（如新注冊用戶與老客戶）各環節轉化率，各流程步驟轉化率的差異對比，了解轉化率最高的用戶群體，分析漏斗合理性，并針對轉化率異常環節進行調整。

漏斗模型大致可分為以下幾種：

1、AARRR模型：

        從用戶增長各階段入手，包括Acquisition用戶獲取，Activation用戶激活，Retention用戶留存，Revenue用戶產生收入，Refer自傳播。改模型主要應用于互聯網行業

2，消費漏斗模型：

        一般用于頁面結構和內容較為復雜的業務，從用戶內容消費和流量走向的角度，宏觀層面用于回答用戶消費什么內容，微觀層面則用于分析影響用戶消費的問題是什么。主要流程是從 廣告引流—商品介紹—場景打造—下單購買

3，電商漏斗模型：

典型的用戶購買行為由以下連續的行為構成： 瀏覽首頁—瀏覽商品—提交訂單—支付訂單 。

當我們期望觀察各步驟間及總體轉化率，可按以下步驟進行：

4、AIDMA模型：

主要的流程是 注意 → 興趣 → 欲望 → 記憶 → 行動（購買） ，適用于品牌營銷。

5、AISAS模型：

主要的流程是 注意-興趣-搜索-行動-分享 ，在AIDMA模型的基礎上增加了用戶反饋的環節

操作網站：神策數據：https://manual.nsorsdata.cn/sa/latest/%E6%BC%8F%E6%96%97%E5%88%86%E6%9E%90-7540780.html

什么是漏斗分析？有什么作用

漏斗分析是通過將用戶行為起始的各個行為節點作為分析模型節點，來衡量每個節點的轉化效果。APP運營可使用漏斗分析模型梳理業務的關鍵流程環節，定位用戶轉化提升的關鍵環節，及時對低轉化率環節進⾏優化，提升用戶轉化效率。
例如，電商類APP用戶付費流程通常為：用戶登錄--瀏覽商品頁面--點擊立即購買--完成付款。針對用戶付費轉化進行分析，我們可以將該付費流程中的各個節點，定義為用戶付費行為漏斗分析的節點，建立用戶付費轉化的漏斗分析，助力運營快速評估、發現有待提升的環節，進行針對性的優化，高效提升用戶轉化率。同時也能為后續產品運營優化提供數據支撐，打造APP運營數據閉環。

個推·用戶運營為APP提供事件分析、漏斗分析、自定義分析等十余種數據分析模型，幫助產品運營更好進行產品迭代效果分析、運營效果分析、路徑轉化分析等多場景分析。目前，個推·用戶運營產品限時免費中，歡迎您免費體驗

漏斗分析

常見用戶行為分析模型解析(轉)之漏斗分析模型

refer1: https://www.douban.com/group/topic/113056536/
refer2: http://www.woshipm.com/data-analysis/697156.html

現代營銷觀念認為：“營銷管理重在過程，控制了過程就控制了結果。”用戶行為分析之漏斗分析模型是企業實現精細化運營、進行用戶行為分析的重要數據分析模型，其精細化程度影響著營銷管理的成敗，以及用戶行為分析的精準度。粗陋的漏斗分析模型因為過程管理不透明、數據分析不精細、用戶行為分析不科學而造成結果失控。因此，我們經常能夠聽到一些產品經理的抱怨不絕于耳：從啟動 APP 到“支付成功”，用戶轉化率為何僅僅 0.8 %？

究竟什么是漏斗分析？漏斗分析是一套流程式數據分析，它能夠科學反映用戶行為狀態以及從起點到終點各階段用戶轉化率情況的重要分析模型。

漏斗分析模型已經廣泛應用于流量監控、產品目標轉化等日常數據運營與數據分析的工作中。例如在一款產品服務平臺中，直播用戶從激活APP開始到花費，一般的用戶購物路徑為激活APP、注冊賬號、進入直播間、互動行為、禮物花費五大階段，漏斗能夠展現出各個階段的轉化率，通過漏斗各環節相關數據的比較,能夠直觀地發現和說明問題所在，從而找到優化方向。

對于業務流程相對規范、周期較長、環節較多的流程分析,能夠直觀地發現和說明問題所在。值得強調的是，漏斗分析模型并非只是簡單的轉化率的呈現，科學的漏斗分析模型能夠實現以下價值：

1.企業可以監控用戶在各個層級的轉化情況，聚焦用戶選購全流程中最有效轉化路徑；同時找到可優化的短板，提升用戶體驗。

降低流失是運營人員的重要目標，通過不同層級的轉情況，迅速定位流失環節，針對性持續分析找到可優化點，如此提升用戶留存率。

2.多維度切分與呈現用戶轉化情況，成單瓶頸無處遁形。

科學的漏斗分析能夠展現轉化率趨勢的曲線，能幫助企業精細地捕捉用戶行為變化。提升了轉化分析的精度和效率,對選購流程的異常定位和策略調整效果驗證有科學指導意義。

3.不同屬性的用戶群體漏斗比較，從差異角度窺視優化思路。

漏斗對比分析是科學漏斗分析的重要一環。運營人員可以通過觀察不同屬性的用戶群體（如新注冊用戶與老客戶、不同渠道來源的客戶）各環節轉化率，各流程步驟轉化率的差異對比，了解轉化率最高的用戶群體，分析漏斗合理性，并針對轉化率異常環節進行調整。

先談歸因

在科學的漏斗分析中，需要科學歸因設置。每一次轉化節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。企業一直致力定義最佳用戶購買路徑，并將資源高效集中于此。而在企業真實的漏斗分析中，業務流程轉化并非理想中那么簡單。

以市場營銷為例，市場活動、線上運營、郵件營銷都可能觸發用戶購買。A 欲選購一款化妝品，通過市場活動了解 M 產品，后來在百度貼吧了解更多信息，但是始終沒有下定決心購買。后來收到 M 公司的營銷郵件，A 被打折信息及詳實的客戶評價所吸引，直接郵件內跳轉至網站購買了該商品。

那么，在漏斗設置時，轉化歸因應該“歸”哪一個渠道呢？在這個案例中，運營人員愿意以實際轉化的事件的屬性為準。郵件營銷的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，直接促進用戶轉化。在科學的漏斗分析模型中，用戶群體篩選和分組時，以實際轉化事件——郵件營銷來源的用戶群體的屬性為準，則大大增大了漏斗分析的科學性。

再一起看屬性關聯

在進行漏斗分析時，尤其電商行業的數據分析場景中，運營人員在定義“轉化”時，會要求漏斗轉化的前后步驟有相同的屬性值。比如同一 ID（包括品類 ID、商品 ID）才能作為轉化條件——瀏覽 iphone6，購買同一款 iphone6 才能被定義為一次轉化。因此，“屬性關聯”的設置功能是科學漏斗分析不可或缺的內容。

漏斗模型實操

漏斗模型作為數據分析的一種常用方法，主要作用于流程的分布分析，比如用戶的登錄注冊流程、電商的下單支付流程。漏斗模型雖然看似簡單，但是能夠有效的幫助我們定位問題，是一種很有效的基礎分析手段。

具體的實操可以分為五個流程：

選擇時間 。首先我們需要確認數據的時間范圍，漏斗模型是屬于縱向分析，因此要根據產品形態定義好想要的時間范圍，盡可能剔除特殊時間，比如分析日常的訂單轉化率，就要剔除掉促銷活動期間的數據。

樣本規模 。樣本的規模會導致結論的偏差，反推大數定律，少量的數據是很容易造成誤導的，因此要確定好樣本的規模，社會心理學中說大約2000人就能有較為準確的結論，這一推論僅供參考。大部分C端產品的樣本規模應該不是問題，B端的人數較少，就需要慎重考慮下樣本規模的影響了。

建立模型需要確定幾個字段：層數、指標、事件名稱、事件ID、衡量方法。

層數 其實也就是流程有幾步，這個是和業務息息相關的。

指標 主要是流程的命名。

事件名稱 和 事件ID 。這個要結合具體的打點規則，我個人是需要通過事件名稱和ID來進行檢索回溯，確保這個事件的數據不會有歧義。

衡量方法 。有些數據是公司內部分析，有些可能是第三方分析工具，比如友盟，不同的數據來源統計方式是會有差別的，防止在進行回溯的時候會對數據的來源不清楚。

這個是所有數據分析必不可少的一步，因為在實際過程中，可能有各種數據問題，比如事件選錯了、同一個事件沒有區分來源、數據統計有誤等等。一切的數據分析都是建立在數據準確之上，可以根據事件名稱和ID來進行校驗，如果發現異常及時去和開發確認問題。

之前的一切準備工作做好后，就可以直接套用漏斗模型進行分析了，在形成圖表之后，需要思考一下幾個問題：

確定基線 。設計尚未改動時統計數據就是基線，是改進的參照點。我們需要收集長期數據來確定基線，防止意外數據波動的影響。

分析用戶流失 。數據展示相關性，具體的因果性還要深入到業務中去思考，比如文案提示是否合適，UI交互是否合理，跳轉步驟是不是反人類等等，可以觀察用戶使用、做用戶調研等方式來發掘問題。

分析變化點 。改進之后，與基線進行校準，對比下效果，盡量減少數據波動以及其他因素的干擾。如果數據明顯得到提升，那么恭喜你改動是正確的，相反就要重新考慮設計方案。

改進方案 。如果分析完后，發現還有提高的空間，可以記錄進一步的方案，做二次分析優化。每次的改動盡量少，這樣才能更加準確評估每個設計改進點的效果，小步快跑的持續改進會更有利于方案的優化。

在進行分析完畢后，同樣要對模型進行優化，一方面不同的模型應該在不同的業務形態中不斷變化達到最適合的狀態，另一方面在之前的分析中可能粒度太粗，需要進一步細化。

比如說，我們在注冊環節流失率很高，之前的模型只是記錄了注冊成功的點，但是注冊本身還分為很多環節，比如忘記密碼、第三方注冊，輸入賬號密碼等等，拆解出更加細節的環節，配合小步迭代，能夠對每一個細節都了如指掌，就不會出現拍腦袋或者懵逼的狀態了。