浅谈漏斗分析

大数据 数据分析
说起数据分析,很多人把精力放在了各种高大上的数据模型上。事实上,比较常见的一些数据分析方法,往往都不是什么非常高深的学问,在实践中,涉及到的方法论或者复杂性,其实是远低于学校里学习的专业知识。

[[414917]]

本文转载自微信公众号「晓阳的数据小站」,作者晓阳的数据小站。转载本文请联系晓阳的数据小站公众号。

0x00 什么是漏斗分析

说起数据分析,很多人把精力放在了各种高大上的数据模型上。事实上,比较常见的一些数据分析方法,往往都不是什么非常高深的学问,在实践中,涉及到的方法论或者复杂性,其实是远低于学校里学习的专业知识。而我们非常看重数据分析,本质是看重“数据”,以及利用数据来做的“分析”,好的结论不一定有多么高大上的模型,但它一定有数据作为支持。

现如今我们所做的各种决策,都在强调数据的重要性,不论是市场调研的数据,还是产品上线后的用户数据,都贯穿了产品研发的整个生命周期。

今天我们来讲一个原理非常简单,但却非常实用的分析方法:漏斗分析。

说起漏斗分析,这是数据领域最常见的一种“程式化”数据分析方法,它能够科学的评估一种业务过程,从起点到终点,各个阶段的转化情况。通过可以量化的数据分析,帮助业务找到有问题的业务环节,并进行针对性的优化。

在电商模式中,提到“转化率”,就往往配有一张“漏斗分析图”作为辅助的说明。这是因为在电商模式下,我们所做的每一项活动,都与用户有着直接或者间接的联系,而我们活动的本质也都是一样的:为了让用户成为持久的消费者。

因此,当我们分析用户从进入产品到完成消费的过程时,可以大体分为如下几个关键步骤:进入首页、查看商品页、加入购物车、进入支付页面、成功支付。通过分析每个阶段的转化率和流失率,能够直观地发现很多问题,进而找到提升KPI的方法。

0x01 漏斗分析的作用

漏斗分析,是一个非常经典的模型,自问世以来,衍生出了诸如AARRR用户增长模型、SICAS用户行为消费模型等衍生版本,基本上是各类分析报表的标配。大多数据互联网产品,其本身的商业逻辑就是一个虚拟的漏斗,而我们的目的就在于如何让用户顺利的到达我们所设定的“目标行为”,如支付、注册。

例如,在用户运营领域,漏斗对于用户行为的分析而言,是非常有必要的。在产品上线后,关键的业务路径,都要进行漏斗分析,判断每个环节的设计是否存在缺陷。典型的如用户注册场景,从引导 - 注册 - 分享 - 进入首页,往往在分享这个环节,转化率非常低,那么我们就要考虑是否放弃这个环节,或者有什么其他的优化动作。

例如,在自媒体运营方向,假设一个自媒体账号有10W粉丝,发送一篇文章获得1W阅读,大约有1K用户收藏了文章,最后由100用户进行了付费打赏。那么这个10W - 1W - 1K - 100也是典型的漏斗环节,用户付费转化率就是0.1%。如果需要提升付费转化率,需要以这个数据作为依据,来判断到底是应该打广告来增加阅读量,还是引导用户多收藏文章。

以上是两个非常简单的例子,在具备一定规模的公司中,通常都有非常多类似的问题,是迫切需要进行分析解答的,包括但不限于:

  1. 为什么注册步骤转化率非常低?
  2. 为什么很多人下单了却没有支付?
  3. 为什么某个渠道量很大,但点击率却非常低?
  4. 如果不做浏览器的适配,那么会损失多大的用户规模?
  5. 进入首页却没有下单的用户,接下来都去了哪里?...

一个设计科学的漏斗分析体系,能够快速解答和分析这些问题,是可以实实在在的改善业务、提升业务收入的。

漏斗分析的作用,有两个大的特点:

其一,漏斗分析,能够梳理业务的关键流程环节,监控用户、流量在各个业务阶段的转化情况,及时对低转化率环节进行分析,定位流失的关键环节,进行持续的优化。

其二,漏斗分析,往往配合多维度之间的对比,针对不同的人群、渠道做差异化的分析,如新用户、老客户,如新渠道、老渠道,分析转化率最好和最差的维度,从而提升运营精度和效率。

接下来我们讲解一下如何进行“漏斗分析”。

0x02 如何进行漏斗分析

按照惯例,我们通过“分解”的形式,来一步一步的阐述这个分析过程。

第一步,还原业务关键过程

前文提到过,漏斗分析是针对业务的关键流程环节,做洞察和分析。因此在进行分析前,我们首先需要还原这个业务过程的关键步骤,并验证其是否是可以通过漏斗进行分析。

例如,在电商广告场景下,广告主可以通过各种方法,向用户宣传自己的产品。这时候,用户会根据宣传的曝光词,点击搜索框进入到搜索页面,这时候会根据平台提示的关键词进行搜索,或者是主动发起搜索,到达搜索呈现的结果页之后,再进行相应的点击行为,并完成最终下单。

这个时候我们可以确定一条从搜索到展示的关键路径:广告投放展示 - 搜索关键词 - 点击搜索结果 - 完成下单。

进一步进行思考,我们可以把每一步赋予业务上的涵义,即:广告投放展示(引起用户兴趣) - 搜索关键词(用户产生兴趣) - 点击搜索结果(用户主动发起动作) - 完成下单(达成预期目的)。

第二步,确定漏斗环节与数据采集来源

能够将用户的行为进行还原后,我们便可以定下漏斗的环节,确定可以分析的数据,并标记数据的来源。

以上述例子为模型,我们可以作如下的区分:

广告投放展示(引起用户兴趣):在不同渠道广告展示的曝光量、点击量、点击用户数;

搜索关键词(用户产生兴趣):在电商平台中,不同关键词所产生的搜索量、搜索用户数;

点击搜索结果(用户主动发起动作):在电商平台中,相应关键词所产生的点击量、点击用户数;

完成下单(达成预期目的):产生下单行为的用户数。

第三步,制作漏斗分析模型

从上一步的结果中,我们评估进行可以进行分析的数据维度,并通过报表平台搭建对应的漏斗图,展示可以分析的数据。

例如我们可以将渠道作为分析维度,将展示、搜索、点击过程中产生的曝光量、点击量作为分析的一个过程,也可以通过点击/搜索/下单产生的用户数,作为分析的一个过程,也可以将用户进行分组,查看分组的结果。

第四步,进行漏斗分析

虽然现在可以进行数据分析了,但在实际的业务场景中,一种现象并不是单一的数据结果所能够解释的,往往需要通过多个角度的分析,来还原一个更准确和全面的答案。

常见的分析过程如下:

其一,查看漏斗转化率,将结果按照渠道、用户分组进行查看,找出转化率明显偏低的环节;

其二,分析数据变化的趋势,按照时间,分析当前阶段,在不同日、周、月、季、年下的变化趋势,找出转化波动率最大/最小的时间点;

其三,不同维度对比,筛选不同的渠道、用户分组,将转化率和变化趋势进行对比。如果不同渠道数据相差较大,那么原因可能是某些渠道存在作弊情况;如果是不同手机型号存在差异,那么可能是手机的适配性、网速等存在差异;如果是不同的用户组存在差异,那么根据用户分组方法的不同,如购买能力、新老用户,也可以分析出一部分原因。

其次,如果不能够得出明确的结论,需要再返回之前的步骤,思考是按照关键词进行分类,或者是新增某个环节的分析,或者是向其他部门寻求类似场景的分析思路,然后再对刚才的过程进行复盘和优化,直到找到最可靠的原因。

根据前文的阐述,我们可以看出,从分析人员的角度出发,当然是工具越自动化越好,能够更快的重复步骤,找到原因。但是从数仓或者工程人员的角度出发,其实这些分析诉求具有高度的不确定性,因此这种高度自动化的平台很难实现,更倾向于通过“提需求”的方式来人肉完成部分的工作。

从业务发展的角度上看,在公司快速发展的时候,分析师与数仓一体化的配合,走部分人肉的方式是无可厚非的,但当规模增加到一定程度时,对于成熟稳定业务的支持,就需要有工具做配合了,因为很多深入的分析细节,人肉的“效费比”太低,人力成本上无法负担。

0xFF 漏斗分析的进阶学习

在学习了一些基本的知识之后,我们还需要将问题进行思考,探讨那些更加“自动化”和“科学化”的做事方法。

自动化,是提升做事情的效率、降低人力成本的最有效途径,在业务发展平缓的公司中,涨薪的根源,便是节约“技术支持”所省下来的成本。

因此,在漏斗分析这件事情上,我们可以把关键要素抽象出来,从而为设计自动化的平台作参考。漏斗分析,可以抽象出三要素:

第一,是时间,指漏斗的转化周期,是从某一环节到其他环节所消耗的时长。在实际的业务过程中,一般需要根据业务的特定,设定一个合理的转化周期,如最近30天,超过该周期的就不再认为是一个合理的转化。这是设计自动化产品首要考虑的因素。

第二,是节点,指漏斗的每一环节的配置方法,在业务上具备可操作性,同时也是产品的关键路径,方便分析人员自由的搭配查看。

第三,是流量,指人群/用户的点击、搜索或某个具体的业务动作,由于不同人群/用户在相同漏斗下的转化是不一样的,因此需要对人群/用户进行合理的分组,更清晰定位产品特点,得出合理的解释。

下一步讨论“科学化”的做事,主要指科学归因的重要性。

漏斗分析,往往与“归因分析”相关,因为能够到达关键环节的动作有很多实际上,业务流程转化并非理想中那么简单。例如用户下单某一件商品,可能是因为看了电视广告、可能是因为随手点击某个直播链接、也可能是因为看了朋友分享的朋友圈直接进行下单。在市场营销的视角里,市场活动、线上运营、邮件营销、电商广告等,都可能触发用户购买。因此需要科学的判断,这一次的结果,是与哪些“原因”相关,每一次转化节点应根据事件功劳差异(事件对转化的功劳大小)而科学设置。

因此我们往往需要算法的配合,来正确的识别,不同的营销渠道在用户购买决策的全流程中,对用户影响的“功劳”最大、权重较大,能够直接促进用户转化。在进行科学的漏斗分析时,通过归因权重作为漏斗转化的依据,能够大大增大了漏斗分析的科学性。

通过上面两个例子可以看出,一件事情本身的概念可以是非常简单的,但简单不代表其好做,因为实际的业务是非常复杂的,需要根据不同的情况做各种抽象、汇总和升华,这才是分析真正难做的地方。

在当下,各个工种有相互“卷”的趋势,比如前端搞后端,后端搞数据,数据搞分析,分析做业务,但其实只有抓住业务的本质,才知道这么“卷”下去有没有前途,而不仅仅是“为了智能化而智能化”。

 

责任编辑:武晓燕 来源: 晓阳的数据小站
相关推荐

2023-02-01 23:00:42

大数据

2017-09-28 16:31:02

大数据数据分析漏斗模型

2022-02-21 17:35:50

漏斗模型流程数据

2014-08-29 15:16:41

SDN

2021-08-19 09:17:12

IOT物联网设备分析

2020-08-31 07:00:00

Android安卓日志分析

2014-08-07 09:24:08

Process

2010-04-16 11:17:33

hints调整

2009-06-30 16:51:56

2011-05-16 14:54:12

测试用例

2016-05-10 10:43:02

2021-07-02 14:07:00

可视化Plotly漏斗图

2023-09-11 11:38:53

漏斗工具模型

2012-08-08 09:00:29

数据分析师

2009-12-22 17:46:56

Fedora 9嵌入式

2021-02-11 14:36:13

入侵防御系统

2011-05-19 08:57:41

软件开发项目

2021-08-26 10:24:52

Linux 系统分析高负载

2023-01-17 07:35:00

2018-03-15 14:18:32

润乾漏斗转换集算示例
点赞
收藏

51CTO技术栈公众号