数据分析模型之漏斗模型

很早之前就知道漏斗模型，但是仅限于知道的层面，没有做更多的了解和实践运用，后来对漏斗模型的了解稍加深入之后，觉得它不仅仅是一个模型，更是一种可以普遍适用的方法论，或者也可以说是一种思维方式。

本文主要包括漏斗模型是什么、漏斗模型的本质是什么、漏斗模型案例分析以及如何绘制漏斗模型这几部分。

在网上搜了一些漏斗模型的定义，然而并没有发现准确的定义，唯一觉得比较相近的一个东西是“营销漏斗模型”。推测这个模型最早可能来源于营销学，后来过渡到在互联网产品中使用。我们先来看下营销漏斗模型的定义（定义来源于百度百科）：

营销漏斗模型指的是营销过程中，将非用户（也叫潜在客户）逐步变为用户（也叫客户）的转化量化模型。营销漏斗的关键要素包括：营销的环节，相邻环节的转化率。

下图为wiki百科上的一张营销漏斗模型图，从图片上来看，之所以叫做漏斗模型，大概也许可能是因为整体的数据转化趋势呈现出一个漏斗的形状，所以叫做漏斗模型吧。

素材来源于wiki

从上一部分我们得知了漏斗模型是什么，以及漏斗模型的来源是什么，接下来待解决的一个问题就是它的本质是什么，对于不同的人可能会有着不同的答案，这里我只谈一下我个人的理解。

如果让我来回答漏斗模型的本质是什么的话，那我的答案是：

分解和量化。

为什么这么说？我们从营销漏斗模型的定义着手来看一下，上文的定义中提到了衡量营销漏斗模型的两个关键要素，分别指的是营销的环节以及相邻环节的转化率。营销的环节指的是从获取用户到最终转化成购买这整个流程中的一个个子环节，相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。

所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的，整体漏斗模型的核心思想其实可以归为分解和量化。

无独有偶，OKR的核心思想也是这个，即分解和量化。OKR(Objectives and Key Results)全称为“目标和主要成果”，这套系统由英特尔公司制定，在谷歌成立不到一年的时间，被投资者约翰•都尔(John-Doerr)引入谷歌，并一直沿用至今（定义来源于wiki.mbalib）。

OKR首先是设定一个“目标”（Objective），即大O，然后将该目标拆分为若干个子目标，即小O，最后将小O设定为若干个可以量化的“关键结果”（Key Results），用来帮助自己实现目标，即KRS。通过达成量化的KRS来实现小O，最终达成大O，可以看到整个过程中的核心关键也在于分解和量化。

这就是文章开头部分提到的，我觉得漏斗模型不仅仅只是一个模型，更是一种方法论，一种思维方式的原因。可以通过这种分解和量化的形式，将问题进行不断的拆解，最后通过量化的形式来辅助达成目标，或者针对异常的步骤进行调优，最终达到总目标。

这部分将结合互联网产品中比较常见的两个案例来分析一下漏斗模型，第一个是经常会提到的AARRR模型，第二个是电商的购物流程，前者将会是一个简单的定性分析，后者会是一个简单的定量分析。

AARRR模型是指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是互联网产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。

从下面这幅AARRR模型图中，能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比，从而发现对应的问题，最终进行不断的优化迭代。

素材来源于GrowingIO

对于不同产品周期的产品，需要关注的侧重点也是不同的，比如种子期的产品更关注留存率，推广期的产品则更关注转化率、留存率和推荐度，而成熟期、衰退期的产品会更关注活跃度和营收。之前写过一篇关于AARRR模型的文章，下图是文章的主体架构，感兴趣的话，看完本文可以去看下。

产品数据除了UV和PV还需要关注什么？

购物流程是电商中比较常见的一个流程，在这里我们仅考虑主线流程，不考虑分支和异常流程，且订单的流程是需要先加入购物车之后再去支付的，另外也不考虑订单支付完成的后续流程。

在不考虑浏览首页、活动页或者列表页的情况下，可以将整个主流程拆分为如下几个步骤，分别是浏览商品→加入购物车→生成订单→支付订单→支付完成。

下图为我根据各个环节的人数计算出的各环节转化率与整体的转化率，以及绘制的整体的漏斗模型（各步骤数据为虚构），可以看到在各步骤中，从浏览商品到加入购物车环节的转化率最低，仅为40%，次低的为生成订单到支付订单环节，转化率仅为67%。接下来就是分析为什么这两个环节的转化率是最低的，可能的原因是什么。

以添加至购物车环节为例，这里可能需要结合其他的数据指标来进行综合分析，比如页面停留时长、页面跳出率、上级流量来源、历史数据、同行业平均数据等，从而确定是商品本身存在问题，不具有吸引力，还是说添加至购物车的操作步骤存在问题、还是商品详情页与列表页出入过大导致跳出率很高、或者是推荐给了错误的用户群体等等…

通过层层的问题分析，最终找到可能的问题，然后给出对应的解决方案，解决问题之后查看对应的数据指标，最终根据数据的反馈来证实或者证伪猜想，从而进行下一轮的调试，直到达成目标。