漏斗分析模型(漏斗分析模型适用于周期较短环节较少的流程分析对吗)

漏斗分析模型有哪些？

漏斗分析模型有如下几种：

1、AARRR模型

从用户增长各阶段入手，包括Acquisition用户获取，Activation用户激活，Retention用户留存，Revenue用户产生收入，Refer自传播。改模型主要应用于互联网行业。

2、消费漏斗模型

一般用于页面结构和内容较为复杂的业务，从用户内容消费和流量走向的角度，宏观层面用于回答用户消费什么内容，微观层面则用于分析影响用户消费的问题是什么。主要流程是从广告引流—商品介绍—场景打造—下单购买。

3、电商漏斗模型

典型的用户购买行为由以下连续的行为构成：浏览首页—浏览商品—提交订单—支付订单。

4、AIDMA模型

主要的流程是注意 → 兴趣 → 欲望 → 记忆 → 行动（购买），适用于品牌营销。

5、AISAS模型

主要的流程是注意—兴趣—搜索—行动—分享，在AIDMA模型的基础上增加了用户反馈的环节。

漏斗分析是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。漏斗分析模型已经广泛应用于流量监控、产品目标转化等日常数据运营与数据分析的工作中。

例如在一款产品服务平台中，直播用户从激活APP开始到花费，一般的用户购物路径为激活APP、注册账号、进入直播间、互动行为、礼物花费五大阶段，漏斗能够展现出各个阶段的转化率，通过漏斗各环节相关数据的比较,能够直观地发现和说明问题所在，从而找到优化方向。

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，电商漏斗模型，AIDMA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。分析电商的转化，我们要做的就是监控每个层级上的用户转化，寻找每个层级的优化点。

分析消费者如何从接触到信息到最后达成购买的一种逻辑。可以借此模型去检验品牌的获客模型是否有效。

漏斗模型的理论基本原理

漏斗分析模型现在主要应用于流量监控、产品目标与数据分析相关的工作中，因为漏斗分析能轻松展现出各个阶段的转化率，可以聚焦用户选购全流程中最有效转化路径，也可以能够非常清晰的发现问题所在，从而找到优化方向。

让成单瓶颈无处遁，还可以对比不同用户群体漏斗分析图，从差异角度窥视优化思路。

数据分析方法6—漏斗分析模型

        漏斗模型是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。

漏斗分析模型已经广泛应用于网站和APP用户行为分析的流量监控、电商行业、零售的购买转化率、产品营销和销售等日常数据运营与数据分析的工作中。

        例如：漏斗模型在电商网站中的应用，用户从首页进入最终完成支付的行为，大多需要经过几个环节，从商品/浏览分类——查看商品详情——加入购物车——生成订单——开始支付——完成支付——回购商品。这其中的每个环节都有一定的转化率，我们需要做的是监控用户在流程上各个层次的行为路径，寻找每个层级的可优化点，提高用户在每个层级之间的转化率，最终来提高GMV。

对于业务流程相对规范，周期较长、环节较多的流程进行分析，能够直观地发现和说明问题所在，可以更快地找出某个环节的转化率出现问题。

1、企业可以监控用户在各个层级的转化情况。

降低流失是运营人群的重要目标，通过不同层级的情况，迅速定位流失环节，针对性持续分析找到可优化点，如此提升用户留存率

科学的漏斗分析能够展现转化率趋势的曲线，能帮助企业精细地捕捉用户行为变化，提升了转化分析的精度和效率，对选购流程的异常定位和策略调整效果验证有科学指导意义。

3、不同属性的用户群体漏斗比较

漏斗对比分析是科学漏斗分析的重要一环，运营人员可以通过不同属性的用户群体（如新注册用户与老客户）各环节转化率，各流程步骤转化率的差异对比，了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。

漏斗模型大致可分为以下几种：

1、AARRR模型：

        从用户增长各阶段入手，包括Acquisition用户获取，Activation用户激活，Retention用户留存，Revenue用户产生收入，Refer自传播。改模型主要应用于互联网行业

2，消费漏斗模型：

        一般用于页面结构和内容较为复杂的业务，从用户内容消费和流量走向的角度，宏观层面用于回答用户消费什么内容，微观层面则用于分析影响用户消费的问题是什么。主要流程是从 广告引流—商品介绍—场景打造—下单购买

3，电商漏斗模型：

典型的用户购买行为由以下连续的行为构成： 浏览首页—浏览商品—提交订单—支付订单 。

当我们期望观察各步骤间及总体转化率，可按以下步骤进行：

4、AIDMA模型：

主要的流程是 注意 → 兴趣 → 欲望 → 记忆 → 行动（购买） ，适用于品牌营销。

5、AISAS模型：

主要的流程是 注意-兴趣-搜索-行动-分享 ，在AIDMA模型的基础上增加了用户反馈的环节

操作网站：神策数据：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

漏斗分析是通过将用户行为起始的各个行为节点作为分析模型节点，来衡量每个节点的转化效果。APP运营可使用漏斗分析模型梳理业务的关键流程环节，定位用户转化提升的关键环节，及时对低转化率环节进⾏优化，提升用户转化效率。
例如，电商类APP用户付费流程通常为：用户登录--浏览商品页面--点击立即购买--完成付款。针对用户付费转化进行分析，我们可以将该付费流程中的各个节点，定义为用户付费行为漏斗分析的节点，建立用户付费转化的漏斗分析，助力运营快速评估、发现有待提升的环节，进行针对性的优化，高效提升用户转化率。同时也能为后续产品运营优化提供数据支撑，打造APP运营数据闭环。

个推·用户运营为APP提供事件分析、漏斗分析、自定义分析等十余种数据分析模型，帮助产品运营更好进行产品迭代效果分析、运营效果分析、路径转化分析等多场景分析。目前，个推·用户运营产品限时免费中，欢迎您免费体验

漏斗分析

常见用户行为分析模型解析(转)之漏斗分析模型

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

现代营销观念认为：“营销管理重在过程，控制了过程就控制了结果。”用户行为分析之漏斗分析模型是企业实现精细化运营、进行用户行为分析的重要数据分析模型，其精细化程度影响着营销管理的成败，以及用户行为分析的精准度。粗陋的漏斗分析模型因为过程管理不透明、数据分析不精细、用户行为分析不科学而造成结果失控。因此，我们经常能够听到一些产品经理的抱怨不绝于耳：从启动 APP 到“支付成功”，用户转化率为何仅仅 0.8 %？

究竟什么是漏斗分析？漏斗分析是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。

漏斗分析模型已经广泛应用于流量监控、产品目标转化等日常数据运营与数据分析的工作中。例如在一款产品服务平台中，直播用户从激活APP开始到花费，一般的用户购物路径为激活APP、注册账号、进入直播间、互动行为、礼物花费五大阶段，漏斗能够展现出各个阶段的转化率，通过漏斗各环节相关数据的比较,能够直观地发现和说明问题所在，从而找到优化方向。

对于业务流程相对规范、周期较长、环节较多的流程分析,能够直观地发现和说明问题所在。值得强调的是，漏斗分析模型并非只是简单的转化率的呈现，科学的漏斗分析模型能够实现以下价值：

1.企业可以监控用户在各个层级的转化情况，聚焦用户选购全流程中最有效转化路径；同时找到可优化的短板，提升用户体验。

降低流失是运营人员的重要目标，通过不同层级的转情况，迅速定位流失环节，针对性持续分析找到可优化点，如此提升用户留存率。

2.多维度切分与呈现用户转化情况，成单瓶颈无处遁形。

科学的漏斗分析能够展现转化率趋势的曲线，能帮助企业精细地捕捉用户行为变化。提升了转化分析的精度和效率,对选购流程的异常定位和策略调整效果验证有科学指导意义。

3.不同属性的用户群体漏斗比较，从差异角度窥视优化思路。

漏斗对比分析是科学漏斗分析的重要一环。运营人员可以通过观察不同属性的用户群体（如新注册用户与老客户、不同渠道来源的客户）各环节转化率，各流程步骤转化率的差异对比，了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。

先谈归因

在科学的漏斗分析中，需要科学归因设置。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。企业一直致力定义最佳用户购买路径，并将资源高效集中于此。而在企业真实的漏斗分析中，业务流程转化并非理想中那么简单。

以市场营销为例，市场活动、线上运营、邮件营销都可能触发用户购买。A 欲选购一款化妆品，通过市场活动了解 M 产品，后来在百度贴吧了解更多信息，但是始终没有下定决心购买。后来收到 M 公司的营销邮件，A 被打折信息及详实的客户评价所吸引，直接邮件内跳转至网站购买了该商品。

那么，在漏斗设置时，转化归因应该“归”哪一个渠道呢？在这个案例中，运营人员愿意以实际转化的事件的属性为准。邮件营销的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，直接促进用户转化。在科学的漏斗分析模型中，用户群体筛选和分组时，以实际转化事件——邮件营销来源的用户群体的属性为准，则大大增大了漏斗分析的科学性。

再一起看属性关联

在进行漏斗分析时，尤其电商行业的数据分析场景中，运营人员在定义“转化”时，会要求漏斗转化的前后步骤有相同的属性值。比如同一 ID（包括品类 ID、商品 ID）才能作为转化条件——浏览 iphone6，购买同一款 iphone6 才能被定义为一次转化。因此，“属性关联”的设置功能是科学漏斗分析不可或缺的内容。

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：

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。

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。

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。

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。

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。