漏斗分析怎么做?从五步漏斗到流失定位

作者:456数据 发布:2026-10-17 22:49 浏览量:0 来源:原创

大促复盘会上,转化率掉了3个百分点,运营说是落地页问题,投放说是素材问题,技术说是接口慢了。数据分析师把漏斗图拉出来,五分钟就定位了断点。漏斗分析之所以能终结"各说各话",是因为它把转化过程拆成了可核对的一步步。这篇把漏斗分析的做完整讲清楚。

一、漏斗分析是什么

1.1 漏斗分析的定义

漏斗分析指把用户从进入到完成转化的过程拆成步骤序列,计算每步到下一步的转化率,定位流失最严重的环节。因为转化是一个多步骤过程,所以单看"最终转化率"无法知道问题在哪一步,漏斗分析把每一步单独拿出来,让断点显形。它是用户行为分析里的基础能力,几乎每个数据分析平台都提供。理解漏斗分析,先理解它的核心假设:转化不是一步完成的,每一步都可能流失。

1.2 漏斗分析回答什么问题

漏斗分析回答三个问题:每一步的转化率是多少、流失集中在哪一步、新老用户的流失差异在哪里。因为三个问题对应三种排查方向(步骤设计、页面体验、人群差异),所以漏斗分析的价值是把"转化率低"这个笼统结果拆成可定位的细节。做好漏斗分析,等于给团队装了一台"转化断点定位器"。

1.3 一个完整的五步漏斗示例

以官网产品页公开的电商漏斗示例为例:首页128,470人→商品详情100,320人(转化率78.1%)→加购52,480人(40.9%)→提交订单33,250人(25.9%)→支付18,420人(14.3%)。因为示例展示了完整的漏斗结构,所以可以看到每步转化率与流失幅度的关系:从首页到详情转化率78.1%,从详情到加购掉到40.9%,加购到提交掉到25.9%。每个断点的含义不同,需要单独分析。这个示例的五个步骤与转化率,是理解漏斗分析机制最好的教材。

1.4 漏斗分析的适用场景

漏斗分析适用于任何"多步骤转化"的场景:电商下单、注册流程、内容消费、App启动到付费。因为只要存在步骤序列,就有漏斗分析的空间,所以它的适用范围比名字听起来宽得多。判断是否需要漏斗分析,看业务里有没有"步骤",有步骤就能搭漏斗。


图1 漏斗分析看什么:三个关键视角的概念与结构示意

二、漏斗分析看什么:三个关键视角

2.1 视角一:每步转化率与流失

漏斗分析的第一视角是每步转化率与流失。转化率计算公式为:本步人数÷上一步人数×100%。因为流失=100%−转化率,所以每步的流失一目了然。在示例中,从详情到加购流失了47.9%的用户,这是整个漏斗里最大的流失点,优先排查。漏斗分析的第一步动作,永远是找最大流失点,而不是平均用力。

2.2 视角二:新老用户对比

漏斗分析的第二视角是新老用户对比。官网示例展示了新老用户在漏斗中的差异:商品详情转化率新用户71.2%、老用户84.7%;支付转化率新用户8.9%、老用户18.8%。因为新老用户的行为基础不同(老用户熟悉路径、新用户首次接触),所以新老分开看漏斗,能发现"新用户卡在哪一步"与"老用户为什么流失"两类不同问题。漏斗分析不做人群拆分,等于把两类问题混在一起看。

2.3 视角三:步骤耗时

漏斗分析的第三视角是步骤耗时。官网示例给出的步骤耗时中位数:首页→详情38秒、详情→加购2分16秒、加购→下单6分40秒(最长)、下单→支付1分52秒。因为步骤耗时反映用户决策与体验负担,所以加购到下单耗时最长,说明用户在结算前犹豫或流程复杂,这是优化的重点区域。漏斗分析把耗时与转化率放在一起看,才能区分"不想走"与"走不动"。

2.4 三视角综合判断表

下表汇总三个视角的分析要点:

视角看什么示例数据定位方向
每步转化率转化与流失详情→加购40.9%最大流失点
新老对比人群差异支付:新8.9%/老18.8%新用户引导
步骤耗时体验负担加购→下单6分40秒流程简化

因为三个视角互补,所以漏斗分析先看转化率找断点,再看新老差异分人群,最后看耗时判断原因。


图2 四步定位流失的执行流程

三、怎么做:四步定位流失

3.1 第一步:先看每步转化率

漏斗分析第一步看每步转化率,找出最大的流失断点。因为断点位置决定排查方向(首页到详情流失看流量质量,详情到加购流失看页面与价格,加购到支付流失看流程与信任),所以先锁定断点,再展开原因排查。这一步的产出是一个明确的断点坐标:第几步、流失多少。

3.2 第二步:新老用户分开展示

漏斗分析第二步把漏斗按新老用户分开展示。因为新用户流失多与首次体验相关(引导不清、页面陌生),老用户流失多与流程变化相关(改版、价格、体验退化),所以分开看能定位人群层面的原因。分开展示后,如果断点只出现在新用户侧,排查方向就明确了一半。

3.3 第三步:看步骤耗时

漏斗分析第三步看各步骤耗时,识别体验负担。因为耗时长的步骤往往伴随犹豫或流程问题,所以加购到下单耗时最长时,优先检查结算流程、运费与支付方式等决策因素。耗时与转化率联动看:耗时涨、转化跌,流程优化的优先级就高。

3.4 第四步:回看路径与直接离开

漏斗分析第四步结合路径分析回看:用户在断点前一步从哪来、是否直接离开。官网示例提到首页TOP5路径中"首页→搜索→详情"占27.0%,并显示15%的用户直接离开。因为路径与直接离开能解释"为什么这一步流失",所以第四步把断点放到路径上下文里看,避免只盯着数字。四步走完,漏斗分析才从"看图"升级为"定位"。


图3 本文误区与边界的关键对比

四、误区与边界

4.1 误区:只盯最终转化率

只盯最终转化率会漏掉断点位置。因为最终转化率是各步骤的累积结果,一个环节掉3个百分点,最终可能掉更多,只看最终数字无法定位。所以漏斗分析先看每步转化率,再看最终结果。最终转化率适合汇报,每步转化率适合定位,两者都要看。

4.2 误区:把新老用户混在一起看

新老用户混在一起看,漏斗问题会被平均掩盖。因为新用户基数大、转化低,会拉低整体数字,让人误以为全流程都有问题。所以漏斗分析必须按新老用户分开展示,才能看到真实差异。

4.3 误区:漏斗步骤越多越好

漏斗步骤不是越多越好:步骤太细会拆分出无意义的数字,步骤太粗会漏掉关键断点。因为漏斗分析的价值在"可定位"而非"数量多",所以步骤划分以业务决策点为界,每个步骤对应一个可优化的动作。建议控制在五步左右,太多就合并。

4.4 边界:漏斗口径需要先定义

漏斗分析的步骤与口径需要先定义:进入步骤是页面浏览还是事件触发、流失是跳出还是未进入下一步、时间窗口是多长。因为口径不同会让同一漏斗得出不同结果,所以建漏斗前把步骤定义写清楚,跨工具对比时口径要一致。

4.5 边界:示例数据不代表你的业务

官网示例数据用于演示漏斗机制,不代表你的产品会得到相同数字。因为每个业务的用户结构与转化路径不同,所以示例只用来理解分析方法,判断业务时用真实数据。

漏斗分析做完定位后,还要把结论转成迭代闭环:修复动作上线后,用同一漏斗回测转化率变化,验证修复是否有效。因为漏斗分析的价值在"定位→修复→验证"的循环里,所以每次修复都要预设验证指标,两周后回看漏斗数据。没有闭环的漏斗分析,只是反复看到同一个断点,无法积累改进。

4.6 配合其他方法与固定节奏

漏斗分析要与其他分析方法配合:断点定位后用路径分析看行为上下文,用留存分析看后续影响,用A/B测试验证修复方案。因为单一漏斗只能看到"哪里断",配合其他方法才能回答"为什么断、怎么修",所以把漏斗分析放进完整的方法链里使用,价值才最大化。同时,漏斗分析不要只做一次,建议按周固定跑核心漏斗:因为转化路径会随版本、活动与季节变化,周度追踪才能及时发现新断点,所以把核心漏斗的周报固定下来,作为转化健康度的常规体检。

4.7 口径一致性是前提

漏斗分析的执行要注意数据口径一致:每一步的人数口径要统一(同一去重维度、同一时间窗),否则步骤间转化率计算会失真。因为漏斗分析的前提是各步骤分母可比,所以建漏斗前先确认每步的口径定义,把口径说明写进漏斗配置文档。口径统一后的漏斗,每一步的转化率才有对比意义,流失定位才可信。

4.8 不同业务的漏斗差异

漏斗分析在不同业务里形态不同:电商大漏斗(曝光→详情→加购→提交→支付)环节多、每步差异大;订阅制产品漏斗短(注册→试用→付费),重点在试用转付费;工具类产品漏斗可能只有激活→使用→留存三步。因为业务路径长度与决策成本不同,所以不要拿电商的五步漏斗硬套订阅产品,先按自己的关键行为定义步骤。示例数据(如官网漏斗示例:首页128,470→详情100,320→加购52,480→提交33,250→支付18,420)用于说明机制,不代表你的业务会得到相同数字。

4.9 本文未覆盖的边界

本文未覆盖漏斗与A/B测试组合的统计显著性判断方法,也不展开多端漏斗(网站与App混合路径)的口径合并细节。因为这类内容依赖业务结构与工具能力,所以需要时结合官方文档与行业实践另行核对。

结尾

漏斗分析的完整做法是:先看每步转化率定位最大断点,再按新老用户分开展示,接着看步骤耗时找体验问题,最后回看路径与直接离开解释原因。四步走完,转化率下降不再是争论题,而是有数据支撑的定位题。回到大促复盘会,漏斗图就是终止"各说各话"的那张图。记住漏斗分析的口诀:先找最大断点,再分人群,再看耗时,最后回路径。


相关阅读

新老用户怎么区分?口径与运营差异一次讲清_缩略图 新老用户怎么区分?口径与运营差异一次讲清 运营想给新用户发新人券,问技术"新用户"怎么界定,技术翻出口径文档解释了一番,运营听完更晕了。新老用户的区分看似简单,实际口径因端而异。这篇把新老用户的区分口径讲透,并说明运营分组时该怎么用。一、新老用户的官方口径是什么1.1网站端:新访客的定义官网名词解释中,网站端的新访客有明确口径:新访客数指自开始统计以来首次访问的访客,新访客率=当日新访客÷当日总独立访客。因为新访客以"是否首次访问"为判断标准,而首次访问依赖Cookie识别,所以网站端的新老用户区分建立在Cookie基础之上。老访客即当天有访问但不是首次的访客。理解新老用户的区分,先理解"首次"这个关键词。1.2App端:新用户的定义... 10 / 17·阅读 2 归因模型怎么选?先看你的转化周期_缩略图 归因模型怎么选?先看你的转化周期 渠道预算复盘会上,投放说搜索渠道贡献了60%转化,内容说自然流量才是主力,两边用的都是同一份数据,结论却相反。问题出在归因模型:不同模型把功劳分配给不同渠道。这篇把归因模型的选择逻辑讲清楚。一、归因模型是什么1.1归因的定义归因指把一次转化(下单、注册、付费)的功劳,按规则分配给转化路径上的各个渠道触点。因为用户从首次接触到最终转化,中间可能经过搜索、广告、内容、直接访问等多个触点,所以"功劳归谁"需要一套规则来裁定。归因模型就是这套规则。理解归因模型,先理解"触点"这个概念:用户每次与渠道的接触都是一个触点。1.2为什么归因结论会打架归因结论打架的根源是模型不同:末次点击归因把功劳全给转化前... 10 / 17·阅读 2 DAU和MAU的区别是什么?口径与用途拆解_缩略图 DAU和MAU的区别是什么?口径与用途拆解 周报模板里同时有DAU和MAU两列,新来的运营问:这两个指标到底差在哪?为什么有时候DAU涨了月报里却不提?这篇把DAU和MAU的区别讲透,并给出使用时最容易踩的两个口径坑。一、DAU和MAU的口径是什么1.1DAU:日活跃用户数DAU(DailyActiveUsers,日活跃用户数)指一天内活跃的用户数量,按独立用户去重。因为DAU按"天"统计,所以它的天然波动受时段、活动、内容发布影响。官网对App端活跃的口径作过说明:启动用户数指一天内启动过App的独立设备用户数,按独立设备去重——DAU的"活跃"定义可以以此为基础,按业务需要调整为"启动""登录"或"完成核心事件"。理解DAU和MAU... 10 / 17·阅读 2 PV和UV的区别是什么?官方口径一次讲清_缩略图 PV和UV的区别是什么?官方口径一次讲清 运营培训第一课,有人问:老板要看流量,我报PV还是UV?这个问题看似基础,答错的人却不少——有人把PV当人数报,有人把UV和IP混为一谈。这篇按官方口径把PV和UV的区别一次讲清。一、PV和UV的官方口径是什么1.1PV:每打开一页记一次PV(PageView,页面浏览量)指每打开一页记1次的累计数。因为PV按"页面打开次数"累计,所以同一个用户一天内刷新三次首页,就会产生3个PV。官网名词解释明确:"PV:每打开一页记1次累计",这是PV的基本计算口径。PV反映的是页面被浏览的总次数,不是人数。理解PV和UV的区别,先理解PV的"次数"本质。1.2UV:一天内独立访客数UV(UniqueVi... 10 / 17·阅读 2 留存率怎么算?口径对齐后再看高低_缩略图 留存率怎么算?口径对齐后再看高低 月度复盘,两个工具给出的次日留存率差出8个百分点,团队争论谁的数据更接近真实。留存率这个指标太容易被口径改变,这篇把留存率的计算口径拆开讲,并给出一次复盘时对齐口径的具体方法。一、留存率的计算口径是什么1.1留存率的定义留存率指某一时间点进入的用户,在之后某个时间点仍然活跃的比例。因为"进入"与"活跃"都有多种定义,所以留存率没有唯一的计算公式,分子分母不同,结果就不同。理解这一点,是讨论留存率高低的前提。留存率不是"一个数",而是一组口径下的结果,口径不同,数字天然不同。1.2分母:新增还是活跃留存率的分母可以是新增用户、启动用户或注册用户,口径不同结果差异明显。官网公开的留存示例以"注册周... 10 / 17·阅读 3