数据分析（3）：漏斗观察法

前面两篇我们讲了对比分析法和多维度拆解法，这一篇我们来讲讲漏斗观察法。

说到漏斗，肯定会有同学问，什么是漏斗呢？

漏斗是一连串向后影响的用户行为，也就是前一步对后一步有限制作用。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方法。

举个栗子：下面是某陌生人社交产品从登录成功到收到消息的漏斗，从登录成功到选择喜欢到匹配成功，再到发送消息，最后到收到消息，这是一连串用户行为，从登录到收到消息构成了一个流程，同时上一步与下一步都是限制型的影响关系。

比如说，只有登录成功了才能选择喜欢，只有选择喜欢了才能匹配成功，像这样每进行下一步都是从上一步跳转过来的，每一步之间都有转化率，每一步的转化率相乘就得出了这个漏斗的总化转率。

适用场景：一般适用于有明确的业务流程和业务目标需要监控的。

不太适用场景：不太适用于没明确的流程或跳转关系纷繁复杂的业务，比如像新闻类、阅读类的产品等。

相信通过以上的介绍你已经对漏斗分析法不陌生了，但是呢，在工作的过程中使用漏斗时经常会踩到坑。下面我们来讲讲在建立漏斗时容易踩到的坑。

这是很多人在运用漏斗时没有考虑到的，对于漏斗的时间窗口选择是有讲究的。

我们还拿上面的陌生人社交产品为例：

用户在23：59分登录成功，在次日0：01分选择喜欢，如果你以天作为时间窗口，那么你把这个流程是计入第一天还是第二天呢，或者是把这个流程进行切割，第一天和第二天都没有完成。

所以说，时间窗口对漏斗分析法来说是很重要的一个属性，那如何给漏斗选择合适的时间窗口呢？

这个需要根据你的产品形态或者运营策略，选择对应的时间窗口。

何时按天：往往是针对一些短期的活动，我们认为这个活动对用户心智的影响只在短期内有效。如果是隔天的行为（就像我们上面举的那个栗子）就不属于这个漏斗了，可以把它划到自然天这个维度里。

何时按周：像理财和投资这类的业务，它本身复杂，决策成本高，多日才能完成一个业务流程，要按周。当然，这里主要还是看你的业务，如果你的业务流程时间周期大于一周，你可以选择半个月或者10天。

何时按月：比如一些装修买房类的产品，整个业务决策周期较长，会按月，比如一个月、两个月、三个月，甚至六个月。

基于以上可以看出，一定要基于自己业务的实际情况，选择对应的时间窗口。

举个栗子：你是某在线少儿英语培训产品的产品经理，你要对某课程从首页到支付成功的用户转化率进行分析，如是创建了下面这个漏斗：

那这个漏斗的流程有问题吗？你会说：没关系呀，我只看从首页到支付成功的总转化率就行了的。但是你发现没，你忽略了一点，用户只是通过搜索进入课程的详情页吗，并不只这一条路径吧，他还有可能是通过我们的首页广告位进去的，也有可能是通过课程中心的课程分类进的去。

所以，在创建这个漏斗时，我们选择事件，应该选择首页到课程详情页到支付成功是更为合理的和精准的。

所以，在以后创建漏斗时或者是观察别人的漏斗时，我们要留意每一步，而不是只看第一步和最后一步。

还以上面某在线少儿英语培训产品为例：

如果基于用户，假设进入课程中心页面的用户是1200，浏览某课程的用户是1000，支付的是600，

如果基于事件，进入课程中心页面的用户是1200，那这里的数据肯定有这种情况：一个用户进入课程中心页面或某课程页面2次以上，比如网页的刷新等等这种情况。所以基于用户和基于事件会有不同的数据，自然也就有不同的结果。

那什么时候基于用户，什么时候基于事件呢？

首先这里需要看角色：

基于用户：如果你是这个课程的负责人，你关心的是每天有多少用户会浏览这个课程的页面，并最终支付成功的。

所以呢，如果你关心整个业务流程的推动，在创建漏斗时就基于用户去计数。

基于事件：如果你是产品经理，你需要关心的是有人第一次访问页面没有做出选择，也关心选择课程后为何有人没有支付，难道是支付流程不顺畅还是其他原因？

如果你关心某一步具体的转化率，在创建漏斗时就基于事件去计数。这里需要注意一点：如果基于事件，有时候可能无法获知事件流转的真实情况。

如果你创建的漏斗结果指标的数据不符合预期，需要有一个自查的过程，你需要考虑是否只有这一个漏斗能够到达最终目标？

我们还拿上面某在线少儿英语培训产品为例：进入课程中心的有1200人，进入某课程页面的有1000人，最终支付成功的有600人，但是我们到后台查看时，发现支付的有700人，那另外100个人从哪来的？这是我们利用漏斗分析时经常遇到的问题，层层漏，漏到最后发现数据跟业务后台的数据对不上。

最后，通过自查我们发现原来还有一个H5的活动页面，这个H5页面可以直接跳过课程中心和某课程页面，直接到达支付课程的页面，这个流量直接就跳过第一步和第二步到达第三步，所以漏斗的数据跟后台的数据对不上。

所以，基于这种情况我们需要再另外创建一个其他路径的漏斗来对比，解决这种结果指标不符合预期的数据。

好啦，到这里漏斗分析法就讲完啦，下面我们通过一张架构图总结一下：

预告：下篇文章是分布分析法&用户留存分析法，记得关注哦~

数据分析（1）：对比分析法（附文章架构图）

数据分析（2）：多维度拆解法

数据异常如何分析？

本文作者：菜菜，公众号：菜菜唠产品（caicailaochanpin)，欢迎关注~

本文由 @菜菜 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。