漏斗解析当下已经被广泛利用,有效的漏斗解析可以辅助解析用户行为,找到用户流失的原因。那么具体而言,漏斗解析有哪些常见模型?漏斗解析又有哪些流程步骤?本文作者就此做了结算,并对一个漏斗解析案例进行了拆解,一起来看一下。
作为数据解析中最重要的一个解析思维,漏斗解析在业务流程拆解和疑问环节定位上具有非常重要的作用。当我们无法确认疑问产生在哪个环节时,一般会通过将业务流程进行拆解,对照各个环节之间的转化率流失率,通过这种漏斗解析的想法来定位疑问原因,今日我们就来一起吸取它。
一、什么是漏斗解析?什么是漏斗解析?我们知道,业务设计都是有流程的,而从业务流程起点开端到最后目的完成的每个环节都会存在着用户流失,因此我们需要一种解析想法来衡量业务流程每一步的转化效率和用户流失场合,而漏斗解析想法就是这样的一种解析想法。
漏斗解析是基于业务流程的一种数据解析模型,也就是说一定是存在着业务的前因后果、前后关联关系的,它能够科学反应用户行为状态以及从起点到尽头各阶段用户转化场合,进而可以定位用户流失的环节和原因。漏斗解析模型已经广泛利用于网站用户行为解析和APP用户行为解析中,在流量监控、产品目的转化等日常数据运营与数据解析任务中利用地很广泛。
漏斗解析最常用的是转化率和流失率两个互补型指标,流失率=1-转化率。用一个简朴的范例来说明,如果有100人拜访某电商网站,有30人点击注册,有10人注册胜利。这个过程共有三步,第一步到第二步的转化率为30,流失率为70,第二步到第三步转化率为33,流失率67;整个过程的转化率为10,流失率为90。该模型就是经典的漏斗解析模型。
二、常见的漏斗模型而在实际业务中,每个业务都有自己特有的漏斗,但是进行分类结算,常见的业务漏斗模型主要有以下几种。
1 AARRR模型大名鼎鼎的AARRR模型,做用户增长和性命周期最常用的漏斗模型,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用户发生收入、Refer自流传等用户的性命阶段。进行漏斗解析,判断用户流失大致处于哪个阶段,进而对疑问阶段的用户进行细分,精细化运营,完成用户向成熟用户和付费用户的率领,实现用户增长。
2 电商漏斗模型电商领域最常见的商品买入漏斗,用户从进入平台,到完成支付的完整路径,是一个经典的业务漏斗模型,计算每一个环节的转化有助于我们解析是人(是否是商品的定位用户?)货(商品是否有热销?)场(产品性能、体会如何)哪个因素的疑问?
3 性能漏斗模型其他的非电商领域的产品,比如一些工具类的产品的漏斗就各有差异了,举个列子,我们以KEEP为例。
KEEP的半马赛事活动的主要漏斗可能就如下所示,从活动推销,到用户报名、用户终极完成赛事,到牟取抽奖资格,拆分各个业务环节,有助于我们定位疑问环节,进一步定位是广告文案不好,还是投放的广告位转化效率低?是用户报名的操纵过于复杂?还是用户达标的门槛过于苛刻?是奖品设置的和参赛用户调性不符还是领奖的流程复杂有bug?
4 AMA模型MA是花费者行为学领域很成熟的理论模型之一,由美国广告学家ES刘易斯在1898年提出。
该理论以为,花费者从接触到信息到最后达成买入,会经验这5个阶段:留心 → 嗜好 → 欲望 → 记忆 → 举动(买入),花费者们从不知情者变为被动了解者再变为主动了解者,最后由被动买入者变为主动买入者的过程,从商品角度看可以看到市场从不了解、了解、承受的过程,在品牌营销领域利用得很广泛。
三、漏斗解析的步骤上面介绍了各种业务场景下常见的漏斗,那么具体在实现过程和步骤是怎样的呢?会带来什么样的价值呢?
1 快速定位疑问环节当我们聚焦用户全流程最有效的转化路径时(产品设计初期我们都会有梦想的转化路径),漏斗数据的呈现可以真实地反应用户真实的行为路径:
明摆着可优化的点,可以提升用户体会(对产品而言);
赶快定位流失环节,针对性的下钻解析可以找到可优化的点,可以降低流失提升用户留存率(对运营而言)。
2 多维度切分解析疑问原因整体的漏斗能反应整体的转化现状,定位具体的疑问环节,知其然,但是为什么会显露这个疑问,就是知其所以然的过程,需要从各个维度对漏斗进行切分。比如新注册用户vs老用户、差异渠道起源的用户等在各环节的转化漏斗不同,差异维度下的漏斗不同,可能让我们面前一亮,啊!原来是这部门用户的转化坏了一锅好汤。
3 监控漏斗转化趋势进行优化可以在时间粒度上监控各个环节的转化率,突兀上线的新性能或者近期开展的运营活动可能都会导致漏斗各环节的转化率显著的变化,无论是变好还是变差,都是我们做ab test的一个根据。我们可以不断地用ab test对各环节进行优化,然后监控各环节转化率的变化趋势,完成漏斗整体转化的提升。
四、漏斗解析案例最后用一个实际的案例来说明漏斗解析的实际利用。
某电商平台,按“进入注册页-开端注册-提交验证码-注册胜利”的路径设置了一个四步转化漏斗,通过数据解析发明,第二步到第三步的转化率较低,许多用户在该环节流失,进而导致最后注册胜利的用户数大幅减少,定位到疑问环节是在“开端注册”-“提交验证码”环节。
但是疑问现状是如此,究竟是什么原因导致了用户在这个环节大批流失?我们做了一些假设:
是否与用户采用的平台有关?PC端和移动端是否有产品性能设计上的不同?
是否与手机平台有关?Andro和iOS用户在这个环节是否有不同?
是否与阅读器有关?差异阅读器在进行验证时是否有bug?
其他种种。
以上假设就是从差异的维度去拆分这个疑问,然后看在各个维度下用户的转化漏斗如何?
解析发明,Chrome阅读器的用户注册数和注册转化率较其他阅读器低许多,对比每一步转化,发明第一步到第二步的转化率和其他并无显著不同,而第二步到第三步的转化率非常低,大部门用户没有提交验证码,而是直接离去了页面。
这不寻常的转化漏点立刻引起了重视,测试发明Chrome阅读器在获取验证码上确切存在bug,阴碍了用户注册,研发针对此疑问进行解决后,该阅读器下的注册转化率显著提升。
以上的案例就大致呈现了漏斗解析的常规用法。从整体漏斗解析原因,定位疑问产生环节,从各个可能的细分维度解析转化漏斗,尝试辩白为什么会产生这个疑问,进而推动疑问环节优化,从定位疑问,到解析疑问再到解决疑问,完成漏斗解析的整个过程。
我们知道,业务设计都是有流程的,而从业务流程起点开端到最后目的完成的每个环节都会存在着用户流失,因此我们需要一种解析想法来衡量业务流程每一步的转化效率和用户流失场合,而漏斗解析想法就是这样的一种解析想法。
漏斗解析是基于业务流程的一种数据解析模型,也就是说一定是存在着业务的前因后果、前后关联关系的,它能够科学反应用户行为状态以及从起点到尽头各阶段用户转化场合,进而可以定位用户流失的环节和原因。漏斗解析模型已经广泛利用于网站用户行为解析和APP用户行为解析中,在流量监控、产品目的转化等日常数据运营与数据解析任务中利用地很广泛。
漏斗解析最常用的是转化率和流失率两个互补型指标,流失率=1-转化率。 用一个简朴的范例来说明,如果有100人拜访某电商网站,有30人点击注册,有10人注册胜利。这个过程共有三步,第一步到第二步的转化率为30,流失率为70,第二步到第三步转化率为33,流失率67;整个过程的转化率为10,流失率为90。该模型就是经典的漏斗解析模型。 而在实际业务中,每个业务都有自己特有的漏斗,但是进行分类结算,常见的业务漏斗模型主要有以下几种。 大名鼎鼎的AARRR模型,做用户增长和性命周期最常用的漏斗模型,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用户发生收入、Refer自流传等用户的性命阶段。进行漏斗解析,判断用户流失大致处于哪个阶段,进而对疑问阶段的用户进行细分,精细化运营,完成用户向成熟用户和付费用户的率领,实现用户增长。 电商领域最常见的商品买入漏斗,用户从进入平台,到完成支付的完整路径,是一个经典的业务漏斗模型,计算每一个环节的转化有助于我们解析是人(是否是商品的定位用户?)货(商品是否有热销?)场(产品性能、体会如何)哪个因素的疑问? 其他的非电商领域的产品,比如一些工具类的产品的漏斗就各有差异了,举个列子,我们以KEEP为例。 KEEP的半马赛事活动的主要漏斗可能就如下所示,从活动推销,到用户报名、用户终极完成赛事,到牟取抽奖资格,拆分各个业务环节,有助于我们定位疑问环节,进一步定位是广告文案不好,还是投放的广告位转化效率低?是用户报名的操纵过于复杂?还是用户达标的门槛过于苛刻?是奖品设置的和参赛用户调性不符还是领奖的流程复杂有bug? MA是花费者行为学领域很成熟的理论模型之一,由美国广告学家ES刘易斯在1898年提出。 该理论以为,花费者从接触到信息到最后达成买入,会经验这5个阶段:留心 → 嗜好 → 欲望 → 记忆 → 举动(买入),花费者们从不知情者变为被动了解者再变为主动了解者,最后由被动买入者变为主动买入者的过程,从商品角度看可以看到市场从不了解、了解、承受的过程,在品牌营销领域利用得很广泛。 上面介绍了各种业务场景下常见的漏斗,那么具体在实现过程和步骤是怎样的呢?会带来什么样的价值呢? 1 快速定位疑问环节 当我们聚焦用户全流程最有效的转化路径时(产品设计初期我们都会有梦想的转化路径),漏斗数据的呈现可以真实地反应用户真实的行为路径: 明摆着可优化的点,可以提升用户体会(对产品而言); 赶快定位流失环节,针对性的下钻解析可以找到可优化的点,可以降低流失提升用户留存率(对运营而言)。 2 多维度切分解析疑问原因 整体的漏斗能反应整体的转化现状,定位具体的疑问环节,知其然,但是为什么会显露这个疑问,就是知其所以然的过程,需要从各个维度对漏斗进行切分。比如新注册用户vs老用户、差异渠道起源的用户等在各环节的转化漏斗不同,差异维度下的漏斗不同,可能让我们面前一亮,啊!原来是这部门用户的转化坏了一锅好汤。 3 监控漏斗转化趋势进行优化 可以在时间粒度上监控各个环节的转化率,突兀上线的新性能或者近期开展的运营活动可能都会导致漏斗各环节的转化率显著的变化,无论是变好还是变差,都是我们做ab test的一个根据。我们可以不断地用ab test对各环节进行优化,然后监控各环节转化率的变化趋势,完成漏斗整体转化的提升。 最后用一个实际的案例来说明漏斗解析的实际利用。 某电商平台,按“进入注册页-开端注册-提交验证码-注册胜利”的路径设置了一个四步转化漏斗,通过数据解析发明,第二步到第三步的转化率较低,许多用户在该环节流失,进而导致最后注册胜利的用户数大幅减少,定位到疑问环节是在“开端注册”-“提交验证码”环节。 但是疑问现状是如此,究竟是什么原因导致了用户在这个环节大批流失? 我们做了一些假设: 是否与用户采用的平台有关?PC端和移动端是否有产品性能设计上的不同? 是否与手机平台有关?Andro和iOS用户在这个环节是否有不同? 是否与阅读器有关?差异阅读器在进行验证时是否有bug? 其他种种。 以上假设就是从差异的维度去拆分这个疑问,然后看在各个维度下用户的转化漏斗如何? 解析发明,Chrome阅读器的用户注册数和注册转化率较其他阅读器低许多,对比每一步转化,发明第一步到第二步的转化率和其他并无显著不同,而第二步到第三步的转化率非常低,大部门用户没有提交验证码,而是直接离去了页面。 这不寻常的转化漏点立刻引起了重视,测试发明Chrome阅读器在获取验证码上确切存在bug,阴碍了用户注册,研发针对此疑问进行解决后,该阅读器下的注册转化率显著提升。 以上的案例就大致呈现了漏斗解析的常规用法。从整体漏斗解析原因,定位疑问产生环节,从各个可能的细分维度解析转化漏斗,尝试辩白为什么会产生这个疑问,进而推动疑问环节优化,从定位疑问,到解析疑问再到解决疑问,完成漏斗解析的整个过程。
二、常见的漏斗模型
1 AARRR模型
2 电商漏斗模型
3 性能漏斗模型
4 AMA模型
三、漏斗解析的步骤
四、漏斗解析案例