如何應用漏斗模型輔助數據診斷與決策？

漏斗模型基本上是做所有分析時都或多或少會用到的工具，本文結合一些簡化的虛擬案例，來跟大家説説如何利用漏斗模型輔助數據診斷與決策？

先講個例子，來自肖恩埃利斯的《增長黑客》：

一家食品商店App的增長團隊發現了一個問題：App上線後，通過各種推廣，短時間內就獲得了19萬用户，但是到最終在App內完成購買的用户只有不到7000人。

是App的體驗不好？商品不夠有吸引力？其實很多產品也會有這樣的問題，好不容易吸引來用户之後，如何讓他們真正開始持續使用，激活他們？

於是，這個增長團隊梳理出了用户從下載打開到最終購買的整個體驗路徑，提煉出5個關鍵步驟，分別是：

然後列出這段時間，每個步驟的實際人數，和對應的轉化率：

數據和對應的轉化率的結果很直觀，團隊成員發現：

有了這個數據其實就能很清楚的看出：商品本身或者App的體驗沒什麼問題，能正常支付的用户大部分還是完成購買了，但是添加支付工具的和結算體驗卻存在障礙。團隊需要嘗試讓用户能更輕鬆的結算。同時，考慮新增用户搜索量不高，還得嘗試鼓勵初訪者搜索和瀏覽更多商品，比如設置特惠賣場界面、改進引導文案等等。

當然，這是一個很簡化的虛擬案例，但是我們仍然可以從中看出他們是如何應用數據發現和診斷問題的，在這裏面用到的很重要的一個工具就是“漏斗模型”。

所以，什麼是漏斗模型？

漏斗模型，aka漏斗分析、轉化率分析，基本上是做所有分析時都或多或少會用到的工具。

我在網上搜漏斗分析時，出來的文章或內容大多和互聯網運營或者數字營銷有關。但其實漏斗模型應用的地方非常廣泛，包括但不限於：

當然除了開頭舉的那個用户體驗流程的例子，漏斗模型還有其他很多種應用。比如：

在衡量品牌知名度的時候通常會用三個指標：

關於這幾個指標基於心理記憶的解釋，也可以參考之前這篇《品牌的生理和心理基礎》中的部分內容。

關於行為漏斗，根據行業/品類的不同特性，可以設置成各種指標，邏輯相關即可。可以用“以前用過-現在在用-最常用”，也可以是“以前買過-最近半年買過-最近1個月買過”，情況目的不同，搭建不同的指標。

可以通過抽樣調研問卷的方式獲得數據（認知這種比較心理層面的指標，主要還是靠問卷。不過行為指標，有監測數據會比用户回憶更準一些），並對品牌/產品進行診斷。

比如這個例子：

AB兩個品牌在一波營銷過後，A品牌廣泛意義上雖然知名度高，但是很少有人能主動想起來A，有可能是A品牌雖然廣告到處打，但是宣傳的內容太平淡，沒有亮點，人們看完很快就忘了。

B品牌則可能是宣傳內容很不一樣，大家看到B的宣傳後印象深刻，但是由於媒體渠道選的不好，覆蓋的人羣不夠，所以整體知名度要更弱一些。

除了前面提到的食品商店App的具體例子，其實包括黑客增長本身的核心模型AARRR其實也是一個漏斗：

營銷中經典的AIDA（或者AIDAS等等變種）也可以通過收集對應的數據，套用漏斗模型進行分析，廣泛應用於快消品、耐消品：

財務分析三張表中的利潤表其實也是一個漏斗，淨利潤率告訴我們漏斗是比較直（中間損耗少，收入更多轉化為盈利，效益好）、還是比較斜，所以淨利潤率表示效益。

應用漏斗模型做分析的基礎有兩個：

基於目的抽象出流程：比如想解決用户從打開到下單的轉化問題，或者想讓用户更順暢的體驗到產品的Aha時刻（即用户體驗到產品最大價值的那個時刻），可以基於用户實際體驗，抽象為“打開-瀏覽-詳情-加入購物車-下單-支付-反饋”這一系列流程。再比如從認知到購買的流程，被提煉為AIDA。

這一步聽起來簡單，好像只要按已有的模型或者實際用户行為/認知的路徑梳理出來就行。但實際上有很多難點，比如產品/app的元素功能很多、用户的行為其實很複雜，像例子中的電商App，實際上頁面層級會很多、用户也可能會在各種頁面上“逛”。要如何梳理出關鍵步驟，構建有效的用户路徑圖，並衡量其間轉化，其實是個難點。

還有像AARRR或者AIDA這種“大”模型，可以提供宏觀策略上的參考，但在精細分析，比如複雜媒體環境下不同渠道帶來的認知或者獲客時，如何取捨、如何處理不同漏斗間的交集或者嵌套，其實都會有些難度。

數字化：抽象出流程後，就得拿到每個流程的數據，才好真正開始分析。對於企業而言，最好當然是建立自己的數字化體系、數據倉庫，監測自己的用户/客户全部行為數據。或者也可以藉助外部供應商的SaaS/Paas之類的數據平台做部分業務的數字化。除了行為數據之外，也可以用問卷調研的方式獲得用户態度或心理數據。

不過，其實數據存在於生活中的各個角落。對於小規模的活動，甚至個人，都可以靈活地應用這兩步。

比如個人在社羣做文字或者直播分享，最大覆蓋多少人或多少微信羣，有多少人觀看直播，有多少人評論，多少人轉發，直播後有多少人添加微信，有多人截圖分享，其實都可以量化，並且計算轉化率，還可以在不同場次/不同社羣間對比。

哪怕是小賣部，其實也可以統計每天多少人流路過，多少人進店，多少人購買……並不一定非得是大公司才用得到。

漏斗模型雖然很常用，但也不是萬能的。最大的侷限在於，漏斗分析是一個純診斷工具，也就是説它可以告訴你哪裏出了問題，但是即沒有辦法回答為什麼出現這樣的問題，也不能回答如何解決這樣的問題。通常還要結合消費者調研和更多的數據分析，來挖掘問題背後的原因以及探尋改進的方向。

而且，單獨做一個漏斗其實往往看不出太多東西，很多時候要對比才有意義。

比如還是肖恩埃利斯，在問卷調查公司Qualaroo領導增長團隊時，通過深度分析和對比，對比“試用後購買產品的用户”vs“試用後沒購買產品的用户”之間的差異，發現：

購買的用户在試用調查問卷系統時收到了至少50條反饋，而產品的Aha時刻（即用户體驗到產品最大價值的那個時刻）正是用户發現自己能回收足量的結果，並從中得到有指導意義的反饋。所以50條反饋是一個很重要的價值拐點，回收數據超過這個數，用户就能感知產品價值。

於是他們做了很多試驗，來儘可能幫助用户提升回收問卷的數量。比如視頻教程，指導用户做更簡短且有效的問卷，以及在哪裏投放問卷回收概率高，比如推薦模板、推薦NPS等等，以及讓客服人員主動聯繫用户提供發佈問卷的建議。最終大幅提高了用户激活率。

作者：Allen，微信公眾號：Allen走走神

本文由 @Allen 原創發佈於人人都是產品經理，未經許可，禁止轉載。

題圖來自 Unsplash，基於CC0協議