来 源:一个数据人的自留地 漏斗分析是一套流程式的数据分析方法,能够科学地反映各阶段用户转化情况。 漏斗分析模型已经广泛应用于用户行为分析类产品,且功能十分强大:它可以评估总体或各个环节的转化情况、促销活动效果;也可以与其他数据分析模型结合进行深度用户行为分析(如多维下钻分析、用户分群、对比分析等),从而找到用户流失的原因,以提升用户量、活跃度、留存率。 漏斗分析最常用的两个互补型指标是转化率和流失率。举电商的栗子,如上图所示,假如有100人访问某电商网站,有27人支付成功。这个过程共有5步,第一步到第二步的转化率为88%,流失率为12%,第二步到第三步转化率为32%,流失率68%……以此类推。整个过程的转化率为27%,流失率为73%。该模型就是经典的漏斗分析模型。 今天,我们还原几个漏斗模型的原貌,让大家对自己产品的漏斗转化有一个更清晰的认识。根据漏斗分析自身特性,我们需要注意三个要点: 1、时间 时间,特指漏斗分析的转化窗口期。窗口期是指用户完成转化的时间,用户在设定的窗口期内完成完整的转化流程才算做转化成功。举个例子,窗口期设为10分钟的话,“点击视频”为起始事件,选择“视频加载”、“视频播放”、“视频播放完成”为漏斗事件。用户“点击视频”后,10分钟内,用户按顺序完成所有的所选事件,才会被算作完成转化的用户。如果在10分钟内,用户仅完成了“视频加载”事件,那么该用户被算作是在“视频加载”->“视频播放”过程中流失的用户。 2、事件 每一层漏斗,就是一个漏斗事件。其中,最核心的指标就是转化率,公式如下:
3、用户 我们可以在相同的转化漏斗下,通过属性对用户进行划分,快速查看不同类型用户的转化情况。 比较经典的漏斗分析模型有两种:一种是「用户注册流程」,一种是「平台付费转化」。 「用户注册流程」,给大家粗略地勾勒一个用户行为漏斗: 运营过程中,如果我们发现某一天的注册用户数出现波动,除了去查一下市场渠道及广告投放,产品本身的注册功能也可能是出现这个问题的重要因素。 如「平台付费转化」,转化漏斗大致如下: 以上的转化漏斗都没有一个定论,需要大家根据自身的业务实际情况来制定自己的转化漏斗。 此外,对于产品的非功能界面,比如某个活动页,公司简介页等等,用户可能不会按照我们既定的流程到达,那么就要根据自身目标来确认这类非功能界面的转化流程。 当然,数据只有在比较中才有价值。我们需要对于同行业同类数据的转化情况了如指掌,在不低于行业平均水准的情况下,尽可能降低转化过程中的用户流失。 本文将利用 FineBI 对「平台付费转化」进行分析,做一个实操讲解。 数据导入 找到 FineBI 内置的数据集「电商转化分析」,并用它创建自助数据集,如下图所示: 统计不同行为阶段用户数 点击「+>分组汇总」,将行为阶段分别拖入分组和汇总栏,汇总栏选择「记录个数」,如下图所示: 排序 添加「新增列」,对「行为阶段1」进行降序排名。如下图所示: 这样我们就对所有的用户行为的前后顺序进行了一个排名。 添加「新增列」功能,命名为「排名合并列」,输入公式:排序-1,以便后续进行左右合并,点击「确定」,为自助数据集表命名为「转化率数据集-准备」并保存,如下图所示: 左右合并 新建自助数据集,并选择 2.3 节创建好的自助数据集,勾选除「排序」外的其他字段,如下图所示: 添加「左右合并」,选择2.3 节创建好的自助数据集,勾选合并字段为「排序」和「行为阶段1」,点击「确定」,如下图所示: 选择合并方式为「并集合并」,合并依据为「排名合并列」和「排序」,如下图所示: 命名自助数据集为「转化漏斗数据」并保存。 此时已经计算出不同阶段转化数据,只需要在仪表板界面将「行为阶段1」与「转化率数据集-准备-行为阶段1」相除即可得到不同阶段转化率。 创建计算字段 创建仪表板,点击「确定」,选择「转化漏斗数据」,点击「确定」,如下图所示: 点击「+」添加计算字段,命名字段为「转化率」,输入公式行为阶段1/转化率数据集-准备-行为阶段1,点击「确定」,如下图所示: 创建漏斗图 选择图表类型为漏斗图,将「行为阶段」维度字段拖入「颜色栏」,也可对行为阶段颜色进行自定义,并设置过滤条件为「不为空」,点击「确定」,如下图所示: 将「行为阶段1」拖入大小栏中,并修改名字为「人数」,将「行为阶段」、[转化率]、「行为阶段1」拖入标签栏,修改「行为阶段」名字为「最后行为阶段」,并设置颜色字体等,将「行为阶段」拖入细粒度,并按照[人数]降序排列,如下图所示: 结论分析
现实的世界,并非是简单的数据逻辑结构,很多结果都是多种原因综合导致的。 站在多种角度去分析同一个问题,往往可以得到一个更全面准确的答案。 下面我们将结合漏斗的三个要点来做一个深度案例分析,通过运用数据分析的经典方法“拆分”与“对比”定位问题,给出解决方案。 1、发现问题节点 举个例子(以下数据均为非真实数据),下图是某电商App的转化漏斗。我们可以看到,「提交订单」的事件之前的转化率都比较高,但从「提交订单」到「支付订单」的流程中,转化率急剧降低至7%,「支付订单」可能就是需要改进的地方。 tip:转化率低的节点,通常就是问题所在。 2、问题分析 确定问题节点为「支付订单」后,我们开始分析该界面数据。研究单一界面,可以使用的分析方法包括:
我们发现:用户在点击「支付订单」的停留时间长达105秒,这与所需经验时长不符。 3、问题拆分 因为用户在「支付订单」阶段停留的时间过长,我们开始排查问题。 随后我们发现,我们在分析时漏掉了转化漏斗的一个层级,“提交订单->支付订单”应该更正为“提交订单->选择付款方式->支付订单”。重新审视转化漏斗后我们发现,「选择付款方式」到「支付订单」的转化率较低,为9%。 通过对问题拆分,我们重新定位问题节点为「选择付款方式」到「支付订单」。 tip:对问题进行拆分,可以帮助我们深入理解问题。 4、数据对比 问题聚焦到「选择付款方式」到「支付订单」这一环节后,我们开始分析「付款成功」和「付款失败」的用户有什么不同。观察不同手机品牌用户的付款情况时,我们发现: 如上图所示,使用1、2两种品牌手机的用户,“付款失败”的比例较高。将品牌1、2的手机与其他品牌手机对比后,我们发现,这两个品牌的手机相对小众、低端。 而后,我们测试了品牌1和品牌2的几个机型,针对「选择付款方式」界面进行体验,发现存在以下问题:
于是我们做出以下改善:
5、效果验证 界面优化后,我们的漏斗转化流程有明显改善: 通过我们的改善动作,「选择付款方式」到「支付订单」的转化率,从之前的9%上升到了63% ,这是一个非常大的收益。 PS:在转化漏斗的改进中,还可以对界面之间的流转效果进行分析,删去一些不必要的环节,从而提升漏斗转化率。 漏斗分析是用来分析问题的方法,更重要的是,案例背后进行数据分析的思考方式:
|
|
来自: 一叶知秋6012 > 《数据分析师的修养》