原来漏斗分析应该这样用！

写在前面：
今天阅读了一个有趣的文章~原来漏斗分析可以这么使用！

• 它最主要的思想如下:

  一共进来了多少流量，表达意图的流量占比如何，占比大小可能代表存在什么样的问题，实现意图的流量是多少，多少是否反映我们这个功能的好坏？

• 核心观点是，因为漏斗分析是纵向的分析，但是在每一个漏斗模块可以横向进行分析，细扣流量的变化以及意图。

原文如下:
Original 胖里 胖里的日常 Today
朋友们好呀，我是胖里，欢迎来到我的每周一更。
今天算是有感而发，聊点跟漏斗分析相关的内容。

这两天在数据管道公众号上看了一篇漏斗分析的文章。漏斗分析是一个原理非常简单但却非常实用的分析方法。它可以对某一过程进行科学地评估，从始至终，每个阶段的转化情况都清晰可见。通过漏斗分析，可以发现过程中存在问题的环节，并针对这一环节进行针对性的优化。

我也在很早之前分享的时候提过漏斗分析这种分析方法：数据分析的八种方法

一般提起漏斗分析，不知道大家脑海里浮现的是什么，可能是受限于我现有的认知，提起转化漏斗我的脑子里就是什么用户注册转化、电商下单转化。然后就想起一副五颜六色的漏斗图，浏览人数是多少、点击人数是多少、加购、下单、付款等人数又是多少，各个环节的转化率如何，然后就是笼统的一句概括：通过分析每个阶段的转化和流失，可以直观地发现有问题的环节，进而针对性地进行优化，提升***。

背的挺熟练，但说实话，在我个人进行的分析项目中，我还真的很少用到漏斗分析，或者说用到过这个思想，但是没有用的很完整很彻底。比如一个简单的例子，某天成交额跌了，那实际上看是入口流量跌了？点击率变低了？还是成交转化变差了？这实际上就是一个漏斗分析的过程，分析整个过程，去发现存在问题的环节。

这样想来，我也是在工作中用到过漏斗分析（思想）的。

但今天想说的不是常见的明面上教授的电商下单漏斗、用户注册漏斗，而是我实打实接触了觉得略为有点震撼的漏斗分析。可能有点夸张，也可能因为我之前的认知过于狭隘，导致我在发现这一分析方法可以作用于我当前的项目分析时，有点「啊，原来漏斗分析要这样用」的感觉，还不停地反省自己，这么简单的方法怎么就忘了，害，一定是被猪油蒙了眼睛。

事情是这样的，最近负责一个项目的数据工作，目标是针对某一KPI指标进行优化（这个指标可以理解为一种完成率、解决率这种指标）。但由于项目比较着急，我个人又缺乏对项目的了解，导致很多时候扮演的是个纯数据支持的角色。一味地去寻找大大小小的漏洞，帮忙出简单的数据、抽问题case等，处于不理性、无规划的状态。虽然我也知道这种状态不OK，但项目本阶段KPI指标优化要求比较紧急，DDL将近，为了完成目标，达到要求，只能在短期内说服自己接受了这种盲目的工作方式。

之后阶段性目标完成了，迎来了下一阶段更难实现的目标，针对这一目标，就不能再遵循之前的状态，无明确方向和计划了。

制定分析计划前，我先是确定自己对此项目（业务）已足够熟悉和了解，才能保证自己在此基础上进行较完备的分析计划。与项目负责人和老大聊过后，决定从纵向和横向两个方面去分析。

纵向。

此处的纵向指的是流量的变化过程。由于涉及业务本身，所以稍微抽象一下，可以理解为一波用户进入了某一功能（阶段1），在这一功能里表达了某些意图（阶段2），这一功能实现了用户表达的意图（阶段3），最后的KPI指标是实现率。

由于此业务实际很复杂，导致之前我在分析的时候没有将整个流程梳理清楚，也便没有发现有这种相对较明确的业务过程，而这很明确的业务过程实际上是可以通过漏斗进行分析的。当然这也是漏斗分析的前提，需要确认下某业务过程的关键步骤，是否能通过漏斗对其进行分析。

我梳理了一下我负责的这个业务，实际上，针对我想要提升的指标（此处暂可理解为实现率），对关键环节进行了梳理，简单地包括三个阶段：入口的流量、表达了某些意图的流量、实现了意图的流量。这也就是我刚刚提到的流量的变化过程。对比电商下单漏斗，实际上也差不多，都会存在用户的流失。

针对上面三个阶段就可以进行流量的分析，用数据说话。一共进来了多少流量，表达意图的流量占比如何，占比大小可能代表存在什么样的问题，实现意图的流量是多少，多少是否反映我们这个功能的好坏？

这样一来，分析就不会这一下，那一下，而是有效地定位问题，实现针对性优化。

横向。

只有纵向，分析未免显得太过单调。无论是对于整体流量还是过程中某个环节的流量，横向分析都很有其必要性。比如整体用户分群如何？来源如何？平台如何等。而对于纵向分析中某一环节出现的问题，也可使用横向分析进行维度的拆分，找出表现不好的平台？渠道？或者用户群体？进而分析出原因。

实际漏斗分析只是个简单的分析方法，但却真实有效。只是我常常会忘记它，忘了去衡量某一业务的流程是否能用漏斗来表示。对了，重要的是各个环节是否可以进行量化，发现问题后是否有改进空间、是否具备可操作性。

这大概就是所谓的学以致用吧。其实可能很多时候你学了很多分析方法，但是发现自己现实中用不到。这可能是因为你用了而不自知，也可能是理解的不够充分导致确实需要用了但是自己没发现，没用。另外对于数据分析而言，并不是模型越复杂，数据分析越有效，越有说服力，管它复杂还是简单，能有效进行数据分析并发现问题的模型就是好模型

下次见~

转载：https://mp.weixin.qq.com/s/j2nE8qK-vkMtqlu8DJC2hw