站長資訊網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，來跟大家說說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上線后，通過各種推廣，短時間內就獲得了19萬用戶，但是到最終在App內完成購買的用戶只有不到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，好不容易吸引來用戶之后，如何讓他們真正開始持續使用，激活他們？
于是，這個增長團隊梳理出了用戶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：
- 下載和打開App；
- 搜索瀏覽；
- 將商品放入購物車；
- 添加信用卡信息；
- 完成購買結算。
然后列出這段時間，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：
- 大量用戶將商品放入購物車后沒有添加信用卡信息就離開頁面了（c到d為20%），但那些成功添加信用卡信息的用戶，在之后完成購買的比例很高（d到e為75%）。
- 此外，許多用戶搜索商品數量并不多（a到b為30%），相比之下，下載App后特別活躍的用戶第一次打開時就瀏覽了很多商品（活躍用戶a到b的比例很高）。
有了這個數據其實就能很清楚的看出：商品本身或者App的體驗沒什么問題，能正常支付的用戶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。團隊需要嘗試讓用戶能更輕松的結算。同時，考慮新增用戶搜索量不高，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，在這里面用到的很重要的一個工具就是“漏斗模型”。
漏斗模型及常用應用模型
所以，什么是漏斗模型？
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，包括但不限于：
- 財務分析（整個利潤表其實就是個漏斗，比率分析）；
- 產品設計（診斷用戶一系列行為轉化率）；
- 廣告（流量監控、效果評估），品牌（認知-行為轉化）等等。
當然除了開頭舉的那個用戶體驗流程的例子，漏斗模型還有其他很多種應用。比如：
品牌認知-行為漏斗
在衡量品牌知名度的時候通常會用三個指標：
- Top of Mind：代表對品牌強定位（或者說占據用戶心智的深度）的量化。提到XX品類，第一時間想到的品牌。比如“提到短視頻App，你第一個想到的是哪個App”，一個人可能會回答快手，另一個可能會回答抖音，但每個人只會有一個top of mind，最終可以統計各個品牌在用戶群體的心智中占了多少領地。
- Un-Aided：代表對品牌弱定位（進入用戶心智，但還不夠深）的量化。提到XX品類，還能想到哪幾個品牌。比如“提到短視頻App，你還能想到哪幾個App”，一個人可能會回答抖音、快手…等數個App，但通常不超過5-7個。因為人的記憶/心智也是有限的。
- Awareness：代表廣泛的知名度。XX品類里所有知道的品牌。比如“在短視頻App里，你都知道哪些App？”，一個人可能會回答快手、抖音、微視、視頻號…等很多個App。
關于這幾個指標基于心理記憶的解釋，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。
關于行為漏斗，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，有監測數據會比用戶回憶更準一些），并對品牌/產品進行診斷。
比如這個例子：
AB兩個品牌在一波營銷過后，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的宣傳后印象深刻，但是由于媒體渠道選的不好，覆蓋的人群不夠，所以整體知名度要更弱一些。
AARRR漏斗
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：
AIDA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，廣泛應用于快消品、耐消品：
利潤漏斗
財務分析三張表中的利潤表其實也是一個漏斗，凈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，所以凈利潤率表示效益。
應用基礎與個體“私域”數據漏斗
應用漏斗模型做分析的基礎有兩個：
- 基于目的抽象出流程；
- 數字化，有能力收集每個流程或步驟的數據。
基于目的抽象出流程：比如想解決用戶從打開到下單的轉化問題，或者想讓用戶更順暢的體驗到產品的Aha時刻（即用戶體驗到產品最大價值的那個時刻），可以基于用戶實際體驗，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戶行為/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、用戶的行為其實很復雜，像例子中的電商App，實際上頁面層級會很多、用戶也可能會在各種頁面上“逛”。要如何梳理出關鍵步驟，構建有效的用戶路徑圖，并衡量其間轉化，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，比如復雜媒體環境下不同渠道帶來的認知或者獲客時，如何取舍、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：抽象出流程后，就得拿到每個流程的數據，才好真正開始分析。對于企業而言，最好當然是建立自己的數字化體系、數據倉庫，監測自己的用戶/客戶全部行為數據。或者也可以借助外部供應商的SaaS/Paas之類的數據平臺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戶態度或心理數據。
不過，其實數據存在于生活中的各個角落。對于小規模的活動，甚至個人，都可以靈活地應用這兩步。
比如個人在社群做文字或者直播分享，最大覆蓋多少人或多少微信群，有多少人觀看直播，有多少人評論，多少人轉發，直播后有多少人添加微信，有多人截圖分享，其實都可以量化，并且計算轉化率，還可以在不同場次/不同社群間對比。
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……并不一定非得是大公司才用得到。
局限和深入分析
漏斗模型雖然很常用，但也不是萬能的。最大的局限在于，漏斗分析是一個純診斷工具，也就是說它可以告訴你哪里出了問題，但是即沒有辦法回答為什么出現這樣的問題，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，來挖掘問題背后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。
- 對外：和競爭對手比、和行業平均值對比。
- 對內：自己的細分用戶在漏斗各環節的不同表現；不同時段的漏斗數據表現等等
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“試用后購買產品的用戶”vs“試用后沒購買產品的用戶”之間的差異，發現：
購買的用戶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（即用戶體驗到產品最大價值的那個時刻）正是用戶發現自己能回收足量的結果，并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，用戶就能感知產品價值。
于是他們做了很多試驗，來盡可能幫助用戶提升回收問卷的數量。比如視頻教程，指導用戶做更簡短且有效的問卷，以及在哪里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系用戶提供發布問卷的建議。最終大幅提高了用戶激活率。
作者：Allen，微信公眾號：Allen走走神
