漏斗模型是一套流程式数据分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP用户行为分析的流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析的工作中。
漏斗分析最常用的是转化率和流失率两个互补型指标。用一个简单的例子来说明，假如有100人访问某电商网站，有30人点击注册，有10人注册成功。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分析模型。
漏斗模型的概念最早由St. Elmo Lewis （美国知名广告人）在1898年提出的，叫做消费者购买漏斗（the purchase funnel），也叫消费者漏斗（customer funnel）、营销漏斗（sales/marketing funnel），是一种品牌广告的营销策略，准确的概括出了顾客关于产品或者服务的流程。漏斗模型主要是可以对流程中的各个环节进行分解和量化，帮助有效找到问题并进行优化，从而整体提升运营效率。
Lewis提出的这个策略，后来被称为AIDA模型，即意识-兴趣-欲望-行动。在接下来的100年里，随着漏斗模型的推广，为了适应新的媒体平台，以及用户行为路径的改变，它经过多次的修改和扩展，产生了各种衍生版本，比如大家耳熟能详的AIDMA、AISAS、AARRR等模型。由于这些模型在平时工作中依然可以指导我们的工作，下面我们分别来介绍一下：
2.1 AIDMA模型
AIDMA模型是在AIDA模型（Attention, Interest, Desire, Action）的基础上，增加了Memory，形成的注意 → 兴趣 → 欲望 → 记忆 → 行动（购买）的模型。从吸引消费者的注意力，到引起用户可以转向欲望的兴趣，并能够记忆住足够的时间，以便用户作出行动（在下次的时候购买）。
AIDMA模型主要适用于品牌营销方面，当然现在很多互联网产品也开始把自己作为品牌去打造，比如拼多多、抖音冠名综艺节目，爆款H5刷屏，网易云音乐的地铁刷屏广告等，都是从引起用户的兴趣，强化品牌记忆，从而吸引潜在用户。 不过，AIDMA的用户流程并不是即时转化的，且缺乏购买后的用户反馈信息。
2.2 AISAS模型
因为AIDMA模型缺少用户反馈的环节，且随着互联网用户教育的完成，消费者行为模式发生了改变，随之衍生出了AISAS模型（Attention，Interest，Search，Action，Share)，也就是注意-兴趣-搜索-行动-分享。用户从接受到产品的宣传营销信息（硬广or软文），到引起兴趣，然后开始搜索进行了解（百度、知乎、微博、淘宝），到在线下载或支付，以及后续的评价分享环节（产品内、微信微博）。
AISAS模型更符合互联网的特点，时效性强，但它和AIDMA模型一样，依旧缺乏量化标准，每一环节的效应不能通过数据进行反馈。
AARRR模型是2007年由Dave McClure(500 Startups创始人)提出的一种业务增长模式。它包括5个阶段：获客(Acquisition)、激活(Activation)、留存(Retention)、商业变现(Revenue)、自传播(Referral)。它被做为公司关注的五个最重要的指标，因为这些指标有效地衡量了产品的增长，同时又简单且可操作。在之前的文章《超详细的APP数据指标体系分析 | 推荐收藏》有提高AARRR模型，感兴趣的朋友可以查看。
漏斗模型在电商网站中应用最为广泛，如图，电商类产品的用户，从首页进入到最终完成支付的行为，大多需要经过几个环节：商品/浏览分类—查看商品详情—加入购物车—生成订单—开始支付—完成支付。对于电商产品来说，最主要的目的是下单支付，因此成交转化率是衡量整个流程的全局指标，对于单独的某个环节来说，一般是UV、CTR（点击通过率）、页面停留时长、转化率、跳出率等。
我们需要监控用户在流程上各个层级的行为路径，寻找每个层级的可优化点；对没有按照流程操作的用户绘制他们的转化路径，找到可提升用户体验，缩短路径的空间。下面将从首页流量—搜索列表页—详情页—加入购物车—提交订单—复购这几个阶段展开说明：
3.1 首页流量
我们一般会通过各种手段将外部各种不同渠道的流量引流到首页，这时流量的质量就显得很重要，通常用来衡量页面流量质量的指标有页面UV点击率、页面停留时间、跳出率。用户对首页感兴趣，就会产生必要的点击行为，而点击行为会产生页面UV点击率和跳出率两个数据。
页面UV点击率=页面点击次数÷页面UV数
跳出率=通过一个入口进入就离开的次数÷通过该入口访问的总次数。
点击率越高，说明页面呈现的内容能够有效的吸引用户关注；跳出率越高，说明页面呈现内容和文案与用户的期望不符合。因此对于首页的优化是提高页面的点击率，降低页面的跳失率，尽量让用户进入下一个页面。
除此之外，通过这个数据也可以判断流量来源的质量是否过关，一般而言，在排除页面问题的情况下，页面流量低质量往往有低点击率、高跳失率、页面停留时间短三个特点。这些低质量流量产生的原因主要有几个方面：
①渠道引流上呈现的文案内容与承接的落地页不相符；
②承接页出错等其他原因，包含但不限于技术跳转错误等问题；
③投放了与目标用户不相符的渠道，也就是投放渠道不精准（如图是各外部渠道引流的质量对比）。
3.2 搜索列表页
搜索列表页在大型电商网站中有着不可代替的重要作用，也是站内流量的主要来源，承接着站内商品检索，品类布局的重任。搜索页是依据用户输入的关键词来进行整体检索，并呈现给用户商品陈列页面。而列表页则是与网站商品类目后台直接关联，呈现品类最全的页面，两者的功能都是为了给予用户更好和更快的定位到想要查看的商品，因此在这一级的页面中数据指标包含：
（1）搜索点击率=点击次数/搜索次数，这个指标衡量搜索页面的呈现质量；
（2）UV到详情页转化率=详情页UV/搜索或者列表页UV，该指标在搜索和列表中同样适用，用来平衡点击率的作弊可能，也是反映详情页质量的指标之一；
（3）搜索无结果次数：用以反映关键词涉及的品牌品类缺失或者未关联指标。当然搜索无结果的次数越低越好。对于搜索词呈现结果为空的品类，需要综合评估后决定是否对相关类目开启招商，引进产品线；对于未关联的品类需要着重优化页面，重新关联；
（4）搜索结果页首屏点击率=搜索首屏点击次数/搜索次数，该指标用以衡量搜索结果首屏的商品排序质量与呈现质量。该数据指标的好坏可以间接的反映出搜索词呈现的页面排序是否合理，是否符合用户的需求；
（5）搜索次数与人数：搜索词产生的搜索次数或被多少人搜索，一个搜索词的搜索次数和人数越高，表示该词所涉及的类目需求量高，反之亦然；
（6）高级筛选项点击次数：在搜索列表页中，页面顶部的高级筛选项是为提供快速定位而设立的，高级筛选项的点击次数和使用率也可以为运营人员提供商品热度参考。
在理出了这些指标之后，如何分析这些指标数据呢？
①根据搜索词的搜素次数与人数重点关注排名靠前的高搜索量的关键词，搜索量高，代表关注度高，接受性强；
②热门搜索词关注其点击率与详情页到达率。点击率过高，UV到详情页到达率一般，可能出现了点击作弊的情况（商户用来刷新排名）；点击率高，到达率也高。说明该关键词的搜索结果页面运转良好同时也说明该关键词页面排序合理，反之则需要优化；
③高级筛选项参数点击次数过低，使用率较少则需要重新设置高筛项展示项目，提高使用率；
④对于搜索无结果的关键词则需要进行深度分析，是否是系统问题或者是涉及未引进的产品，并反馈给招商采购部门，作为采购依据。
总的来说，对搜索列表页的数据分析归纳为：高搜索词重点优化，提高其点击转化；无结果词分析反馈；页面点击注重高筛选适用性，方便用户快速定位。最终目的是让用户下沉到详情页。
3.3 详情页
详情页作为流量转化的关键页面，是承载商品信息的最基本单位，也是用户决定下单购买的最重要一环。因此在分析详情页的时候，数据指标更多的是详情页的质量和转化率。详情页质量的高低从数据的量化角度来看是平均页面停留时间和加入购物车数。
（1）平均页面停留时间=页面停留总时间/访问UV数，该指标与页面的呈现布局有着明显关联，包含商品参数介绍，详情图片描述，客服在线情况，好评率等。
（2）加入购物车数：反映该商品有多少购买意向者，是转化的关键步骤。加入购物车的数量多少基本由详情页页面综合质量（图片，排版，展示，参数说明，售后信息）、在线客服综合服务指数（响应时间，在线时长，答复满意度）、评价信息（好评率，差评回复内容，晒单信息）等几个因素决定。
3.4 购物车
对于快消品、标准品的电商网站来说，设置购物车一方面是为了节省用户挑选多个商品的付款时间，另一方面就是提高了客单价。在配合满减优惠券等促销手段，购物车必然能够起到事半功倍的作用。在购物车中如果大量积压了客户选购的商品，但用户却始终没有下单支付，这个时候则需要采用短信催付，邮件催付，以及push等手段来促进用户转化。
3.5 订单
订单页面是纵向转化的最后一环，在这个界面最主要的目的就是尽量让用户尽快付款，达到最后的转化。
有效订单转化率=成交订单数/有效订单数，在这个阶段促成转化是较为简单的，如果有效订单转化率较低就要分析是否支付页面存在问题，系统提交流程是否出错等。在排除系统问题后同样可以使用短信或push等手段进行催付。
最后作为总览全局的用户转化指标：UV成交转化率=成交订单数/页面UV数；
作为考核整体用户价值的指标：平均UV价值=成交金额/页面UV数。
3.6 复购
复够率=一段时间内重复购买的客户数/一段时间内产生购买的客户数，该指标要求我们从横向时间维度来分析数据。
一个成熟期的购物网站其老用户贡献的销售额大约占据总数的60%-70%。因此我们在看到流量漏斗转化模型的同时，更加要加深对会员的分层管理，用良好的服务以及具有创意的活动维系老用户。如果复购率低，可以采取如下的手段：
①可通过短信push、线下广告或者活动来对老会员进行足够的唤醒和激活；
②如果是近期投入拉新的资源较多，导致新客增多降低了复够率，需要核实拉新活动的数据；
③如果是超低价或者超优惠活动引流也会导致大量新用户引入，也会对复够率产生影响。
以上就是针对电商下单流程的整个过程，当然有很多模块并没有提及，比如智能交叉推荐等，我们只需要理解其中的数据分析的逻辑即可。
落地页的分析往往很主观，比如落地页要有画面感、优点要突出、生动并吸引眼球等等，这类词都经常会出现在落地页分析中。稍好一些的团队会有落地页的专项数据分析，落地页一般有三种目的：发展用户、促成成交易、搜集线索。
现有的落地页分析一般是漏斗模型，而漏斗的各层级是由页面决定的，比如落地页→购买页→订单页→购买。但是这样的流程分析往往会让我们跑偏，比如落地页到购买页的转化率较低，那么就在落地页上增加许多的入口，诱导用户进入购买页。这样的改版最终的结果往往是这一步骤的转化率得到了提升，但是之后的转化率随之下降，整体的转化率并没有明显的改善，甚至还会因此困扰用户造成整体转化率的降低。
我们分析漏斗转化的目的，是希望能够提升最终的转化，而不是各层级的转化。如果用户没有发自内心的购买意愿，无论前面的转化率有多高，到了最后支付的环节依然还是需要靠用户的实际购买意愿来达成交易。所以，我们改版的目的实际上是激发用户的购买意愿。
不论我们的落地页形式怎样，在消费者自身看来，他们需要经历的步骤就是这么几个。实际上“用户视角”版本是漏斗转化背后的真实逻辑。我们先来梳理一下用户在一般的落地页的整个购买流程。
（1）在流量入口放一链接，可以是banner，开屏，文字等多种形式。目的就是吸引用户点击进入落地页。在这个步骤，用户一般会经历“引起注意”和“引起兴趣”两个阶段。引起注意是让用户在入口处能够关注到我们的广告。勾起兴趣是让看到的用户产生点击广告的意愿。
这个步骤的数据一般有：广告曝光量，点击量，点击率。可以看出“引起兴趣”这个步骤很难通过这些数据体现出来，点击率这个数据只能表现出“引起注意”和“勾起兴趣”的综合效果。
（2）用户进入了落地页，用户首先会看到版头的信息。我们往往会将最核心的活动亮点，产品卖点等放置在版头。如果版头不够吸引人，用户没有get到活动/产品提供给他的价值，那么一般用户就不会进行下滑的操作。在这一步骤中，用户依然还在“引起兴趣”的阶段。所以落地页首屏的下滑操作埋点触发比例，可以看做是“引起兴趣”的衡量指标。
（3）用户开始阅读落地页中提供的详细信息。对于用户来说，这个阶段就在“收集信息”。这个阶段有几个数据可以反映，比如第二屏第三屏的触发埋点数据，到达页面底部的比例，页面阅读的时长等等。
但这几个数据并不是越高越好，如果比例或时长太高有可能是你想要传达的信息太多太杂，不够聚焦。如果比例或时长太低的话，说明用户收集到的信息与之前被激发的兴趣不太符合（如宣传买一送一，结果发现是买一个100元的产品，送一个10元的赠品），或者收集到的信息不能激发购买意愿。所以这个阶段的数据最为复杂，需要有过去的案例做对照组进行参考。
（4）经过前面的阶段后，用户就开始考虑是否值得购买了，这时的用户会关心价格。很多落地页往往会将价格直接放置在落地页上，方便用户查看。但是这样我们就不能从数据中找出究竟有多少人关心价格了。
如果将价格隐藏，放置到购买页中再显示，我们可以知道有多少用户走到了“评价方案”这个阶段。有人可能会有疑问，这样不是会增加用户的点击成本吗？这样的改动会使进入购买页的比例升高，最终的成功比例下降，但整体的转化率基本不会有什么影响。
另外，如果将价格直接放置在落地页上，用户就会首先关注价格，然后再看产品/服务的信息值不值这个价格。甚至有些价格稍贵的商品，用户直接就被吓跑了。因此如果落地页的设计还是直接显示价格的，可以修改成分离的方式。以此来提高我们对用户购买决策的了解程度。
（5）最后就是决定购买了。用户在购买页了解到产品/服务的价格，会对这次的交易进行评价，如果觉得价格合理，则会购买。因此最终的订单转化率就可以看做是这个阶段的数据表现。
1.数据分析要做的最重要的事情并不是告诉业务方发生了什么，而是为什么发生。通过用户角度的购买决策流程分析，每一步的数据可以看出用户实际遇到的问题，而这些问题往往决定了最终的结果。除此之外，在做漏斗分析的时候，也要做一些竞品分析，对于同行业同类数据的转化情况要做到心中有数，尽可能降低用户流失。
2.有些漏斗分析涉及环节比较多，时间周期较长，这时漏斗的环节不该超过5个，漏斗中各环节的百分比数值，量级不要超过100倍。因为超过5个环节，往往会出现多个重点环节，那么在一个漏斗模型中分析重要问题容易产生混乱。数值量级差距过大，数值间波动相互关系很难被察觉，容易遗漏信息。我们可以考虑漏斗的长度是否可以缩短，流程节点顺序是否可以调整，还有避免漏斗流程的断离。