数据思维 · 第 3 篇

漏斗分析与归因分析

用户从”看到你”到”买了你的东西”，中间要经历多少步？每一步流失了多少人？流失的原因是什么？这些问题的答案，就藏在漏斗分析和归因分析里。

第一部分：漏斗分析

什么是漏斗分析

漏斗分析（Funnel Analysis）是一种按照用户行为路径，逐步计算各环节转化率和流失率的分析方法。之所以叫”漏斗”，是因为每经过一个环节，用户数量都会减少，形状就像一个倒置的漏斗。

漏斗分析的核心价值在于：

1. 量化每一步转化率：知道用户在哪里流失最多
2. 定位瓶颈环节：集中资源优化投入产出比最高的环节
3. 衡量优化效果：改进后能精确看到某一步的转化提升

经典漏斗：电商购买流程

以一个电商平台为例，用户从浏览到购买的典型路径：

从这张表可以看出：

• 最大流失点在”首页→详情页”（65% 的用户没有点进商品）
• 第二大流失点在”详情页→加购”（65.7% 的用户看了没加购）
• “加购→下单”和”下单→支付”的转化率相对健康

漏斗分析的关键原则

原则一：定义清晰的步骤

每一步必须是一个可被埋点追踪的具体行为，而不是模糊的状态。

原则二：控制时间窗口

漏斗不是”永远有效”的。需要定义一个时间窗口，比如”7 天内完成从浏览到支付的全流程”。

如果不限定时间窗口，一个用户三个月前浏览过商品、今天才购买，也会被计入漏斗，这会让转化率虚高。

原则三：区分设备和用户

同一个用户可能用手机浏览、用电脑下单。如果按设备统计，漏斗数据会失真。应该以用户 ID 而非设备 ID 作为统计粒度。

漏斗分析的 SQL 实现

以电商购买漏斗为例，假设有 user_events 表：

WITH funnel AS (
  SELECT
    user_id,
    MAX(CASE WHEN event = 'view_product' THEN 1 ELSE 0 END) AS step_view,
    MAX(CASE WHEN event = 'add_to_cart'  THEN 1 ELSE 0 END) AS step_cart,
    MAX(CASE WHEN event = 'submit_order' THEN 1 ELSE 0 END) AS step_order,
    MAX(CASE WHEN event = 'pay_success'  THEN 1 ELSE 0 END) AS step_pay
  FROM user_events
  WHERE event_date BETWEEN '2025-03-01' AND '2025-03-07'
  GROUP BY user_id
)
SELECT
  COUNT(*)                                   AS total_users,
  SUM(step_view)                             AS view_users,
  SUM(CASE WHEN step_view = 1 AND step_cart = 1 THEN 1 ELSE 0 END)  AS cart_users,
  SUM(CASE WHEN step_view = 1 AND step_cart = 1 AND step_order = 1 THEN 1 ELSE 0 END) AS order_users,
  SUM(CASE WHEN step_view = 1 AND step_cart = 1 AND step_order = 1 AND step_pay = 1 THEN 1 ELSE 0 END) AS pay_users
FROM funnel;

漏斗分析进阶：分维度对比

单一漏斗只能告诉你”哪一步流失最多”，但不能告诉你”为什么”。要找原因，需要分维度对比。

常见的拆分维度：

案例：分渠道对比

从对比中可以发现：

• 老用户推荐的整体转化率最高（9.68%），应该加大推荐激励
• KOL 直播的加购率很高（25%）但后续转化差，可能是冲动加购后冷静了
• 信息流广告的用户质量偏低，需要优化投放人群定向

第二部分：归因分析

什么是归因分析

归因分析（Attribution Analysis）回答的问题是：用户最终完成转化，功劳应该归给谁？

一个用户在购买之前可能经历了多个触点：

看到朋友圈广告 → 搜索品牌名 → 浏览小红书种草帖 → 点击短信优惠链接 → 下单购买

这笔订单的功劳应该归给朋友圈广告？搜索？小红书？还是短信？不同的归因模型会给出不同的答案。

常见归因模型

用例子说明不同模型的差异

假设一个用户经历了 4 个触点后购买了一件 1000 元的商品：

触点 A（信息流广告）→ 触点 B（搜索点击）→ 触点 C（小红书）→ 触点 D（短信）→ 购买

各模型的归因结果：

可以看到，不同归因模型下，各渠道的 ROI 会有很大差异。选错归因模型可能导致砍掉真正有效的渠道、加大无效渠道的投入。

如何选择归因模型

漏斗分析 + 归因分析的组合应用

在实际工作中，漏斗分析和归因分析经常一起使用：

案例：某在线旅游平台提升预订转化率

背景：某旅游平台发现预订转化率从 4.5% 下降到 3.8%，需要分析原因并优化。

第一步：漏斗分析定位流失环节

定位问题：“选择日期→填写信息”环节下降最明显。

第二步：分维度深挖

发现：国际业务的转化率大幅下降。进一步排查发现，本月汇率波动导致国际产品价格页面显示异常，日期选择后价格”跳涨”，吓跑了用户。

第三步：归因分析优化渠道投放

同时用归因分析发现：

• 末次触点归因下，直接访问占 40%、搜索占 35%
• 但用 U 型归因分析后发现，社交媒体种草贴是 30% 用户的首次触点
• 这意味着社交媒体投放被严重低估了

最终行动方案：

1. 技术团队紧急修复国际产品的价格显示问题
2. 在日期选择页面增加”价格锁定”提示，降低用户焦虑
3. 增加社交媒体投放预算 20%，因为其首次触点贡献被低估

漏斗分析常见陷阱

陷阱一：忽略”跳步”用户

有些用户不按你设计的路径走。比如老用户直接搜索商品名加购，跳过了首页浏览环节。如果漏斗要求严格按顺序，这些用户会被漏掉。

解决方案：根据分析目的决定是用”严格顺序漏斗”还是”宽松漏斗”。

陷阱二：漏斗步骤太多或太少

步骤太多，每步样本量太小，波动大；步骤太少，无法精确定位问题。

建议：核心漏斗控制在 4-6 步，需要细查时再展开子漏斗。

陷阱三：不区分新老用户

新用户和老用户的漏斗形态通常完全不同。混在一起看会掩盖真实问题。

陷阱四：只看转化率不看绝对值

一个渠道转化率 20% 但只有 100 个用户，另一个转化率 5% 但有 100,000 个用户。优先优化哪个？绝对值更重要。

练习题

1. 你是一家在线教育平台的数据分析师。请设计一个从”注册→试听→购课→完课”的漏斗，定义每一步的具体行为，并说明应该用什么时间窗口。

2. 某电商平台发现支付成功率从 80% 下降到 65%。请用分维度漏斗分析的方法，列出你会从哪些维度去拆解这个问题。

3. 你的公司同时在做百度投放、抖音投放、微信公众号内容、邮件营销四个渠道。CEO 问你”应该砍掉哪个渠道”。请解释为什么不同归因模型会给出不同的答案，并推荐一个适合的模型。

小结

下一篇我们将学习 A/B 测试方法论——如何用实验验证因果关系，避免”拍脑袋”决策。