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上線後，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內完成購買的使用者只有不到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，好不容易吸引來使用者之後，如何讓他們真正開始持續使用，啟用他們？

於是，這個增長團隊梳理出了使用者從下載開啟到最終購買的整個體驗路徑，提煉出5個關鍵步驟，分別是：a下載和開啟App、b搜尋瀏覽、c將商品放入購物車、d新增信用卡資訊、e完成購買結算。然後列出這段時間，每個步驟的實際人數，和對應的轉化率：

資料和對應的轉化率的結果很直觀，團隊成員發現：

大量使用者將商品放入購物車後沒有新增信用卡資訊就離開頁面了（c到d為20%），但那些成功新增信用卡資訊的使用者，在之後完成購買的比例很高（d到e為75%）。此外，許多使用者搜尋商品數量並不多（a到b為30%），相比之下，下載App後特別活躍的使用者第一次開啟時就瀏覽了很多商品（活躍使用者a到b的比例很高）。

有了這個資料其實就能很清楚的看出：商品本身或者App的體驗沒什麼問題，能正常支付的使用者大部分還是完成購買了，但是新增支付工具的和結算體驗卻存在障礙。團隊需要嘗試讓使用者能更輕鬆的結算。同時，考慮新增使用者搜尋量不高，還得嘗試鼓勵初訪者搜尋和瀏覽更多商品，比如設定特惠賣場介面、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資料發現和診斷問題的，在這裡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，什麼是漏斗模型？

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網際網路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，包括但不限於：

財務分析（整個利潤表其實就是個漏斗，比率分析），產品設計（診斷使用者一系列行為轉化率），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使用者體驗流程的例子，漏斗模型還有其他很多種應用。

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（或者說佔據使用者心智的深度）的量化。提到XX品類，第一時間想到的品牌。比如“提到短視訊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使用者群體的心智中佔了多少領地。Un-Aided：代表對品牌弱定位（進入使用者心智，但還不夠深）的量化。提到XX品類，還能想到哪幾個品牌。比如“提到短視訊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品類裡所有知道的品牌。比如“在短視訊App裡，你都知道哪些App？”，一個人可能會回答快手、抖音、微視、視訊號…等很多個App。

關於這幾個指標基於心理記憶的解釋

關於行為漏斗，根據行業/品類的不同特性，可以設定成各種指標，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資料（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，有監測資料會比使用者回憶更準一些），並對品牌/產品進行診斷。

比如這個例子：

AB兩個品牌在一波營銷過後，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的宣傳後印象深刻，但是由於媒體渠道選的不好，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資料，套用漏斗模型進行分析，廣泛應用於快消品、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，淨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，所以淨利潤率表示效益。

應用基礎與個體“私域”漏斗

應用漏斗模型做分析的基礎有兩個：

基於目的抽象出流程數字化，有能力收集每個流程或步驟的資料

基於目的抽象出流程：比如想解決使用者從開啟到下單的轉化問題，或者想讓使用者更順暢的體驗到產品的Aha時刻（即使用者體驗到產品最大價值的那個時刻），可以基於使用者實際體驗，抽象為“開啟-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使用者行為/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、使用者的行為其實很複雜，像例子中的電商App，實際上頁面層級會很多、使用者也可能會在各種頁面上“逛”，要如何梳理出關鍵步驟，構建有效的使用者路徑圖，並衡量其間轉化，其實是個難點。

還有像AARRR或者AIDA這種“大”模型，可以提供巨集觀策略上的參考，但在精細分析，比如複雜媒體環境下不同渠道帶來的認知或者獲客時，如何取捨、如何處理不同漏斗間的交集或者巢狀，其實都會有些難度。

數字化：抽象出流程後，就得拿到每個流程的資料，才好真正開始分析。對於企業而言，最好當然是建立自己的數字化體系、資料倉庫，監測自己的使用者/客戶全部行為資料。或者也可以藉助外部供應商的SaaS/Paas之類的資料平臺做部分業務的數字化。除了行為資料之外，也可以用問卷調研的方式獲得使用者態度或心理資料。

不過，其實資料存在於生活中的各個角落。對於小規模的活動，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，直播後有多少人新增微信，有多人截圖分享，其實都可以量化，並且計算轉化率，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…並不一定非得是大公司才用得到。

侷限和深入分析

漏斗模型雖然很常用，但也不是萬能的。最大的侷限在於，漏斗分析是一個純診斷工具，也就是說它可以告訴你哪裡出了問題，但是即沒有辦法回答為什麼出現這樣的問題，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資料分析，來挖掘問題背後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：自己的細分使用者在漏斗各環節的不同表現；不同時段的漏斗資料表現等等

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“試用後購買產品的使用者”vs“試用後沒購買產品的使用者”之間的差異，發現：

購買的使用者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（即使用者體驗到產品最大價值的那個時刻）正是使用者發現自己能回收足量的結果，並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，回收資料超過這個數，使用者就能感知產品價值。

於是他們做了很多試驗，來儘可能幫助使用者提升回收問卷的數量。比如視訊教程，指導使用者做更簡短且有效的問卷，以及在哪裡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絡使用者提供釋出問卷的建議。最終大幅提高了使用者啟用率。

說白了，算個轉化率其實沒什麼門檻，關鍵還是怎麼用能夠發現問題和解決問題。

作者：Allen 複雜世界的簡單觀察。 內容包括：F（方法理論-市場與使用者研究）、G（觀察例項-對市場&品牌&使用者的觀察和分析）、Z（雜七雜八-可能涉及遊戲化、社會學&心理學、資料&數學模型等等）