# 转化漏斗

转化漏斗模型，是分析用户使用某项业务时，经过一系列步骤转化效果的方法。

在理想情况下，用户会沿着产品设计的路径到达最终目标事件，但实际情况是用户的行为路径是多种多样。通过埋点事件配置关键业务路径，可以分析多种业务场景下转化和流失的情况，不仅找出产品潜在问题的位置，还可以定位每个环节流失用户，进而定向营销促转化。

## 转化漏斗能解决哪些问题？

1. 官网流量很大，但注册用户很少，是过程中哪个环节除了问题？
2. 用户从“注册 – 绑卡 - 提交订单 - 支付订单” 总体转化率如何？
3. 不同地区的用户支付转化率有什么差异？
4. 两个推广渠道带来不同的用户，哪个渠道的注册转化率高？
5. 上周针对注册环节的问题做了一次优化，转化率趋势是否有提升？

   ……

![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-LvOIHM-SfmkArp-0NjR%2F-LvOS7gCXA5m8uubPfkI%2Fimage.png?alt=media\&token=93b4a4bb-3b42-4602-bb1a-d32049bb7a89)

## 1. 定义指标区

左侧为指标定义区域，建立转化漏斗，细分维度查看，支持条件过滤，支持多个人群的对比分析。

### 1.1 建立漏斗

每个漏斗至少由两个步骤构成，每个步骤可以选择相应事件，包括页面事件和点击事件。

每个事件都可以增加筛选条件作为约束，例如对于启动事件，可以限定平台属性值为Android，购买理财可以限定购买金额属性值大于10000。

每个步骤的事件为有序关系，第二步用户必定为第一步的用户，后面依次类推。

![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MG1cYZX2CZtdihXEPBm%2F-MG1fGw1tzm_0jRHFEW3%2Fimage.png?alt=media\&token=0c171a27-1c0d-4566-afcc-dd59286a691d)

**转化周期：**是指用户需要在限定的时间内完成所有转化步骤才算转化成功，否则计为流失。

{% hint style="info" %}
 默认转化周期为 7 天，支持用户自定义，最短 1 分钟，最长 180 天

**注意：这里的 天  代表24小时，非自然天**
{% endhint %}

### 1.2 细分维度：按X查看

点击细分维度后，选择细分的维度即可查看具体维度不同属性值的转化漏斗，细分发现转化率差异。例如查看不同平台的或不同性别用户的转化漏斗。

![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-LvOIHM-SfmkArp-0NjR%2F-LvOSdzqaF2zgcDZoSmW%2Fimage.png?alt=media\&token=9f65954f-bde2-4284-9cd8-9175f44468ab)

{% hint style="info" %}
只能选择一个维度展开。
{% endhint %}

#### **维度包括3类属性：**

* 公共的事件属性
* 各个步骤事件的自定义属性： 假设选择步骤 4 的属性“产品名称”，表示在完成转化/确认流失的用户中，按照转化到步骤 4 时的“产品名称”的值来进行分组。

  若没有转化到步骤 4，则按照"(无值)"组处理。
* 用户属性：根据用户属性来分组，e.g. 性别，则会按照 男、女 各自用户来分组。

点击细分维度选择下拉框中，对 **数值型** 和 **日期时间型** 做特殊标识；

当分组个数超出 50 个时，默认展示最近的时间单位内指标数值最大的50个分组，可以在图例自行选择其他的分组。

**A. 数值型维度分组方法**

![ ](https://imguserradar.analysys.cn/fangzhou/img/2018/08/201808141124296588.png)

**B. 日期型维度分组方法**

![ ](https://imguserradar.analysys.cn/fangzhou/img/2018/08/201808141129271063.gif)

### 1.3 公共过滤条件

假设选择的是公共过滤条件是城市-北京市，则A、B 、C、D 4个步骤中的用户都按北京市的值进行转化计算。

![ ](https://imguserradar.analysys.cn/fangzhou/img/2018/08/201808171408208357.png)

### 1.4 筛选用户群

可点击所有用户下拉菜单选择自定义人群，查看人群漏斗情况；可对比多个人群的漏斗情况，当选择多个人群时，不能再细分维度；可对全量用户进行随机抽样，查看漏斗情况。

![ ](https://imguserradar.analysys.cn/fangzhou/img/2018/08/201808141134020903.png)

## 2. 图表展示

图表展示区，可以选择时间范围，默认近30日。

### 2.1 时间范围

时间范围限制的是第一个步骤发生的日期。

### 2.2 图表展示

不同的漏斗、条件、人群、维度组合可以可视化呈现。

### 2.3 转化/转化趋势

转化查看所选用户群的总体转化情况。 转化趋势可查看总体转化率，也可按步骤查看每步之间的转化率、转化用户数、转化时间中位数和流失用户数。

![ ](https://imguserradar.analysys.cn/fangzhou/img/2018/08/201808141144409929.png)

#### **A. 单个人群的关键路径转化漏斗**

![ ](https://imguserradar.analysys.cn/fangzhou/img/2018/08/201808141017396454.png)

#### **B. 多个人群的在同一关键路径的转化对比**

![ ](https://imguserradar.analysys.cn/fangzhou/img/2018/08/201808141019522396.png)

### 2.4 指标算法

**总体转化率** = 最后一步转化的用户数 / 第 1 步的用户数 \* 100%;

**各步骤转化率** = 第 n 步转化的用户数 / 第 n -1 步的用户数 \* 100%；

**转化用户数 =** 指完成从上一步骤到下一步骤转化的的去重用户数；

**转化时间中位数 =** 指完成从上一步骤到下一步骤转化，用户所需时间的中位数；

**流失用户数 =** 指上一个步骤的用户数 - 上个步骤到该步骤转化的用户数；

#### **基础计算规则**

假设一个注册流程的事件：点击注册-输入邮箱-输入密码-输入手机号-注册成功5个步骤，以下用 A - B - C - D - E 表示，则建立漏斗的事件为 A - B - C - D - E ，选择 2018/03/01-2018/03/07，转化周期为2天**。**

e.g.在 2018/03/01-2018/03/07内触发了A事件

1.若在触发A事件后的两天内，按顺序完成了 B - C - D - E，则视为一次完整的转化。

2.若在这个过程中，穿插完成了其他步骤或者事件,用户的行为序列为 A - B - F - C - G - D - H - H - E，则依然视为完成了一次完整的转化。

3.若在触发A事件的两天内顺序触发了 B - C - D - E，两天后才触发 E，则 A - B - C -D 记为转化，D - E 视为流失。

4.若在触发A事件的两天内顺序触发了 B - C - E，而漏掉了 D，也不算一次完整的转化，A - B - C 记为转化， C - D 视为流失。

5.若在触发A事件的两天内顺序触发了 B - D - C - E，则 A - B 记为转化，B - C 视为流失。

> 注：3 、4、5 最终均触发了 E 事件，完成了注册，但并未按漏斗规定的时间和顺序进行转化，所以最终的转化率皆为 0。

若一个用户在所选时间范围里有多个事件都符合某个转化步骤的定义，则优先选择靠近最终转化目标的事件作为转化事件，并在达到目标时停止计算。

**同时发生的事件**

对于一秒内发生的两个事件，如果是不同事件，在计算漏斗时我们会认为他们是“同时”发生的。也就是说，无论他们实际发生的先后顺序是什么，我们都会计算为转化。例如，一个人如果先触发了事件A，然后又在一秒内触发了事件B，对于以下情况都会认为是转化：

> 事件A > 事件B 或 事件B > 事件A

如果是同一事件，我们会将计算精度提高到1毫秒来确定他们发生的先后顺序，以得到准确的转化数据。假如两个相同事件发生在同一秒，则我们会认为它们之间没有转化。

{% hint style="info" %}
从5.1版本开始，漏斗分析统一成毫秒精度，假设两个事件发生在同一毫秒，则我们会认为他们之间没有转化。
{% endhint %}

## 3. 人群下钻分析

所有图表中的数据节点，都可以下钻查看人群概览以及保存人群。

下钻人群下钻功能与分群一致，可在[分群](https://arkdocs.analysys.cn/features/user)中作进一步了解。

## 4.  FAQ

### 4.1 漏斗分组结果与筛选条件下结果不一致

答：漏斗分析中，筛选条件是先筛选再计算出漏斗，而分组是先计算出漏斗再进行分组，即筛选条件是作用于计算漏斗之前，分组是作用于计算漏斗之后，所以二者的结果可能不一致。比如，漏斗定义的步骤是A-B-C。某用户的行为的序列是A1(操作系统=Andriod)-A2(操作系统=iOS)-B-C，此时无论筛选操作系统等于Android还是iOS，那么最终该用户都有转化。当按“操作系统”分组时，按照漏斗的计算规则该用户的漏斗转化为A2(操作系统=iOS)-B-C，即该用户的转化将会被分组到iOS。此时，漏斗分组下Android的分组结果与筛选条件筛选操作系统等于Android的结果不一致。

### 4.2 漏斗分析的用户数与事件分析的触发用户数不一致

答：区分非分组场景和分组场景。

非分组场景下，漏斗第一步与事件分析不一致，检查二者其他条件是否一致，比如筛选条件、抽样。检查是否缓存导致，都强制刷新。其他步骤结果不一致，是正常的。

分组场景下，漏斗的分组是基于用户的最优转化路径进行分组的。单周期内，单个用户最多只会算1次转划。而事件分析的分组，是明细粒度的。单个用户单个周期内不同的分组取值，所有分组都会被计算。比如，漏斗定义的步骤是A-B-C。某用户的行为的序列是A1(操作系统=Andriod)-A2(操作系统=iOS)-B-C。事件分析中，A事件按操作系统分组，Android与iOS都会计算，漏斗分析中，转划只会被计算到iOS分组。

### 4.3 漏斗的总体转划率没有按天转划率高

答：因为总体是单独作为一个整体的周期计算的，而单个用户在单个周期最多只会算1次转化，所以当每天转划的用户重叠度很高时，总体的转划率就有可能比按天的转划率低。

比如，1号有a、b、c、d 4个用户，其中b、c、d 都转化了，2号有b、c、d 、e 4个用户，其中还是b、c、d 转化了。3号有b，c，d，f 4个用户，其中还是b、c、d转划了。此时1-3号每天的转划率都是75%。总体是a、b、c、d、e、f 6个用户3个用户有转划，转划率50%。

### 4.4 按漏斗非首步事件属性分组时，转划率看上去都是100%

答：漏斗定义的步骤为A-B-C-D 。按事件C的属性分组。漏斗的分组是基于用户的最优转化路径进行分组的，当且仅当，用户的最优转化路径中包含C这个事件，对应C事件的分组属性才可能有值。。也就是说，当且仅该用户的最长转化路径大于等于3时，对应C事件的分组属性才可能有值。因此，当按漏斗的第三步的某属性分组时，所有属性有值的分组中，A-B以及B-C的转化都会是100%。未转化的用户，都分到了(无值) 的分组中。

即，当按漏斗非首步事件的属性分组时，该分组步骤之前的环节在分组值有值的分组下，转化率都会是100%。

### 4.5 调整漏斗步骤后，其他步骤的数据也发生了变化

答：区分非分组场景和分组场景。举个例子，原来A-B-C-D-E 5步漏斗，现在删除漏斗第三步，变为A-B-D-E的漏斗。

非分组场景下，漏斗某一步步骤发生了调整，会影响后面步骤转化的判定。即举例中，漏斗第一步、第二步的用户数以及转划率不会发生改变，后续步骤的转划用户数将有可能改变。

分组场景：漏斗任何一步发生变化，对最优转划路径的判定都会产生影响，因此每一步转化用户数都有可能发生变化。举个例子，某个用户的行为序列为 A-B-D-E-A-B-C-D-E，如果漏斗定义是A-B-C-D-E，那么用户最优转化步骤为A-B-D-E-**A-B-C-D-E**.而漏斗定义为A-B-D-E时，漏斗的最优路径为**A-B-D-E**-A-B-C-D-E。最优路径判定的不同，将导致用户的最终转划所属的分组也不同。分组场景下的合计项与非分组场景一样，变化步骤之前漏斗步骤的结果不会发生变化。

{% hint style="info" %}
以上内容没有解答我的问题？[点击我来反馈](https://support.qq.com/products/118522/) 🚀
{% endhint %}