在分析转化场景时，快速找到转化关键短板并解决问题是有效提升转化效果的关键。
下文中将介绍如何通过漏斗分析方法实现上述内容。
1、什么是漏斗分析
漏斗主要针对需要经过多个步骤或缓解才能完成的转化的分析场景。
例如：订单转化需要经过查看商品、加入购物车、结算、提交订单4个步骤，4个步骤具有先后序列关系并构成了漏斗环节。
2、漏斗分析的主要业务场景
任何需要多个步骤完成转化的业务场景都可以使用漏斗分析。按照功能对象的不同可分为：
1. 表单漏斗分析
该场景主要用于对表单内多个元素的完成情况做分析。
表单漏斗分析包括营销活动常见的注册、留资、结算、抽奖、积分兑换、领券等转化目标。
这些表单的显著特点是表单内的元素较多，用户需要填写并完成所有表单内容才能达成转化目标。
2. 单页面漏斗分析
该场景是对一个页面完成转化的情况做分析，例如站外的minisite、营销活动落地页、留资页面等。
通常一个页面可以有一个或多个表单，也可以包含多个流程性功能的组合。
3. 多页面漏斗分析
该场景是对需要多个页面组合才能实现转化的分析，典型场景为促销转化漏斗。
该漏斗从着陆页开始，根据不同的促销方式有多种漏斗模式，例如：
- 抢购流程很可能只包括抢购页面、提交订单两步；
- 大型促销活动包括活动主会场、活动分会场（可选）、商品详情页（可选）、加入购物车、查看购物车（可选）、结算、提交订单；
- 预售流程包括商品详情页、参加预售、提交预付款、提交尾款。
3、漏斗分析的额外数据跟踪
漏斗分析通常需要配合详细的数据跟踪，尤其是涉及到表单这类主体时，对数据粒度的要求更高。
针对表单和页面的漏斗分析需要部署额外的事件类型的数据跟踪：
1. 表单漏斗的数据跟踪
表单漏斗分析需要先对表单的所有元素做事件埋码采集，基本规则如下：
- 触发事件：基于每个元素获得焦点（onfoucs）以及失去焦点（onblur）的事件触发监测，前者表示用户到达了某个元素上，后者表示用户从该元素上离开。
- 监测内容：标准内容为记录表单ID、元素ID，在失去焦点时需要额外将用户输入或选择的内容回传。
2. 单页面的数据跟踪
默认情况下，网站分析工具会跟踪多种页面信息，例如请求日期和时间、页面URL、页面标题、页面分组、页面属性、页面路径以及域名、上一级页面、下一级页面等。
为了配合漏斗分析，还需要增加更多跟踪元素，包括：
- Button类：通常是具有Call To Action功能的按钮。
- 模块点击：具有交互类功能的模块功能，例如导航、切换模块、缩放等。
- 媒体类：视频和音频的开始、暂停、停止、快进、后退、静音、放大等。
- 富媒体交互：根据富媒体内容而定，例如抽奖类、游戏类、活动类等。
4、漏斗分析的主要维度和方法
漏斗分析的维度是各个关键环节，指标包括“量”和“率”两个方向：“量”可以是UV、Session、Events数；“率”包括初始转化率和上一步转化率。
初始转化率为漏斗中的每个步骤的完成“数量”相对于第一步的比例；上一步转化率为每个步骤的完成“数量”相对于上个步骤的比例。
通过漏斗分析转化流程时，主要包括三个步骤：
1. 找到漏斗短板
首先分析转化流程中是否有明显的漏斗短板。常用的判断原则有三个，以购物车漏斗分析为例，漏斗环节包括加车、结算、提交订单，其上一步转化率分别为100%、70%、85%：
- 一是上一步转化率最低原则。例如上面三个环节中，第二步的结算的上一步转化率仅为70%，因此可以考虑优先分析该环节。
- 二是最容易提升原则。例如上面的第二个环节可能提升比较困难，就找第三个环节作为“次级短板”，通常这类短板的改进难度更小，比较容易落地。
- 三是转化就近原则。那个环节离最终转化最近就优先提升哪个，这样能尽量保证改进后的效果提升更加明显。
2. 分析流失的出口页面及其原因
在多页面漏斗分析中，当用户从当前页面进入到其他页面时，可以分析用户为什么会跳转到这些页面。以购物车内的结算环节为例，用户可能跳出到如下页面：
- 产品页：结算页面出现新的商品推介或购物车内的商品信息不完整，导致用户需要到达商品详情页进一步确认商品信息，这会对购物车转化造成极大干扰，因为当用户跳出购物车流程后再进入结算页面的概率会大大降低。
- 运费说明页：在结算页面可能会出现运费信息（包括运费、退换货费用、是否包邮、运费折扣或抵免、退换货政策等），如果在之前（包括商品详情页和加入购物车页）介绍的不够详细，那么用户在该页面可能会产生困惑，导致再跳转到对应页面进一步确认信息。
- 首页：用户点击左上角网站LOGO导致跳出，可能是想要查看更多信息或无意中点击。
- 上一步加入购物车页：回退到加入购物车页面来确认购物车信息，或修改购物车内商品的类目、数量等。
- 会员权益页：在结算页面出现其他与当前购物无关的信息，例如会员权益介绍、价保、积分兑换等，导致用户查看这些信息而跳出转化流程。
3. 分析流失页面或元素本身的退出原因
当用户没有跳转到其他页面，而是直接在当前页面退出时，需要针对当前页面进行分析。
（1）先确定关键问题节点。如果是多个流程，则先流程逻辑分析在哪个流程中流失的用户较多；确定主要流程后，再将其内部的功能或表单进行单独分析，找到细分的流失节点。
（2）再分析问题节点本身的问题。问题节点可能是页面、表单或某个核心功能模块，本身可能存在多种可能性，例如页面在不同设备、操作系统、浏览器上的兼容性、用户体验差异、功能的可用性等问题；节点本身的设计逻辑、结构方式是否符合目标用户的操作习惯；排查问题节点影响了全部渠道还是个别渠道，即是否是特定渠道的流量质量差而导致的等。
5、实例：预约表单的漏斗分析与应用
图6-1是一个汽车预约试驾的留资型表单，其中包含姓名、手机号、所在城市和经销商元素。
通过表单漏斗得到的统计数据如表6-2：
| 环节 | 完成会话数 | 初始转化率 | 上一步转化率 |
| 姓名 | 13201 | 100% | 100% |
| 手机号 | 12014 | 91% | 91% |
| 省 | 4516 | 34% | 38% |
| 市 | 3185 | 24% | 71% |
| 经销商 | 2632 | 20% | 83% |
表6-2 预约表单漏斗数据
6-2数据显示，有13201个会话开始该表单动作，最后到达经销商的转化率为20%；在所有环节中，第三步“省”的是整体漏斗的关键节点，上一步转化率仅为38%。
接下来需要根据用户在“省”这一功能元素上的数据进行分析，可能的问题点包括：
- 省份的排序是否有问题。根据目标用户的省份分布排序能让目标用户尽早的找到省份值。
- 是否需要增加搜索和手动输入功能，以帮助用户更快的找到所在省份。
- 是否需要通过IP自动判断，提示用户当前可能在的省份来提高输入效率。
- 是否缺少特定省份值。
- 是否有必要增加区域划分，例如东北、华北、华东等父级区域来更快的帮助用户定位。
- 是否可以使用地图类的可视化方式，帮助用户更好的定位区域。
上述分析过程主要的探索方向包括：数值排序、查找功能优化、用户体验等方面。除了围绕表单主体外，还需要从更多角度分析，例如：
- 是否特定的浏览器、操作系统、设备的兼容性导致的功能不可用或体验差等方面有问题，通过细分这些维度的漏斗数据可以得到答案。
- 是否某些来源渠道导致的片面结果，如果将特定渠道去除后是否恢复正常。
- 基于留下的姓名和联系方式，通过呼叫中心直接呼出来调查放弃原因（当然需要配合一定的奖励机制和驱动策略）。
- 通过线下合作渠道商的测试，从逻辑上重新梳理表单的元素是否必要，重构表单逻辑。
3. 表单漏斗的应用
（1）优化业务。通过上述分析，大概可以找到到用户在特定环节（例如省份）的退出主要因素，从而产生落地应用点：
- 重构表单逻辑。包括现有元素的顺序、采集方式、以及每个元素内值的逻辑。
- 功能和体验优化。修复有问题的功能或特定场景下的体验问题。
- 优化渠道。找到问题营销渠道，并基于表单转化情况判断渠道质量度和作弊情况。
（2）销售线索留存。通过详细的表单数据跟踪，即使用户未完成总体转化事件（例如提交表单），也可能找到与用户的接触点。例如图6-1中，用户在填写完姓名和手机号后可能发现在其所在地域没有经销商并退出页面，此时企业仍然可以通过已经填写完成的姓名和手机号联系到客户，通过更多优惠措施让用户在临近经销商体验。
（3）新渠道和地域拓展。如果特定地区的销售线索很多，那么可能反馈出该区域的用户对产品的需求度较为高，企业可以考虑在该地区部署网点或发展更多线下合作伙伴，这也是一种通过潜在销售线索拓展业务的方式。
6、知识拓展：跨行为类型的漏斗跟踪
默认情况下，很多网站分析工具只能基于特定维度做漏斗分析，例如多页面漏斗基于页面维度产生。但企业中可能需要用到混合维度做漏斗分析，如下是一个营销活动中经常用到的漏斗模式：
第一步 着陆页总Session数——基于会话
第二步 着陆页的停留超过10秒的Session数——基于页面停留时间
第三步 发生了商品详情页浏览的Session数——基于页面浏览
第四步 加入购物车按钮点击的Session数——基于事件
第五步 发生了我的购物车页面浏览的Session数——基于页面浏览
第六步 发生了结算页面浏览的Session数——基于页面浏览
第七步 发生了订单提交按钮点击的Session数——基于事件
第八步 发生了支付的订单数——基于后台实际支付的订单ID的数量
上述8个步骤包括了基于会话（没有任何动作）、页面浏览（PageView级别）、事件（任意的动作）三种线上场景，以及线下传值定义的场景。这种跨行为类型的漏斗有两方面好处：
- 一是更符合业务分析需求，能够将多种不通过类型的业务场景子目标结合起来。
- 二是脱离了必须在相同数据维度下才能做漏斗分析的限制，降低了对跟踪埋码的依赖程度，漏斗配置更加灵活、可控；还能极大的降低数据采集开发和数据维护的工作量。
本文摘自：宋天龙《电商流量数据化运营》
（机械工业出版社）
