• 登录
Skip to content

一起大数据-技术文章心得

一起大数据网由数据爱好者发起并维护,专注数据分析、挖掘、大数据相关领域的技术分享、交流。不定期组织爱好者聚会,期待通过跨行业的交流和碰撞,更好的推进各领域数据的价值落地。

Menu
  • 首页
  • 大数据案例
  • 数据&电子书
  • 视频
    • Excel视频
    • VBA视频
    • Mysql视频
    • 统计学视频
    • SPSS视频
    • R视频
    • SAS视频
    • Python视频
    • 数据挖掘视频
    • 龙星计划-数据挖掘
    • 大数据视频
    • Machine Learning with Python
  • 理论
    • 统计学
    • 数据分析
    • 机器学习
    • 大数据
  • 软件
    • Excel
    • Modeler
    • Python
    • R
    • SAS
    • SPSS
    • SQL
    • PostgreSQL
    • KNIME
  • 技术教程
    • SQL教程
    • SPSS简明教程
    • SAS教程
    • The Little SAS Book
    • SAS EG教程
    • R语言教程
    • Python3教程
    • IT 技术速查手册
    • Data Mining With Python and R
    • SAS Enterprise Miner
  • 问答社区
  • 我要提问
Menu
[F05]漏斗模型如何辅助数据决策

如何应用漏斗模型辅助数据诊断与决策?

Posted on 2022年2月24日

先讲个例子,来自肖恩埃利斯的《增长黑客》:

一家食品商店App的增长团队发现了一个问题:App上线后,通过各种推广,短时间内就获得了19万用户,但是到最终在App内完成购买的用户只有不到7000人。

是App的体验不好?商品不够有吸引力?其实很多产品也会有这样的问题,好不容易吸引来用户之后,如何让他们真正开始持续使用,激活他们?

于是,这个增长团队梳理出了用户从下载打开到最终购买的整个体验路径,提炼出5个关键步骤,分别是:

  1. 下载和打开App;
  2. 搜索浏览;
  3. 将商品放入购物车;
  4. 添加信用卡信息;
  5. 完成购买结算。

然后列出这段时间,每个步骤的实际人数,和对应的转化率:

[F05]漏斗模型如何辅助数据决策

数据和对应的转化率的结果很直观,团队成员发现:

  • 大量用户将商品放入购物车后没有添加信用卡信息就离开页面了(c到d为20%),但那些成功添加信用卡信息的用户,在之后完成购买的比例很高(d到e为75%)。
  • 此外,许多用户搜索商品数量并不多(a到b为30%),相比之下,下载App后特别活跃的用户第一次打开时就浏览了很多商品(活跃用户a到b的比例很高)。

有了这个数据其实就能很清楚的看出:商品本身或者App的体验没什么问题,能正常支付的用户大部分还是完成购买了,但是添加支付工具的和结算体验却存在障碍。团队需要尝试让用户能更轻松的结算。同时,考虑新增用户搜索量不高,还得尝试鼓励初访者搜索和浏览更多商品,比如设置特惠卖场界面、改进引导文案等等。

当然,这是一个很简化的虚拟案例,但是我们仍然可以从中看出他们是如何应用数据发现和诊断问题的,在这里面用到的很重要的一个工具就是“漏斗模型”。

漏斗模型及常用应用模型

所以,什么是漏斗模型?

漏斗模型,aka漏斗分析、转化率分析,基本上是做所有分析时都或多或少会用到的工具。

我在网上搜漏斗分析时,出来的文章或内容大多和互联网运营或者数字营销有关。但其实漏斗模型应用的地方非常广泛,包括但不限于:

  • 财务分析(整个利润表其实就是个漏斗,比率分析);
  • 产品设计(诊断用户一系列行为转化率);
  • 广告(流量监控、效果评估),品牌(认知-行为转化)等等。

当然除了开头举的那个用户体验流程的例子,漏斗模型还有其他很多种应用。比如:

品牌认知-行为漏斗

[F05]漏斗模型如何辅助数据决策

在衡量品牌知名度的时候通常会用三个指标:

  • Top of Mind:代表对品牌强定位(或者说占据用户心智的深度)的量化。提到XX品类,第一时间想到的品牌。比如“提到短视频App,你第一个想到的是哪个App”,一个人可能会回答快手,另一个可能会回答抖音,但每个人只会有一个top of mind,最终可以统计各个品牌在用户群体的心智中占了多少领地。
  • Un-Aided:代表对品牌弱定位(进入用户心智,但还不够深)的量化。提到XX品类,还能想到哪几个品牌。比如“提到短视频App,你还能想到哪几个App”,一个人可能会回答抖音、快手…等数个App,但通常不超过5-7个。因为人的记忆/心智也是有限的。
  • Awareness:代表广泛的知名度。XX品类里所有知道的品牌。比如“在短视频App里,你都知道哪些App?”,一个人可能会回答快手、抖音、微视、视频号…等很多个App。

关于这几个指标基于心理记忆的解释,也可以参考之前这篇《品牌的生理和心理基础》中的部分内容。

关于行为漏斗,根据行业/品类的不同特性,可以设置成各种指标,逻辑相关即可。可以用“以前用过-现在在用-最常用”,也可以是“以前买过-最近半年买过-最近1个月买过”,情况目的不同,搭建不同的指标。

可以通过抽样调研问卷的方式获得数据(认知这种比较心理层面的指标,主要还是靠问卷。不过行为指标,有监测数据会比用户回忆更准一些),并对品牌/产品进行诊断。

比如这个例子:

[F05]漏斗模型如何辅助数据决策

AB两个品牌在一波营销过后,A品牌广泛意义上虽然知名度高,但是很少有人能主动想起来A,有可能是A品牌虽然广告到处打,但是宣传的内容太平淡,没有亮点,人们看完很快就忘了。

B品牌则可能是宣传内容很不一样,大家看到B的宣传后印象深刻,但是由于媒体渠道选的不好,覆盖的人群不够,所以整体知名度要更弱一些。

AARRR漏斗

除了前面提到的食品商店App的具体例子,其实包括黑客增长本身的核心模型AARRR其实也是一个漏斗:

[F05]漏斗模型如何辅助数据决策

AIDA漏斗

营销中经典的AIDA(或者AIDAS等等变种)也可以通过收集对应的数据,套用漏斗模型进行分析,广泛应用于快消品、耐消品:

[F05]漏斗模型如何辅助数据决策

利润漏斗

财务分析三张表中的利润表其实也是一个漏斗,净利润率告诉我们漏斗是比较直(中间损耗少,收入更多转化为盈利,效益好)、还是比较斜,所以净利润率表示效益。

[F05]漏斗模型如何辅助数据决策

应用基础与个体“私域”数据漏斗

应用漏斗模型做分析的基础有两个:

  • 基于目的抽象出流程;
  • 数字化,有能力收集每个流程或步骤的数据。

基于目的抽象出流程:比如想解决用户从打开到下单的转化问题,或者想让用户更顺畅的体验到产品的Aha时刻(即用户体验到产品最大价值的那个时刻),可以基于用户实际体验,抽象为“打开-浏览-详情-加入购物车-下单-支付-反馈”这一系列流程。再比如从认知到购买的流程,被提炼为AIDA。

这一步听起来简单,好像只要按已有的模型或者实际用户行为/认知的路径梳理出来就行。但实际上有很多难点,比如产品/app的元素功能很多、用户的行为其实很复杂,像例子中的电商App,实际上页面层级会很多、用户也可能会在各种页面上“逛”。要如何梳理出关键步骤,构建有效的用户路径图,并衡量其间转化,其实是个难点。

还有像AARRR或者AIDA这种“大”模型,可以提供宏观策略上的参考,但在精细分析,比如复杂媒体环境下不同渠道带来的认知或者获客时,如何取舍、如何处理不同漏斗间的交集或者嵌套,其实都会有些难度。

数字化:抽象出流程后,就得拿到每个流程的数据,才好真正开始分析。对于企业而言,最好当然是建立自己的数字化体系、数据仓库,监测自己的用户/客户全部行为数据。或者也可以借助外部供应商的SaaS/Paas之类的数据平台做部分业务的数字化。除了行为数据之外,也可以用问卷调研的方式获得用户态度或心理数据。

不过,其实数据存在于生活中的各个角落。对于小规模的活动,甚至个人,都可以灵活地应用这两步。

比如个人在社群做文字或者直播分享,最大覆盖多少人或多少微信群,有多少人观看直播,有多少人评论,多少人转发,直播后有多少人添加微信,有多人截图分享,其实都可以量化,并且计算转化率,还可以在不同场次/不同社群间对比。

哪怕是小卖部,其实也可以统计每天多少人流路过,多少人进店,多少人购买……并不一定非得是大公司才用得到。

局限和深入分析

漏斗模型虽然很常用,但也不是万能的。最大的局限在于,漏斗分析是一个纯诊断工具,也就是说它可以告诉你哪里出了问题,但是即没有办法回答为什么出现这样的问题,也不能回答如何解决这样的问题。通常还要结合消费者调研和更多的数据分析,来挖掘问题背后的原因以及探寻改进的方向。

而且,单独做一个漏斗其实往往看不出太多东西,很多时候要对比才有意义。

  • 对外:和竞争对手比、和行业平均值对比。
  • 对内:自己的细分用户在漏斗各环节的不同表现;不同时段的漏斗数据表现等等

比如还是肖恩埃利斯,在问卷调查公司Qualaroo领导增长团队时,通过深度分析和对比,对比“试用后购买产品的用户”vs“试用后没购买产品的用户”之间的差异,发现:

购买的用户在试用调查问卷系统时收到了至少50条反馈,而产品的Aha时刻(即用户体验到产品最大价值的那个时刻)正是用户发现自己能回收足量的结果,并从中得到有指导意义的反馈。所以50条反馈是一个很重要的价值拐点,回收数据超过这个数,用户就能感知产品价值。

于是他们做了很多试验,来尽可能帮助用户提升回收问卷的数量。比如视频教程,指导用户做更简短且有效的问卷,以及在哪里投放问卷回收概率高,比如推荐模板、推荐NPS等等,以及让客服人员主动联系用户提供发布问卷的建议。最终大幅提高了用户激活率。

 

作者:Allen,微信公众号:Allen走走神

恭喜你,又看完一篇文章,扫码领个红包吧!图片

推荐访问

欢迎加入我们的付费交流社群,增长见识,互帮互助! 自2023-05-01起正式运营。
图片

数据分析交流:数据分析交流
Excel学习: Excel学习交流
Python交流:一起学习Python(数据分
SQL交流:一起学习SQL(数据分析
微博:一起大数据

最新提问

  • 统计方面的3个Python包
  • 更新R及Rstudio
  • TFP CausalImpact:一个Python包,用于估计设计干预对时间序列的因果效应
  • 根据公式的结构,写出计算的表达式,并结算结果
  • excel中提取超级链接公式中的链接地址
  • 用python解析公式并进行可视化
  • Python设置镜像源默认为清华的方法
  • VAR、VMA、VARMA 和 ARIMA
  • Python 的表达式解析库来解析公式
  • PandasAI:一个Python库,将生成式AI能力集成到Pandas中,允许进行高级数据分析任务,例如数据合成和增强

文章标签

AMOS CBC Excel GBDT KNN Modeler Mysql pandas PostgreSQL python python数据可视化 R SAS sklearn SPSS SQL SVM Tableau TensorFlow VBA 主成分分析 关联规则 决策树 协同过滤 可视化 因子分析 大数据 大数据分析 推荐系统 数据分析 数据可视化 数据挖掘 数据透视表 文本挖掘 时间序列 机器学习 深度学习 神经网络 结构方程 统计学 联合分析 聚类 聚类分析 逻辑回归 随机森林
©2023 一起大数据-技术文章心得 | Design: Newspaperly WordPress Theme