數(shù)據(jù)分析卡片(三):漏斗分析
文章介紹了一個數(shù)據(jù)分析工具:漏斗分析,一起來學(xué)習(xí)下。
如何將轉(zhuǎn)化率提升27.5倍?
安迪·瓊斯,是一名數(shù)據(jù)分析師,曾效力于 Facebook、Twitter、Quora。在他的增長黑客生涯中,曾遇到這樣一個難題:來自搜索引擎的流量占到網(wǎng)站流量的40%,但其中只有不到0.2%的人轉(zhuǎn)化成注冊用戶,這意味著每1000個訪客中有998人最終流失掉了。
為了提高轉(zhuǎn)化率,安迪的團隊足足耗費了14個月的時間研究著陸頁的優(yōu)化,這是一段極為漫長的周期,考驗著每個人的耐性。好在功夫不負(fù)有心人,他們最終成功地將轉(zhuǎn)化率提高到了5.5%以上。換句話說,他們將轉(zhuǎn)化率提升了25倍。
而在提升轉(zhuǎn)化率的過程中,他們使用了一樣相當(dāng)重要的數(shù)據(jù)分析工具:漏斗分析。如你所見,這是數(shù)據(jù)分析工具系列的第3篇:漏斗分析。
漏斗分析
天然的漏斗:用戶路徑圖
在數(shù)據(jù)分析系列的上一篇中,我介紹了用戶路徑圖。這項數(shù)據(jù)分析工具就是抽象用戶在網(wǎng)站或APP中的訪問行為路徑,并用可視化的圖表呈現(xiàn)。如下圖所示:
可以發(fā)現(xiàn),用戶路徑圖的每條路徑,實際上就是一個個“天然”的漏斗。所以,當(dāng)我們不知道如何設(shè)置漏斗時,可以先利用用戶路徑圖查看所有的用戶軌跡,并對異常的用戶軌跡用漏斗進(jìn)行分析。如果對用戶路徑圖感興趣的朋友歡迎查看我的上篇文章,下面開始介紹漏斗。
何為漏斗?
漏斗,簡單來講,就是抽象網(wǎng)站或APP中的某個流程,觀察流程中每一步的轉(zhuǎn)化與流失。鑒于漏斗分析的相關(guān)文章很多,基礎(chǔ)部分不再贅述。下面我會抽象漏斗的本質(zhì),并通過一個詳細(xì)的案例來闡述漏斗的具體用法。
漏斗的三元素
根據(jù)漏斗的定義,我們可以抽象出漏斗的三元素:
- 時間
- 節(jié)點
- 流量
時間
這里的時間,特指漏斗的轉(zhuǎn)化周期,即為完成每一層漏斗所需時間的集合。通常來講,一個漏斗的轉(zhuǎn)化周期越短越好,尤其是在某些轉(zhuǎn)化周期較長的行業(yè),比如:在線教育行業(yè),B2B電商行業(yè)。
此外,單獨查看每一層漏斗的時間,也能發(fā)現(xiàn)一些問題。舉例來說,如果發(fā)現(xiàn)從某個渠道導(dǎo)入的流量,在某層漏斗的消耗時間驚人的一致,這說明該渠道的流量很可能有異常。
節(jié)點
每一層漏斗,就是一個節(jié)點。而對于節(jié)點來說,最核心的指標(biāo)就是轉(zhuǎn)化率,公式如下:
轉(zhuǎn)化率 = 通過該層的流量/到達(dá)該層的流量
整個漏斗的轉(zhuǎn)化率以及每一層的轉(zhuǎn)化率,可以幫助我們明確優(yōu)化的方向:找到轉(zhuǎn)化率低的節(jié)點,想辦法提升它。
流量
流量,也就是人群。不同人群在同一個漏斗下的表現(xiàn)情況一定是不一樣的,比如淘寶的購物漏斗,男人和女人的轉(zhuǎn)化率不一樣,年輕人和老人的轉(zhuǎn)化率也不一樣。
通過人群分類,我們可以快速查看特定人群的轉(zhuǎn)化率,更能清晰定位問題。
漏斗分析實戰(zhàn)案例
現(xiàn)實的世界,并非是簡單的數(shù)據(jù)邏輯結(jié)構(gòu),很多結(jié)果都是多種原因綜合導(dǎo)致的。站在多種角度去分析同一個問題,往往可以得到一個更全面準(zhǔn)確的答案。
下面我們將結(jié)合漏斗的三元素來做一個深度案例分析,通過運用數(shù)據(jù)分析的經(jīng)典方法“拆分”與“對比”,定位問題,給出解決方案。
問題:購買的轉(zhuǎn)化率過低
一家電商網(wǎng)站,從瀏覽寶貝詳情到付款的轉(zhuǎn)化率僅有3.6%。創(chuàng)建購買流程的漏斗,如圖所示:
1.發(fā)現(xiàn)問題節(jié)點
我們可以看到,加入購物車之前的轉(zhuǎn)化率都較高,但在購物付款的流程中,轉(zhuǎn)化率急劇降低至8%,這里可能就是需要改進(jìn)的地方。
tip:轉(zhuǎn)化率低的節(jié)點,通常就是問題節(jié)點。
2.問題分析
確定問題節(jié)點為“確認(rèn)訂單頁面”后,開始分析該頁面的數(shù)據(jù)。研究單一頁面,可以使用的分析工具包括:
- 熱圖分析:查看該頁面用戶的互動行為
- 事件分析:查看該頁面的各項數(shù)據(jù)統(tǒng)計指標(biāo),例如停留時長,事件數(shù)……
在這里我們運用事件分析對問題進(jìn)行分析,如果對熱圖分析感興趣的同學(xué)可以查看我的系列文章熱圖。
用戶在訂單確認(rèn)頁停留的時間長達(dá)105秒,這與我們平時的認(rèn)知不符可以發(fā)現(xiàn)的問題如下:
用戶在訂單確認(rèn)頁的事件數(shù)為2985,我們需要進(jìn)一步了解用戶在這個頁面上做了什么
3.問題拆分
1.用戶在訂單確認(rèn)頁停留時長過長
我們發(fā)現(xiàn)自己漏掉了漏斗的一個層級,”訂單確認(rèn)頁->成交頁“應(yīng)該更正為“訂單確認(rèn)頁->選擇付款方式頁->成交頁“。重新創(chuàng)建漏斗如下:
可以發(fā)現(xiàn),實際上轉(zhuǎn)化率較低的節(jié)點為選擇付款頁,轉(zhuǎn)化率為9%。
2.用戶在相關(guān)頁面上的具體事件:
確認(rèn)付款的事件數(shù)為1350,側(cè)面印證了訂單確認(rèn)頁的轉(zhuǎn)化率比較正常。
成功付款的事件數(shù)為210,側(cè)面印證了選擇付款頁的轉(zhuǎn)化率較低。
通過對問題拆分,我們重新定位問題節(jié)點為選擇付款頁。
tip:對問題進(jìn)行拆分,可以幫助我們深入理解問題。
4.數(shù)據(jù)對比
之前我們提過:不同人群在同一個漏斗下的表現(xiàn)情況一定是不一樣的。我們可以將到達(dá)選擇付款頁的用戶分為兩類:
通過幾個人群的對比,我們發(fā)現(xiàn)“付款失敗”組的人群離線環(huán)境陡增約14%。另外,其3G、2G網(wǎng)絡(luò)的比例要高于成功付款人群(5.68% vs 1.36%),且設(shè)備品牌中,相對機型較小眾、低端。
實際測試品牌1和品牌2的幾個機型,針對選擇付款方式頁面的頁面體驗,存在以下問題:
- 機型適配性較差,開發(fā)時主要考慮的是現(xiàn)有主流機型適配,對小眾機型的關(guān)注度較低;
- 頁面卡頓嚴(yán)重,長達(dá)50秒以上的空白頁面,嚴(yán)重消耗了用戶耐心。
于是我們做出以下改善:
- 緊急修復(fù)版本,在小眾機型的主要推廣渠道上升級了版本適配性的App;
- 頁面加載量優(yōu)化,包括切割、壓縮、刪減圖片,框架優(yōu)化,預(yù)加載等策略,惡劣網(wǎng)絡(luò)下加載速度提升至約15秒;
- 加載等待頁面設(shè)計,增加了動畫的等待頁面,給用戶賣個萌,增加用戶等待的耐心。
5.效果驗證
頁面優(yōu)化后,我們的漏斗轉(zhuǎn)化流程有明顯改善:
我們針對這群“付款失敗”用戶群所做的改善,為轉(zhuǎn)化漏斗提高了14%的轉(zhuǎn)化效率,這是非常大的一個收益。
另外,我們在后續(xù)的漏斗改進(jìn)中,還嘗試結(jié)合了頁面點擊/頁面流轉(zhuǎn)的分析,刪去了付款頁面中不必要的信息、按鈕,增加新的付款方式,保證了付款流程的順暢性,對于提升漏斗也有一定的作用。
寫在最后
漏斗分析,僅僅是幫助我們分析問題的工具,重要的是要培養(yǎng)數(shù)據(jù)分析的思想:
- 通過交叉對比,找出數(shù)據(jù)的差異,定位異常數(shù)據(jù)
- 通過細(xì)致拆分,把復(fù)雜的、多因子的事件分析拆分為獨立的、單因子的歸因分析
漏斗分析到這里就結(jié)束了,下一篇,我會帶來留存分析。歡迎關(guān)注我的數(shù)據(jù)分析工具系列,我會講述如何改善用戶體驗,提升轉(zhuǎn)化,幫助你更好地運用數(shù)據(jù)驅(qū)動產(chǎn)品運營。
相關(guān)閱讀
作者:曹思龍,微信公眾號:及策云課堂。Admaster產(chǎn)品經(jīng)理,畢業(yè)于北京郵電大學(xué),知乎專欄作者
本文由 @曹思龍 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載。
漏斗分析時,有些用戶可以跳過第一階段,直接到達(dá)第二階段,此時怎么計算呢,比如:能不進(jìn)寶貝頁面,直接加入購物車。
然而沒有解決為什么在訂單確認(rèn)頁面停留時間長的問題?
請問你舉得這個例子是絕對真實的例子和數(shù)據(jù)嗎?
可以面試用
以實例來講解很有效,平時看的純理論的看完之后沒什么感觸,例子中的分析感覺很厲害,對我來說發(fā)現(xiàn)異常之后,找原因會是一個比較難的事情,想請教下,在看到最終付款轉(zhuǎn)化很低的時候,您從哪些方面數(shù)據(jù)進(jìn)行了排查,還是一開始就很順利的找到這條線?
有問題請教,“機型適配性較差,開發(fā)時主要考慮的是現(xiàn)有主流機型適配,對小眾機型的關(guān)注度較低;”既然小眾機型,那么市場占有率不會太高,你提高了這類小眾機型的,能整體將你的轉(zhuǎn)化率提高14%?
別告訴我長尾理論,小眾機型加起來很多?
是否在當(dāng)時產(chǎn)品設(shè)計研發(fā)的過程中沒有針對用戶的機器配置進(jìn)行深度調(diào)研造成盲目以為持有小眾機型的用戶占比較少?