數(shù)據(jù)分析卡片(三):漏斗分析

7 評論 86036 瀏覽 633 收藏 12 分鐘

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”“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:

  1. 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;
  2. 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:

  1. 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;
  2. 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;
  3. 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

數(shù)據(jù)分析卡片(一):熱圖

數(shù)據(jù)分析卡片(二):用戶路徑圖

 

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。

更多精彩內(nèi)容,請關(guān)注人人都是產(chǎn)品經(jīng)理微信公眾號或下載App
評論
評論請登錄
  1. 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。

    來自上海 回復(fù)
  2. 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?

    來自廣東 回復(fù)
  3. 請問你舉得這個例子是絕對真實的例子和數(shù)據(jù)嗎?

    來自浙江 回復(fù)
    1. 可以面試用

      回復(fù)
  4. 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?

    來自北京 回復(fù)
  5. 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?

    來自北京 回復(fù)
    1. 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?

      來自北京 回復(fù)