編輯導(dǎo)語：做數(shù)據(jù)分析的朋友們在實際工作中總會遇到一些困惑，那么對于總量和不同步驟的轉(zhuǎn)化率定位問題，興許你也有些疑惑。作者以電商為例，分析如何做電商漏斗轉(zhuǎn)化率分析，希望對你有所啟發(fā)。

很感謝這位朋友非常認真的看了我的這篇文章《數(shù)據(jù)分析-結(jié)構(gòu)比率歸因-定位異常原因》，并且提到了另外一個比較經(jīng)典的問題：總量和不同步驟的轉(zhuǎn)化率定位。接下來我給大家簡單的描述一下這個問題以及我是如何分析的。

一、問題

上面的問題我們可以簡單以電商來舉例，我們把電商的轉(zhuǎn)化簡單的總結(jié)成下面幾個步驟：

1. 第一步：吸引用戶進入我們的營銷落地頁；
2. 第二步：用戶對同一商品的不同SKU進行比較；
3. 第三步：創(chuàng)建訂單；
4. 第四步：支付成功。經(jīng)過不同的轉(zhuǎn)化之后，我們核心關(guān)注點是最終支付成功的用戶。

二、分析

1. 定義

落地頁到商品選擇頁轉(zhuǎn)化率R1 =B/A商品選擇頁到創(chuàng)建訂單轉(zhuǎn)化率R2 =C/B創(chuàng)建訂單到支付成功轉(zhuǎn)化率R3=D/C2月份支付成功D2環(huán)比1月份R0= D2/D1

2. 分析

所以我們需要看R0變化的時候，是因為A2的變化更大還是因為R1/R2/R3的變化更大，這里我們把R0進行拆解：

我們先來看看D2怎么計算的：D2=A2*（B2/A2）*(C2/B2)*(D2*C2) =A2*轉(zhuǎn)化率R12*轉(zhuǎn)化率R22*轉(zhuǎn)化率R32

同理D1：D1=A1*（B1/A1）*(C1/B1)*(D1*C1) =A1*轉(zhuǎn)化率R11*轉(zhuǎn)化率R21*轉(zhuǎn)化率R31

這樣我們就能得到：R0 =D2/D1= （A2*轉(zhuǎn)化率R12*轉(zhuǎn)化率R22*轉(zhuǎn)化率R32）/(A1*轉(zhuǎn)化率R11*轉(zhuǎn)化率R21*轉(zhuǎn)化率R31)= (A2/A1)*(轉(zhuǎn)化率R12/轉(zhuǎn)化率R11)*(轉(zhuǎn)化率R22/轉(zhuǎn)化率R21)*(轉(zhuǎn)化率R32/轉(zhuǎn)化率R31)

通過上面的公式，我們能很清楚的看到支付成功的變化率R0由四部分組成：

1. 落地頁變化：A2/A1，命名為W0
2. 第一步轉(zhuǎn)化率的變化：轉(zhuǎn)化率R12/轉(zhuǎn)化率R11，命名為W1
3. 第二步轉(zhuǎn)化率的變化：轉(zhuǎn)化率R22/轉(zhuǎn)化率R21，命名為W2
4. 第三步轉(zhuǎn)化率的變化：轉(zhuǎn)化率R32/轉(zhuǎn)化率R31，命名為W3

那么：

R0=W0*W1*W2*W3

最后，通過上面的拆解，當(dāng)R0大于1的時候，支付成功人數(shù)上升，我們就看W0/W1/W2/W3,哪一個最大，那么就是對最后影響最大的。下降的時候同理。

3. 有待優(yōu)化

目前這個拆解只能看到變化的排名，也就是只能知道各個部分影響的大小，已經(jīng)可以解決大部分問題，這樣上升和下降就能看具體哪一個影響更大。能指導(dǎo)我們某次活動是引流的影響大還是因為轉(zhuǎn)化率的提升影響更大。但是具體影響多少還不得而知，等待后續(xù)繼續(xù)研究了……

三、案例分析-電商漏斗轉(zhuǎn)化率分析

1. 背景

產(chǎn)品：現(xiàn)假設(shè)我們是西門子賣冰箱的，用戶可以在淘寶上搜索冰箱，搜索之后就會出來一系列的結(jié)果，然后我們可以點擊自己感興趣的那個店和款式，選完之后，就是具體的商品了（容量/顏色等），下一步就是創(chuàng)建了訂單，最后就是支付成功了。

異常：首先說明下面的數(shù)據(jù)，全部是隨機編寫的，主要為了說明這個模型的用法。若截圖涉及侵權(quán)，請聯(lián)系作者刪除。一般我們在公司會給產(chǎn)品運營做一系列的報表，其中有一套是用于監(jiān)控每天西門子訂單量的趨勢，以及環(huán)比的趨勢，如下圖一：

• 藍色曲線是支付成功的用戶數(shù)，我們看到7月12號用戶量起來了，19號用戶量又起來了。
• 從橙色線也能看出來，12號環(huán)比上升了一個臺階。

那么，問題來了，我們想知道12號和19號用戶量起來的原因是什么呢？圖一：

用戶搜索之后，就會展示一系列的冰箱，假如我們就是監(jiān)控了從營銷頁到最后的支付成功，具體的數(shù)據(jù)是：營銷頁用戶數(shù)-商品選擇頁用戶數(shù)-創(chuàng)建訂單用戶數(shù)-支付成功用戶數(shù)。我們可以用這這些數(shù)據(jù)，做一個轉(zhuǎn)化率的趨勢圖，如下圖二：

• 步驟一轉(zhuǎn)化率 = 商品選擇頁用戶數(shù)/營銷頁用戶數(shù)
• 步驟二轉(zhuǎn)化率 = 創(chuàng)建訂單用戶數(shù)/商品選擇頁用戶數(shù)
• 步驟三轉(zhuǎn)化率 = 支付成功用戶數(shù)/創(chuàng)建訂單用戶數(shù)
• 總轉(zhuǎn)化率 = 支付成功用戶數(shù)/營銷頁用戶數(shù)

2. 分析

轉(zhuǎn)化率趨勢：通過圖二，我們只能看到的是第一步和第三步轉(zhuǎn)化率降低了，第二步轉(zhuǎn)化率變高了。其實我們還可以看到一個數(shù)據(jù)就是營銷頁的UV變高了。但是，我們?nèi)绾沃溃?/p>

• 到底是營銷頁的UV變高帶來的
• 還是第二步的轉(zhuǎn)化率變高了帶來了最后支付成功的用戶數(shù)上升呢？

模型分析：因為總量的上升主要是12號和19號之后。所以，一般這種異常，我們會先和運營或是產(chǎn)品同學(xué)交流是不是做了什么，確認是改動帶來的還是正常的波動，具體的異常分析框架見：《增長黑客-DAU下降分析-指標異常分析框架》

確認完了，我們可以先以12和19號的數(shù)據(jù)為例，看看如何使用這個模型，具體數(shù)據(jù)如下表一：

我們可以把2021年7月5和2021年7月12和2021年7月12的營銷頁的UV，以及每一步的轉(zhuǎn)化率列出來，還有支付成功的用戶量。

• 我們看到表格中T12到Y(jié)15就是三天的量和轉(zhuǎn)化率
• 黃色區(qū)域中：Z14是12號環(huán)比5號的比率102.2% = 10239/10023，Z15是19號環(huán)比12號的比率102.3%= 10470/10239，可以看出12號漲了2.2%，19號環(huán)比漲了2.3%
• ?拆解12號（102.2%）和15號的比率(102.3%)。
• 102.2% = 105.2%*94.9%*110.2%*92.9%
• 102.3% = 104.4%*95.6%*101.1%*101.3%

第17和18行的比率是什么呢？我們以U15單元格的105.2%為例說明一下，其實就是105.2% =12號（105985）/5號（100774）,就是12號營銷頁的UV除以5號的。同理，V17的94.9%就是12號的第一步轉(zhuǎn)化率除以5號的第一步轉(zhuǎn)化率。

建議讀者把表一的數(shù)據(jù)輸入一遍，自己計算一下，加深印象。

最后，我們來解讀一下：

• 12號漲了2.2%其實主要還是第二步轉(zhuǎn)化率上升的比較多
• 19號上了2.3%主要是營銷頁的UV上漲了很多

這樣，我們跟運營同學(xué)去解釋就一目了然了。

本文由 @數(shù)有道 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。

題圖來自Unsplash，基于CC0協(xié)議。