数据分析里最能挣钱的工具模型是哪个？你可能天天在用！

很多时候，我们会发现业务数据明明非常可观，但是最终的转化量却很低，高进高走，这就说明业务的转化率有问题。而在数据分析当中，有一种至关重要的模型工具可以很好地解决这个问题，它就是漏斗模型。

什么是漏斗分析？

漏斗分析模型，简单来讲，就是抽象产品中的某一流程，观察流程中每一步的转化与流失。

关于实际应用场景中漏斗模型，人们期望的无非就两点：

1. 最终漏出的数量多
2. 最终漏出的比率高

针对这两点目标，可行的措施是：

1. 增加最初的流入量
2. 提高每一个关键点的留存率

数据漏斗分析的关键？

一般来说，遇见的都是有序漏斗分析，这种顺序体现在关键节点的路径中。在有序漏斗中，路是越走越窄的，换句话说，后面的每一步留下的数据量都不可能大于前面一步留下的数据量。如果不符合这个条件，则表明关键路径的流程顺序可能是有问题的，需要调整路径顺序。

如何进行漏斗分析？

一、目标

像做任何数据分析一样，漏斗分析的第一步同样也是确定目标，也就是明白自己究竟想要做什么，得到什么样的结果。比如商业营销活动中的漏斗模型，他的目标是商业变现，获得利润，以此为目的确定下面五个层级：

1. 投放广告，提高用户对品牌的认知，占领用户的心智；
2. 观看广告，提高用户对产品的兴趣；
3. 评估产品，用户会根据对品牌的认知和产品兴趣来决定是否购买；
4. 付费购买，用户会对评估完后感兴趣的产品进行购买，达成交易；
5. 重复购买，部分用户会持续重复购买，也可能推荐给亲戚朋友。

二、变量

变量是指能够影响漏斗分析结果的因素，分为自变量、因变量和中介变量。

在组织行为学中，因变量是所要测量的行为反应，而自变量则是影响因变量的变量。

如上边传统漏斗模型，因变量是广告观看率、商品付费率、重复购买率等，那么广告的投放渠道（如电视、 纸杂志、地铁、门户 站等）、观看广告的用户年龄层次、用户所在的区域、用户的兴趣爱好、用户的经济条件等就是影响因变量的自变量。

中介变量又称为干扰变量，它会削弱自变量对因变量的影响。中介变量的存在会使自变量与因变量之间的关系更加复杂。

中介变量也就是我们需要介入的变量，需要我们去无限的进行解构，来影响自变量。比如从 A 到 R （获客 – 盈利）的转换问题，我们可以把 A 拆分为 A1、A2、A3，再看哪一步对自变量的影响比较大，假设是 A2，那么再把 A2拆开，再看其中的主要问题。

如上边的传统漏斗模型，假设我们的品牌为高端奢侈品，那么我们需要对投放渠道、用户年龄层次、投放区域等进行拆分，然后发现我们的投放区域覆盖面太多，成本比较高。

然后我们对投放地区进行拆分，发现偏远地区投放占比比较高，那么这个时候，我们是否找到了问题呢？我们可以收缩投放区域，有针对性的在北上广深等这样的大城市集中投放会不会效果更好一些呢？

最理想的状态是，我们能够解构到唯一变量的颗粒度。然后我们就能够精准定位并且解决这个问题，从而带来增长。

如果我们用的漏斗是一个很粗略的漏斗，是无法解决问题的。需要一步步解构、定位问题，然后去解决，这样才能带来有效的增长。

三、关系

确定了目标，确定了影响目标的各种变量之后，还需要进一步研究各变量之间的关系。

在确定变量之间的关系时，对何者为因、何者为果的判断，应持谨慎态度。不能因为两个变量之间存在着统计上的关系，就简单地认为他们之间存在着因果关系。对变量间因果关系的判断不能轻率。

比如，我们谈用户增长的时候，更多的是在谈获客，而没有考虑如何提升现有用户的转化率、激活率。我们真正需要考虑如何才能让用户变成忠诚用户，只有忠诚用户才不会流失，才能带来更多的收益。

通过漏斗分析可以从前到后还原用户转化的路径，分析每一个转化节点的效率。

从开始到结尾，整体的转化率是多少？

每一步的转率是多少？

哪一步流失最多，原因是什么？流失的用户符合哪些特征？

遇到大数据量时，用什么做漏斗分析？

如果遇到大数据量的时候，Excel等一些工具就难以实现高效的漏斗分析了，一般的做法是用专业的数据分析工具，如FineBI搭建一个dashboard，在这上面可以轻松进行漏斗分析：

专业数据分析工具的好处就是快捷，工具本身是自带漏斗模型的，你只需要拖拽操作就能够完成数据漏斗分析，这一点excel等软件是难以实现的，因此建议使用专业软件。