漏斗分析 | Sensors Analytics 使用手册

漏斗分析

1. 什么是“漏斗模型”

漏斗模型帮助你分析一个多步骤过程中每一步的转化与流失情况。

举例来说，用户购买商品的完整流程可能包含以下步骤：

1. 浏览商品
2. 将商品添加进购物车
3. 结算购物车中的商品
4. 选择送货地址、支付方式
5. 点击付款
6. 完成付款

你可以将如上流程设置为一个漏斗，分析整体的转化情况，以及每一步具体的转化率和转化中位时间。同时也可以借助强大的筛选和分组功能进行深度分析。

2. 漏斗界面功能简介

2.1.创建漏斗

点击界面右侧顶部的“创建漏斗”按钮，会滑出“创建漏斗”面板。

a.漏斗名称

必填项。给你的漏斗取一个具有代表性的友好名称。同一项目内，漏斗不可重名。你创建的漏斗对同一项目中的其他用户也可见。

b.漏斗窗口期

如“漏斗完成有时间限制吗”中所解释的。你需要在这里根据漏斗的性质选择合理的有效期。默认漏斗有效期为30天。1.4 及以后的版本中，除了下拉框中提供的有限选项以外，窗口期也可以由使用者自定义，最短 1 分钟，最长 3650 天。

c.漏斗步骤

一个漏斗中至少包含2个步骤，每个步骤对应一个事件（可附带一个或多个筛选条件）。

举例来说，某个步骤可以是触发“注册”且“使用了邀请码”。或者，“购买”且“品类”等于“女装”等。

拖动步骤前的序号可以改变步骤顺序。

1.4 及以后的版本，支持给漏斗步骤增加别名，在显示时更加方便易读。

d. 增加步骤

给漏斗增加更多步骤。

e. 保存漏斗

点击该按钮，保存新漏斗。

2.2 分析漏斗

a. 切换漏斗，按分组查看，筛选

在这个区域，你可以切换需要展示的漏斗数据，或者对现有漏斗查询进行分组和筛选。

如果这里选择的属性是数字类型，可以自定义分组区间。如果没有设置，查询引擎会动态计算分组区间。此设置仅在当前查询生效，将查询保存为书签后在书签中也生效。

b. 选择查询的时间范围，展示漏斗图表

在这个区域，你可以切换查询的时间范围，并查看相应的漏斗图形，直观地感受每个步骤的转化情况。

c. 查看漏斗总览，或每个步骤的转化详情

当选择“总览”时，表格中的数据代表每个步骤的转化人数，和相对上一个步骤的转化率。

当选择某个具体步骤时，可以查看两个步骤之间的流失用户数、转化用户数、转化时间中位数和转化率。

d. 浏览用户详情

表格的单元格内的对应数字是可以点击的，点击则会浏览这些用户的用户列表，并进一步浏览其中某个特定用户的用户行为序列。

e. 分析某个特定的步骤

点击某个步骤对应的箭头，可以详细浏览这个步骤的转化情况，可以看到流失用户和转化用户的数量，并且点击可以进一步浏览这些用户的列表以及行为序列，也可以看到转化时间的中位数，用以描述这个转化是否迅速。

2.3 修改、删除漏斗

点击漏斗下拉列表中的“铅笔”图标，可以在滑出的“编辑漏斗”面板中编辑该漏斗。

点击左下角的“删除漏斗”按钮，可以删除当前漏斗。

3. 漏斗是如何计算的

在这个文档里面，我们将会详细描述漏斗分析的计算规则，特别是在有筛选和分组情况下的计算规则，以便使用者更好地解读漏斗分析的结果。同时，我们也会针对一些常见的分析场景，给出漏斗分析的使用案例，帮助使用者更好地使用这一功能。

在介绍漏斗分析的计算规则之前，需要有一些基本概念进行介绍：

1. 步骤：由一个 元事件/虚拟事件 加一个或者多个筛选条件组成，表示一个转化流程中的一个关键性的步骤；
2. 时间范围：在界面上选择的时间范围，是指漏斗的第一个步骤发生的时间范围；
3. 窗口期：用户完成漏斗的时间限制，也即只有在这个时间范围内，用户从第一个步骤，行进到最后一个步骤，才能被视为一次成功的转化；

3.1 基本计算规则

假设一个漏斗中包含了 A、B、C、D、E 五个步骤，选择的时间范围是2015年1月1日到2015年1月3日，窗口期是1天，那么，如果用户在2015年1月1日到2015年1月3日触发了步骤A，并且在步骤A发生的1天内，依顺序依次出发了B、C、D、E，则视作该用户完成了一次成功的漏斗转化。

在这个过程中，如果穿插了一些其它的步骤或者行为，例如在满足时间限制的情况下，用户的行为顺序是A>X>B>X>C>D>X>E，X代表任意一个事件，则该用户依然视作完成了一次成功的漏斗转化。

如果该用户在这个事件限制范围内，依次触发了 A>B>C>E，则该用户没有完成该漏斗的转化，并且会被记作步骤C的流失用户。

3.2 漏斗中展示的数字代表什么

漏斗分析中展示的数字代表转化/流失的独立用户数，而非触发的事件次数。在该时间范围内，即使一个用户多次完成漏斗，也仅计数一次。

3.3 筛选条件的含义

和其它分析功能一样，漏斗分析也提供了筛选功能，需要特别强调的是，漏斗分析的筛选，都是对已经 完成转化/每一步确认流失 的用户，再进行二次挑选。

漏斗分析的筛选，包括三种不同的筛选类型，我们以一个有三个步骤A、B、C，时间范围是2015年1月1日到1月8日，窗口期为3天的漏斗来分别进行更加详细的说明：

1. 用户Profile上的筛选：这个筛选类型比较好理解，是在已经 完成转化/每一步确认流失 的用户的基础上，根据这个用户的Profile，在来进行更进一步的筛选。例如，我们添加的筛选条件是“性别”为“男”，则只有Profile中“性别”为“男”的用户，才满足这个筛选条件，并且出现在筛选后的漏斗分析结果中；
2. 预置属性的筛选：目前在漏斗的筛选中，预置属性是与事件无关并单独列出来的，假设，我们选择了一个筛选条件是预置属性“省份”为“湖北”，这个筛选表示，在 完成转化/每一步确认流失 的用户中，找到那些在1月1日到1月11日（时间范围加上窗口期的结果）这个时间范围内，A、B、C三个步骤中任意一个第一次触发时，“省份”的值为“湖北”的那些用户；下面是几个具体的例子：
   1. 某个用户在这个时间段内的行为序列是D、B、C、A、E、A、F、B、C，这个用户是满足漏斗的转化的，而由于他的行为序列中，A、B、C三个事件中第一次出现的是B，并且这个B的“省份”值为“北京”，所以这个用户虽然满足漏斗的转化条件但是却不满足这个筛选条件，不会出现在任何统计结果中；
   2. 某个用户在这个时间段内的行为序列是A、E、A、F、B、D，这个用户不满足漏斗的转化的条件，被记作在B这一步流失，而由于他的行为序列中，A、B、C三个事件中第一次出现的是A，并且这个B的“省份”值为“湖北”，所以这个用户满足了筛选条件，会被记作在B这一步流失；
3. 非预置属性的筛选：在漏斗筛选中，非预置属性与预置属性最大的区别就是与事件相关，假设，我们选择了一个筛选条件是事件C的属性“支付方式”为“支付宝”，这个筛选表示，在 完成转化/每一步确认流失 的用户中，找到那些在1月1日到1月11日（时间范围加上窗口期的结果）这个时间范围内，C这个步骤第一次触发时，“支付方式”的值为“支付宝”的那些用户；下面是几个具体的例子：
   1. 某个用户在这个时间段内的行为序列是D、B、C、A、E、A、F、B、C，这个用户是满足漏斗的转化的，而在他的行为序列中，第一次出现的C的“支付方式”值为“微信支付”，第二次出现的C的“支付方式”值是“支付宝”，所以这个用户虽然满足漏斗的转化条件但是却不满足这个筛选条件，不会出现在任何统计结果中；
   2. 某个用户在这个时间段内的行为序列是D、C、A、E、A、F，这个用户是不满足漏斗的转化并且在A这一步之后流失的，而在他的行为序列中，第一次出现的C的“支付方式”值为“支付宝”，所以这个用户满足了筛选条件，会被记作在A这一步后流失。

3.4 分组的含义

和其它分析功能一样，漏斗分析也提供了分组功能，需要特别强调的是，漏斗分析的分组，都是对已经 完成转化/每一步确认流失 的用户的集合上进行分组。

漏斗分析的分组，包括三种不同的分组类型，我们以一个有三个步骤A、B、C，时间范围是2015年1月1日到1月8日，窗口期为3天的漏斗来分别进行更加详细的说明：

1. 用户Profile上的分组：这个分组比较好理解，是在已经 完成转化/每一步确认流失 的用户的集合，根据这个用户的Profile，在来进行更进一步的分组。例如，我们添加的分组条件是“性别”，那么，就会分别对漏斗分析的结果按照“男”、“女”来进行分组；
2. 预置属性的分组：目前在漏斗的分组中，预置属性是与事件无关并单独列出来的；例如，我们选择的分组设置是预置属性“省份”，则这个分组表示，在 完成转化/每一步确认流失 的用户中，根据他们在1月1日到1月11日（时间范围加上窗口期的结果）这个时间范围内，A、B、C三个步骤中任意一个第一次触发时，“省份”这个属性的值来对他们进行分组；下面是几个具体的例子的描述：
   1. 某个用户在这个时间段内的行为序列是D、B、C、A、E、A、F、B、C，这个用户是满足漏斗的转化的，而由于他的行为序列中，A、B、C三个事件中第一次出现的是B，并且这个B的“省份”值为“北京”，所以这个用户会被划分到“北京”这个分组的统计结果中，并被算作转化；
   2. 某个用户在这个时间段内的行为序列是A、E、A、F、B、D，这个用户不满足漏斗的转化的条件，被记作在B这一步流失，而由于他的行为序列中，A、B、C三个事件中第一次出现的是A，并且这个A的“省份”值为“湖北”，所以这个用户会被划分到“湖北”这个分组的统计结果中，并被记作在B这一步流失；
3. 非预置属性的分组：在漏斗分组中，非预置属性与预置属性最大的区别就是与事件相关；例如，我们添加的分组条件是事件C的属性“支付方式”，这个分组就表示，在 完成转化/每一步确认流失 的用户中，根据他们在1月1日到1月11日（时间范围加上窗口期的结果）这个时间范围内，C这个步骤第一次触发时，“支付方式”的值来对他们进行分组；下面是几个具体的例子的描述：
   1. 某个用户在这个时间段内的行为序列是D、B、C、A、E、A、F、B、C，这个用户是满足漏斗的转化的，而在他的行为序列中，第一次出现的C的“支付方式”值为“微信支付”，第二次出现的C的“支付方式”值是“支付宝”，所以这个用户将会被划分到“微信支付”这个分组中，并被统计为成功转化；
   2. 某个用户在这个时间段内的行为序列是D、C、A、E、A、F，这个用户是满足漏斗的转化的，而在他的行为序列中，第一次出现的C的“支付方式”值为“支付宝”，所以这个用户会被划分到“支付宝”这个分组中，并被记作在A这一步后流失。

4. 一些典型的使用场景

4.1 特定品类的转化分析

电商类型的客户，通常不同品类都有不同的引导页、产品列表页和商品详情页，这些都被设计成了对应的事件，并且都包含“品类”这个属性。

如果想分析某个特定品类，例如“电脑”的转化，即访问了“电脑”品类的引导页，再访问了“电脑”品类的产品列表页，再访问了“电脑”品类的商品详情页，那么，应该如何创建漏斗？

可以这样设置漏斗的三个步骤：

1. 第一个步骤，事件是“访问引导页”，筛选条件是“品类”等于“电脑”；
2. 第二个步骤，事件是“访问产品列表页”，筛选条件是“品类”等于“电脑”；
3. 第三个步骤，事件是“访问商品详情页”，筛选条件是“品类”等于“电脑”。

那么，这个漏斗的分析结果就可以精确地解决客户的这个需求。

需要特别注意的是，下面这个漏斗分析的结果含义是完全不一样的，即创建一个漏斗，三个步骤分别是“访问引导页”、“访问产品列表页”、“访问商品详情页”，然后添加筛选条件是某个事件的“品类”等于“电脑”，关于筛选的具体含义，在上面已有介绍。