1. 肥喵工作室首页
  2. 运营

如何应用漏斗模型辅助数据诊断与决策?

如何应用漏斗模型辅助数据诊断与决策?

漏斗模型基本上是做所有分析时都或多或少会用到的工具,本文结合一些简化的虚拟案例,来跟大家说说如何利用漏斗模型辅助数据诊断与决策?

如何应用漏斗模型辅助数据诊断与决策?

先讲个例子,来自肖恩埃利斯的《增长黑客》:

一家食品商店App的增长团队发现了一个问题:App上线后,通过各种推广,短时间内就获得了19万用户,但是到最终在App内完成购买的用户只有不到7000人。

是App的体验不好?商品不够有吸引力?其实很多产品也会有这样的问题,好不容易吸引来用户之后,如何让他们真正开始持续使用,激活他们?

于是,这个增长团队梳理出了用户从下载打开到最终购买的整个体验路径,提炼出5个关键步骤,分别是:

  1. 下载和打开App;
  2. 搜索浏览;
  3. 将商品放入购物车;
  4. 添加信用卡信息;
  5. 完成购买结算。

然后列出这段时间,每个步骤的实际人数,和对应的转化率:

[F05]漏斗模型如何辅助数据决策

数据和对应的转化率的结果很直观,团队成员发现:

  • 大量用户将商品放入购物车后没有添加信用卡信息就离开页面了(c到d为20%),但那些成功添加信用卡信息的用户,在之后完成购买的比例很高(d到e为75%)。
  • 此外,许多用户搜索商品数量并不多(a到b为30%),相比之下,下载App后特别活跃的用户第一次打开时就浏览了很多商品(活跃用户a到b的比例很高)。

有了这个数据其实就能很清楚的看出:商品本身或者App的体验没什么问题,能正常支付的用户大部分还是完成购买了,但是添加支付工具的和结算体验却存在障碍。团队需要尝试让用户能更轻松的结算。同时,考虑新增用户搜索量不高,还得尝试鼓励初访者搜索和浏览更多商品,比如设置特惠卖场界面、改进引导文案等等。

当然,这是一个很简化的虚拟案例,但是我们仍然可以从中看出他们是如何应用数据发现和诊断问题的,在这里面用到的很重要的一个工具就是“漏斗模型”。

漏斗模型及常用应用模型

所以,什么是漏斗模型?

漏斗模型,aka漏斗分析、转化率分析,基本上是做所有分析时都或多或少会用到的工具。

我在网上搜漏斗分析时,出来的文章或内容大多和互联网运营或者数字营销有关。但其实漏斗模型应用的地方非常广泛,包括但不限于:

  • 财务分析(整个利润表其实就是个漏斗,比率分析);
  • 产品设计(诊断用户一系列行为转化率);
  • 广告(流量监控、效果评估),品牌(认知-行为转化)等等。

当然除了开头举的那个用户体验流程的例子,漏斗模型还有其他很多种应用。比如:

品牌认知-行为漏斗

[F05]漏斗模型如何辅助数据决策

衡量品牌知名度的时候通常会用三个指标

  • Top of Mind:代表对品牌强定位(或者说占据用户心智的深度)的量化。提到XX品类,第一时间想到的品牌。比如“提到短视频App,你第一个想到的是哪个App”,一个人可能会回答快手,另一个可能会回答抖音,但每个人只会有一个top of mind,最终可以统计各个品牌在用户群体的心智中占了多少领地。
  • Un-Aided:代表对品牌弱定位(进入用户心智,但还不够深)的量化。提到XX品类,还能想到哪几个品牌。比如“提到短视频App,你还能想到哪几个App”,一个人可能会回答抖音、快手…等数个App,但通常不超过5-7个。因为人的记忆/心智也是有限的。
  • Awareness:代表广泛的知名度。XX品类里所有知道的品牌。比如“在短视频App里,你都知道哪些App?”,一个人可能会回答快手、抖音、微视、视频号…等很多个App。

关于这几个指标基于心理记忆的解释,也可以参考之前这篇《品牌的生理和心理基础》中的部分内容。

关于行为漏斗,根据行业/品类的不同特性,可以设置成各种指标,逻辑相关即可。可以用“以前用过-现在在用-最常用”,也可以是“以前买过-最近半年买过-最近1个月买过”,情况目的不同,搭建不同的指标。

可以通过抽样调研问卷的方式获得数据(认知这种比较心理层面的指标,主要还是靠问卷。不过行为指标,有监测数据会比用户回忆更准一些),并对品牌/产品进行诊断。

比如这个例子:

[F05]漏斗模型如何辅助数据决策

AB两个品牌在一波营销过后,A品牌广泛意义上虽然知名度高,但是很少有人能主动想起来A,有可能是A品牌虽然广告到处打,但是宣传的内容太平淡,没有亮点,人们看完很快就忘了。

B品牌则可能是宣传内容很不一样,大家看到B的宣传后印象深刻,但是由于媒体渠道选的不好,覆盖的人群不够,所以整体知名度要更弱一些

AARRR漏斗

除了前面提到的食品商店App的具体例子,其实包括黑客增长本身的核心模型AARRR其实也是一个漏斗:

[F05]漏斗模型如何辅助数据决策

AIDA漏斗

营销中经典的AIDA(或者AIDAS等等变种)也可以通过收集对应的数据,套用漏斗模型进行分析,广泛应用于快消品、耐消品:

[F05]漏斗模型如何辅助数据决策

利润漏斗

财务分析三张表中的利润表其实也是一个漏斗,净利润率告诉我们漏斗是比较直(中间损耗少,收入更多转化为盈利,效益好)、还是比较斜,所以净利润率表示效益

[F05]漏斗模型如何辅助数据决策

应用基础与个体“私域”数据漏斗

应用漏斗模型做分析的基础有两个:

  • 基于目的抽象出流程;
  • 数字化,有能力收集每个流程或步骤的数据。

基于目的抽象出流程:比如想解决用户从打开到下单的转化问题,或者想让用户更顺畅的体验到产品的Aha时刻(即用户体验到产品最大价值的那个时刻),可以基于用户实际体验,抽象为“打开-浏览-详情-加入购物车-下单-支付-反馈”这一系列流程。再比如从认知到购买的流程,被提炼为AIDA。

这一步听起来简单,好像只要按已有的模型或者实际用户行为/认知的路径梳理出来就行。但实际上有很多难点,比如产品/app的元素功能很多、用户的行为其实很复杂,像例子中的电商App,实际上页面层级会很多、用户也可能会在各种页面上“逛”。要如何梳理出关键步骤,构建有效的用户路径图,并衡量其间转化,其实是个难点。

还有像AARRR或者AIDA这种“大”模型,可以提供宏观策略上的参考,但在精细分析,比如复杂媒体环境下不同渠道带来的认知或者获客时,如何取舍、如何处理不同漏斗间的交集或者嵌套,其实都会有些难度。

数字化:抽象出流程后,就得拿到每个流程的数据,才好真正开始分析。对于企业而言,最好当然是建立自己的数字化体系、数据仓库,监测自己的用户/客户全部行为数据。或者也可以借助外部供应商的SaaS/Paas之类的数据平台做部分业务的数字化。除了行为数据之外,也可以用问卷调研的方式获得用户态度或心理数据。

不过,其实数据存在于生活中的各个角落。对于小规模的活动,甚至个人,都可以灵活地应用这两步。

比如个人在社群做文字或者直播分享,最大覆盖多少人或多少微信群,有多少人观看直播,有多少人评论,多少人转发,直播后有多少人添加微信,有多人截图分享,其实都可以量化,并且计算转化率,还可以在不同场次/不同社群间对比。

哪怕是小卖部,其实也可以统计每天多少人流路过,多少人进店,多少人购买……并不一定非得是大公司才用得到。

局限和深入分析

漏斗模型虽然很常用,但也不是万能的。最大的局限在于,漏斗分析是一个纯诊断工具,也就是说它可以告诉你哪里出了问题,但是即没有办法回答为什么出现这样的问题,也不能回答如何解决这样的问题。通常还要结合消费者调研和更多的数据分析,来挖掘问题背后的原因以及探寻改进的方向

而且,单独做一个漏斗其实往往看不出太多东西,很多时候要对比才有意义

  • 对外:和竞争对手比、和行业平均值对比。
  • 对内:自己的细分用户在漏斗各环节的不同表现;不同时段的漏斗数据表现等等

比如还是肖恩埃利斯,在问卷调查公司Qualaroo领导增长团队时,通过深度分析和对比,对比“试用后购买产品的用户”vs“试用后没购买产品的用户”之间的差异,发现:

购买的用户在试用调查问卷系统时收到了至少50条反馈,而产品的Aha时刻(即用户体验到产品最大价值的那个时刻)正是用户发现自己能回收足量的结果,并从中得到有指导意义的反馈。所以50条反馈是一个很重要的价值拐点,回收数据超过这个数,用户就能感知产品价值。

于是他们做了很多试验,来尽可能帮助用户提升回收问卷的数量。比如视频教程,指导用户做更简短且有效的问卷,以及在哪里投放问卷回收概率高,比如推荐模板、推荐NPS等等,以及让客服人员主动联系用户提供发布问卷的建议。最终大幅提高了用户激活率。

作者:Allen,微信公众号:Allen走走神

本文由 @Allen 原创发布于人人都是产品经理,未经许可,禁止转载。

题图来自 Unsplash,基于CC0协议

肥喵运营推广

本文“如何应用漏斗模型辅助数据诊断与决策?”由肥喵转载自互联网,不代表我们的立场,如有侵权请联系我们删除
转载联系作者并注明出处:https://feimiaomiao.com/yunying/5524