数据分析八大模型:漏斗模型

简介: 今天跟大家分享的是漏斗模型。漏斗模型,是一个大家能在各式各样的场合听到,但是总是感觉没讲到位的模型,今天简单分享一下。

一、为什么叫“漏斗”


漏斗模型是个形象的称呼,指的是:当业务流程变长的时候,用户会流失。这样把整个流程串起来看,就好像一个“漏斗”一样。用数据描述这个流程,是为漏斗模型。


举个简单的例子,比如一个电商APP,用户登录APP后,会看到广告页。点击广告页后会看到产品详情,如果用户想购买,就点击进去购物车页面,再进入支付页面,完成支付。


这个流程一共6步:


  • 进入首页
  • 点击广告页
  • 点击产品详情页
  • 点击购物车页
  • 点击支付页
  • 完成支付


每一步,用户都有流失的可能,因此两个步骤之间有一定的转化率(不会是100%进入下一步)。这个过程,就可以描述成一个漏斗(如下图)。


image.png



这里有几个细节:


1、漏斗是针对单个流程的。不同的流程,需要用不同的漏斗来描述。比如上例中,用户登录首页后,可能不点广告,而是从搜索栏搜索商品名称,然后再进商品列表。这时候就是另一个转化漏斗了,需要做另一个漏斗来分析。


2、必须完成全部流程,才纳入漏斗。因为用户很可能东点一下,西点一下,实际行为很分散。这时候统计漏斗的时候,会把完成了全部流程的用户纳入统计(如下图)。这样统计出的漏斗数据,可解读性强,不会出现下边某个层级比上边数据还多的问题。


image.png



3、漏斗分析需要有数据采集支持。
实际上,并不是传统企业不想做漏斗模型,而是传统企业的数据实在采集不上来……类似AIDMA之类的模型,就只能停留在问卷上了。漏斗分析要求每一步数据都有埋点采集。因此在toC的互联网产品中,应用最多。


那么,有了漏斗以后,该怎么分析呢?

二、怎么用漏斗进行分析

大部分网络文章讲到漏斗画出来就结束了。实际上这才刚刚开始。基于漏斗数据,至少可以做3种分析:


1、漏斗本身分析。面对漏斗数据,最简单的想法就是:哪里不行改哪里。这么做,比较适合新产品/新活动上线的时候,发现当前短板(如下图)。


image.png


2、改进效果监测。比如下决心改进广告页,更换了素材,更换了页面布局,最后有了ABC版本,这时候可以观察每个版本效果。如下图,持续改进广告页以后,能看到广告页点击有了提升,最终转化率也提升了。


image.png


当然,也有可能改来改去,发现其实没啥作用,这时候就得更换改进方向,或者思考是不是这个功能就这样了。


3、多个流程对比。很多时候,能达到终点的流程不止一个。比如上边举例讲到的,用户可以点广告页,也能点搜索栏,也能点好物推荐。这时会有好几个流程。通过漏斗对比,能看到每个流程的转化效率,这时能帮助产品经理思考:


  • 是不是用户更喜欢XX流程
  • 我是不是要分配XX流程更多流量
  • 有没有必要把XX流程独立出一个新功能


三、除了漏斗,还需要什么?


然而,即使做了上边三个分析,还是有很多同学觉得意犹未尽,似乎没有分析到位。因为漏斗模型,又是一个经典的知其然,不知其所以然的模型。它并不能解释为什么漏斗会变成这样,更不能解释,到底漏斗这样,是因为商品不行,广告不行,价格不行,还是操作体验不行。


这些常见的影响因素,对漏斗转化有两类影响。


一、全局影响,比如商品、价格。只要商品够好,价额够便宜,哪怕一路体验极差,用户都能忍受。


二、局部影响,比如广告图片、广告文案、页面设计、按钮位置。比如设计师太激情于创作,搞得广告图花里胡哨,连下一步点哪都看不到了……


如果只基于漏斗模型,更容易识别的是局部影响。比如某个中间页面,用户停留时间很久,跳出率很高,该环节转化率很低,那么一眼就能看出来这个环节出问题了。特别是发生在流程早期,更容易识别。


相反的,如果真是商品、价格不行,可能得反复测试很多轮,才能看出来。所以漏斗分析本身缺点也蛮明显的。


以上就是今天的分享,喜欢的小伙伴,记得转发+点赞+在看,三连支持下小熊妹哦。有小伙伴问:有没有能解释用户行为的模型?有,下一篇我来分享哈,敬请期待哦

相关文章
|
1月前
|
机器学习/深度学习 数据采集 数据挖掘
实战派教学:掌握Scikit-learn,轻松实现数据分析与机器学习模型优化!
【10月更文挑战第4天】Scikit-learn凭借高效、易用及全面性成为数据科学领域的首选工具,简化了数据预处理、模型训练与评估流程,并提供丰富算法库。本文通过实战教学,详细介绍Scikit-learn的基础入门、数据预处理、模型选择与训练、评估及调优等关键步骤,助你快速掌握并优化数据分析与机器学习模型。从环境搭建到参数调优,每一步都配有示例代码,便于理解和实践。
85 2
|
3月前
|
数据采集 机器学习/深度学习 算法
"揭秘数据质量自动化的秘密武器:机器学习模型如何精准捕捉数据中的‘隐形陷阱’,让你的数据分析无懈可击?"
【8月更文挑战第20天】随着大数据成为核心资源,数据质量直接影响机器学习模型的准确性和效果。传统的人工审查方法效率低且易错。本文介绍如何运用机器学习自动化评估数据质量,解决缺失值、异常值等问题,提升模型训练效率和预测准确性。通过Python和scikit-learn示例展示了异常值检测的过程,最后强调在自动化评估的同时结合人工审查的重要性。
92 2
|
3月前
|
机器学习/深度学习 前端开发 数据挖掘
基于Python Django的房价数据分析平台,包括大屏和后台数据管理,有线性、向量机、梯度提升树、bp神经网络等模型
本文介绍了一个基于Python Django框架开发的房价数据分析平台,该平台集成了多种机器学习模型,包括线性回归、SVM、GBDT和BP神经网络,用于房价预测和市场分析,同时提供了前端大屏展示和后台数据管理功能。
101 9
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
【python】python母婴数据分析模型预测可视化(数据集+论文+PPT+源码)【独一无二】
【python】python母婴数据分析模型预测可视化(数据集+论文+PPT+源码)【独一无二】
|
4月前
|
机器学习/深度学习 算法 数据挖掘
从零到精通:Scikit-learn在手,数据分析与机器学习模型评估不再难!
【7月更文挑战第25天】在数据科学中,模型评估是理解模型泛化能力的关键。对新手来说,众多评估指标可能令人困惑,但Scikit-learn简化了这一过程。
59 2
|
3月前
|
机器学习/深度学习 搜索推荐 数据挖掘
【深度解析】超越RMSE和MSE:揭秘更多机器学习模型性能指标,助你成为数据分析高手!
【8月更文挑战第17天】本文探讨机器学习模型评估中的关键性能指标。从均方误差(MSE)和均方根误差(RMSE)入手,这两种指标对较大预测偏差敏感,适用于回归任务。通过示例代码展示如何计算这些指标及其它如平均绝对误差(MAE)和决定系数(R²)。此外,文章还介绍了分类任务中的准确率、精确率、召回率和F1分数,并通过实例说明这些指标的计算方法。最后,强调根据应用场景选择合适的性能指标的重要性。
449 0
|
4月前
|
数据采集 机器学习/深度学习 数据挖掘
Python基于波动率模型(ARCH和GARCH)进行股票数据分析项目实战
Python基于波动率模型(ARCH和GARCH)进行股票数据分析项目实战
271 4
|
4月前
|
数据采集 机器学习/深度学习 数据可视化
关于Python数据分析项目的简要概述:从CSV加载数据,执行数据预处理,进行数据探索,选择线性回归模型进行训练,评估模型性能并优化,最后结果解释与可视化。
【7月更文挑战第5天】这是一个关于Python数据分析项目的简要概述:从CSV加载数据,执行数据预处理(填充缺失值,处理异常值),进行数据探索(可视化和统计分析),选择线性回归模型进行训练,评估模型性能并优化,最后结果解释与可视化。此案例展示了数据科学的典型流程。
76 2
|
4月前
|
机器学习/深度学习 数据采集 数据挖掘
实战派教学:掌握Scikit-learn,轻松实现数据分析与机器学习模型优化!
【7月更文挑战第27天】在数据科学领域, Scikit-learn因高效易用成为首选工具。本文采用实战方式教授Scikit-learn的基础入门、数据预处理、模型选择与训练、评估及调优。首先需安装Scikit-learn (`pip install scikit-learn`) 并加载数据集(如Iris)。
47 0
|
5月前
|
机器学习/深度学习 自然语言处理 数据挖掘
使用Python和大模型进行数据分析和文本生成
Python语言以其简洁和强大的特性,成为了数据科学、机器学习和人工智能开发的首选语言之一。随着大模型(Large Language Models, LLMs)如GPT-4的崛起,我们能够利用这些模型实现诸多复杂任务,从文本生成到智能对话、数据分析等等。在这篇文章中,我将介绍如何用Python连接和使用大模型,并通过示例展示如何在实际项目中应用这些技术。