前面几章讲的是"指标出问题了怎么办"：监控负责发现异常（Prophet、ARIMA、3-sigma），归因负责定位原因（Delta、基尼系数、剔除法、Adtributor）。但还有一类问题，指标本身没有异动，转化率一直就卡在那里——用户在路径的哪一步流失了、为什么流失、哪类用户流失得最狠。这就要用到本章的漏斗分析。
一、什么是漏斗分析
漏斗分析直观地反映一段时间内（对数据切片）某个用户群体，从起始到完成各步骤的转化情况。
它由三要素构成：
| 要素 | 含义 | 关键点 |
|---|---|---|
| 时间 | 各环节取数的时间窗口期 | 超过窗口期的数据即使后续发生转化也会被丢弃 |
| 环节 | 漏斗核心路径的每一步 | 环节间有明确的先后依赖关系 |
| 流量 | 分析限定的用户群体 | 不同群体的漏斗表现可以对比，针对性补短板 |
时间窗口期最容易被忽视。比如电商购买漏斗取 2022.11.9 一天的数据：11.9 浏览商品、11.10 才购买的用户，只会被计入浏览环节。窗口期取 1 天还是 7 天，转化率可能差出一个量级——决策周期长的商品（房、车、保险）必须配长窗口，否则漏斗会系统性低估转化。
流量是漏斗分析的分群视角。首页来源和搜索来源的用户，各步骤转化率往往差异明显：搜索用户意图明确，点击转化高但量小；首页用户量大但浏览深度浅。分别画漏斗再对比，才知道该给谁补哪个短板。
一句话区分：**异动归因是横向对比不同时间片的数据，漏斗分析是纵向切开一个时间片内用户群体的转化链路。**两者互补——漏斗找到"哪一步弱"，归因回答"为什么这个月变弱了"。
二、漏斗模型的前世今生
漏斗不是互联网的发明，而是营销学百年来刻画用户决策的基本框架。
AIDA 模型（1898）。来自美国的 Lewis 提出消费者购买漏斗，刻画购买决策流程：Attention（注意）→ Interest（兴趣）→ Desire（欲望）→ Action（行动）。广告的作用就是让用户逐层往下走，每一层都会流失，呈漏斗状收窄。
AIDMA 模型。在 AIDA 基础上增加 Memory（记忆）：注意 → 兴趣 → 欲望 → 记忆 → 行动。增加的 Memory 对营销内容提出更高要求——希望消费者能够记忆足够长的时间，看到广告和产生购买之间的间隔里，品牌不能被忘掉。电视时代的品牌广告，本质上就是在做 Memory 这一层。
海盗模型 AARRR（2007）。Dave McClure 提出增长领域最常用的漏斗：Acquisition（拉新）→ Activation（激活）→ Retention（留存）→ Revenue（收益）→ Referral（传播）。它把"一次购买决策"的漏斗升级成了"用户全生命周期"的漏斗，是增长黑客方法论的骨架。
中间还有一个值得知道的版本：日本电通 2005 年提出的 AISAS（注意 → 兴趣 → 搜索 → 行动 → 分享），用 Search 和 Share 替换了 Memory，反映了搜索引擎和社交时代用户行为的变化。
顺带一个反共识的扩展：2009 年麦肯锡在《The Consumer Decision Journey》中提出，数字时代的用户决策更像"环"而不是"漏斗"——用户会在考虑、评估、购买之间反复横跳，购后再进入忠诚循环。这提醒我们：漏斗是对路径的理想化抽象，它的价值不在精确还原动线，而在把复杂行为压缩成可计算、可对比的转化序列。
三、漏斗分析的五个步骤
漏斗分析的定位是：聚焦用户转化链路中最有效的路径，迅速定位流失环节，再根据不同群体（机型、渠道、来源）进一步细拆该环节，找到机会点。落地分五步：
- 画出用户主路径：从起点到终点，只保留核心环节
- 确定核心指标：每个环节的转化率
- 定位问题：找出转化不符合预期的环节
- 多维分析找突破点：对问题环节按人群、渠道、机型等维度细拆
- 给出方案验证效果：优化上线，AB 实验回收数据
两个经验法则：
- 环节不超过 5 个。超过 5 个环节，往往会出现多个重点环节，在一个漏斗模型里同时分析多个重要问题容易产生混乱。先抓大放小，锁定主问题后再对问题环节单独展开子漏斗。
- 相邻环节的量级差不超过 20 倍。数值量级差距过大，数值间的波动关系很难被察觉，容易遗漏信息。曝光量 1000 万、点击量 5 万的两级漏斗，点击端的 10% 波动在整体图上几乎不可见。
另外，第 5 步的验证必须用 AB 实验而不是前后对比——漏斗本身有自然波动，改版前后转化率差 2% 可能只是季节性，不是优化的功劳。这也是第一章"增长与数据"反复强调的纪律。
四、案例：相关阅读点击下降
以资讯 App 的一个完整排查为例，走一遍五步法。
1、确定核心指标，画出主路径：
首页曝光 → 资讯点击 → 详情页请求 → 详情页曝光 → 相关阅读曝光 → 相关阅读点击
2、定位问题：逐环节看转化率，发现"相关阅读曝光 → 相关阅读点击"这一步转化明显不符合预期，其余环节正常。
3、细拆问题环节：把"相关阅读点击"的子链路展开——相关阅读的曝光依赖详情页内推荐位的成功加载，请求成功率、推荐接口耗时、样式曝光逻辑都是子环节，逐一排查。
4、多维分析：按网络类型拆分，G 网（蜂窝网络）用户的相关阅读点击转化显著低于 W 网（WiFi）用户——线索指向弱网环境下推荐流加载慢、图片未及时曝光，用户在内容渲染完成前就退出了。
5、给出方案并验证：针对弱网做预加载和降级策略（压缩图、减少首屏推荐位数量），AB 实验验证点击转化提升幅度。
这个案例的典型性在于：问题环节（点击）和体感归因（"内容不吸引人"）相距甚远。不做漏斗细拆，团队很可能在内容侧空转，而真正的瓶颈在工程侧的加载性能。
五、封闭漏斗和开放漏斗
按统计口径，漏斗分两种：
- 封闭漏斗：只有从漏斗第一步进入的事件，才统计在整体漏斗当中
- 开放漏斗：从漏斗任意一个环节进入的事件，均计入整体漏斗的统计
通常意义下的漏斗分析基于封闭漏斗。原因很直接：封闭口径确保每个环节不受其他来源的干扰，不会出现分子大于分母的情况。
反例是分享点击漏斗：首页 → 详情页 → 分享按钮。详情页的来源除了首页，还可能是 push 推送、外链分享。用开放口径统计，"详情页 → 分享按钮"这一步的分母混入了大量非首页来源用户，算出来的转化率既不能归给首页流量，也和首页侧的优化动作对不上号。
两个补充认识：
- 分析用户动线的桑基图，其主路径就是比较典型的封闭漏斗——沿着主流动线切出一条口径干净的序列。
- 开放漏斗并非无用：它适合看各环节的绝对规模和入口结构（多少流量是中途进来的），只是不适合算严格意义上的转化率。
六、两个常见错误
错误 1：设备数和次数穿插使用。第一步前台 DAU 是设备数，后续步骤是次数——一台设备一天可以点 50 次资讯详情页。口径穿插的漏斗，第二步"转化率"可能大于 100%，数字本身已经失去意义。正确做法是全漏斗统一口径：要么都按设备（UV）去重，要么都按事件次数（PV），混用前必须显式声明。
错误 2：转化率和流失率穿插使用。转化率和流失率是两个互补型指标（相加为 1），两者之间不存在漏斗关系。把 A 环节的转化率和 B 环节的流失率放进同一个序列里做乘法，算出来的"整体转化"是错的。同一张漏斗里，所有环节要么全用转化率、要么全用流失率。
这两个错误的共同本质：漏斗分析的可靠性取决于口径纪律。时间窗口、人群、计数口径、指标方向，四个要素任何一个在环节间不一致，漏斗就从分析工具变成了数字游戏。
七、小结
漏斗分析是漏斗三件套（定义、诊断、验证）中承上启下的一环：向上承接监控与归因发现的"哪个指标弱"，向下输出"哪一步、哪个人群、什么原因"的可执行结论。至此，从指标体系、监控、异动归因到漏斗分析的完整链路闭环。
参考资料
- Lewis, E. St. Elmo (1898). Financial Advertising. AIDA 模型的早期来源
- Sugiyama, K. & Andree, T. (2011). The Dentsu Way. 电通 AISAS 模型
- McClure, D. (2007). Startup Metrics for Pirates: AARRR. 500 Startups
- Court, D. et al. (2009). The Consumer Decision Journey. McKinsey Quarterly
- Kaushik, A. (2010). Web Analytics 2.0. 漏斗口径与常见分析错误