转化率

比如，之前在知乎上看到有人问： 1、漏斗，统计的是人数？还是次数？ 2、如何构建漏斗模型？要将浏览→完成交易中的每步都列出来吗？ 3、有哪些分析场景？ 今天我们就来一起捋捋常见的数据分析方法——漏斗分析模型，同时逐一回答上述问题。 一、什么是漏斗分析模型 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。 比如：教育培训类产品的用户，从首页进入到最终完成支付的行为，大多需要经过搜索课程，查看课程详情、点击购买、立即支付、支付成功，我们需要将按照流程操作的用户进行各个转化层级上的监控，寻找每个层级的可优化点；对没有按照流程操作的用户绘制他们的转化路径，找到可提升用户体验，缩短路径的空间。 这里回答文章开始的第一个问题，通常来讲，漏斗分析都以人数来统计，为什么不按照次数来统计呢？我们看一个例子。 假设某漏斗模型是A→B→C→D，如果用户从A→B再→B再→B（假设A是用户进入课程详情页的次数，B是点击购买的次数，也就是这个人重复添加到支付页面）那漏斗的第二步统计的次数可能会大于第一步统计的次数，这也违背了漏斗分析模型的意义。 以人数来统计，就是次数去重以后基于时间序列的统计。一个用户只要做过从A到B，无论做了多少次，都是一个A到B的转化，当然，这里边有个非常关键的限定，就是转化周期限定，1天，2天，一个会话······也就是用户从A→B发生的时间周期

数据可视化有很多既定的图表类型，下面我们分别来谈谈这些图表类型，他们的适用场景，以及使用的优势和劣势。 1.柱状图 适用场景：它的适用场合是二维数据集（每个数据点包括两个值x和y），但只有一个维度需要比较。 优势：柱状图利用柱子的高度，反映数据的差异。肉眼对高度差异很敏感，辨识效果非常好。 劣势：柱状图的局限在于只适用中小规模的数据集。 2.折线图 适用场景: 折线图适合二维的大数据集，尤其是那些趋势比单个数据点更重要的场合。它还适合多个二维数据集的比较。 优势：容易反应出数据变化的趋势。 3.饼图 适用场景：适用简单的占比图，在不要求数据精细的情况下可以适用。 劣势：饼图是一种应该避免使用的图表，因为肉眼对面积大小不敏感。 4.漏斗图 适用场景：漏斗图适用于业务流程比较规范、周期长、环节多的流程分析，通过漏斗各环节业务数据的比较，能够直观地发现和说明问题所在。 优势:能够直观地发现和说明问题所在。在网站分析中，通常用于转化率比较，它不仅能展示用户从进入网站到实现购买的最终转化率，还可以展示每个步骤的转化率。 劣势:单一漏斗图无法评价网站某个关键流程中各步骤转化率的好坏。 5.地图 适用场景：适用于有空间位置的数据集。 优劣势：特殊状况下使用。 6.雷达图 适用场景：雷达图适用于多维数据（四维以上），且每个维度必须可以排序。但是，它有一个局限，就是数据点最多6个，否则无法辨别

第一项：日常性数据（基础） 1.流量相关数据： 　　1.1IP ：独立IP数。00:00-24:00内相同IP地址之被计算一次。 　　1.2PV：页面浏览量或点击量，用户每次刷新即被计算一次。 　　1.3UV：访问您网站的一台电脑客户端为一个访客。00:00-24:00内相同的客户端只被计算一次。 　　1.4在线时间 　　1.5跳出率 　　1.6新用户比例 2.订单相关数据： 　　2.1总订单 　　2.2有效订单 ：有意向合作和购物的订单，还未完成实际交易产生利润。 　　2.3订单有效率 ：已经完成交易的订单/总订单。 　　2.4总销售额 　　2.5客单价 ：每一个顾客平均购买商品的金额。 　　2.6毛利润 ：收入-成本（和净利润的区别在于净利润还要扣除税收，各种支持后的利润） 　　2.7毛利率 ：毛利润/营业收入 3.转化率相关数据： 　　3.1下单转化率 ：支付次数/下单次数 　　3.2付款转化率：支付买家数/访客数 简要说明： 1.因为我们已经实现基础的WEB版数据分析系统（有些公司用进销存软件），所以常规性的销售额、利润、利润率，都是可以通过系统实现的。 2.因为直接与商城后台对接，库存管理都已经做进去了，分析数据时候，后台的原始数据都有，设定好各项公式，想要的结果都出来了，这样实现比用软件效率更好，且可以根据各自的需求灵活开发。 3.由于会出现用户今日下单，明日付款

又是一年年底，又到总结的时候。 B2C 们该总结什么？？利润？？毛利？？成本？？空洞的文字一定会很苍白，很业余。数据，用数据说话。 笔者根据 B2C 运营的的业务特点，建立了整体 B2C 运营体系的数据模型，技术部已经开始对接商城后台，实施我们 WEB 版的数据分析后台。 明年我们的运营部，将逐步实现运营数据化，以数据为指导思想，来发现问题，解决问题，逐步使我们的运营工作稳健的上一个又一个台阶。 第一项：日常性数据（基础） 1. 流量相关数据： 1.1 IP 1.2 PV 1.3 在线时间 1.4 跳出率 1.5 新用户比例 2. 订单相关数据： 2.1 总订单 2.2 有效订单 2.3 订单有效率 2.4 总销售额 2.5 客单价 2.6 毛利润 2. 7 毛利率 3. 转化率相关数据： 3.1 下单转化率 3.2 付款转化率。 简要说明： 1. 因为我们已经实现基础的 WEB 版数据分析系统（有些公司用进销存软件），所以常规性的销售额、利润、利润率，都是可以通过系统实现的。 2. 因为直接与商城后台对接，库存管理都已经做进去了，分析数据时候，后台的原始数据都有，设定好各项公式，想要的结果都出来了，这样实现比用软件效率更好，且可以根据各自的需求灵活开发。 3. 由于会出现用户今日下单，明日付款，所以订单有效率、销售额、转化率、客单价会动态变化，靠 EXCEL 基本是做不来

网站流量质量指标 1) 访问深度 访问深度又称人均页面浏览量、每次访问平均页面浏览量，用来评估平均每个访问内用户看了多少个页面。计算公式： 访问深度=PV/访问量 访问深度是用户访问质量的重要指标，访问深度越大意味着用户对网站内容越感兴趣；访问深度不是越高越好，过高的访问深度可能意味着用户在网站中迷失方向找不到目标内容。某些场景下，也会使用PV/UV来计算访问深度。 2) 停留时间 停留时间指用户在网站或页面的停留时间长短。计算公式为：  网站停留时间：最后一次请求时间戳-第一次请求时间戳  页面停留时间：下一个页面请求时间戳-当前页面请求时间戳 对于停留时间的评估不是越高越好，一个简单的页面，如果用户停留时间过长，可能意味着用户没有注意到页面关键信息或没有注意到引导按钮，从而降低用户体验或降低该页面的引导贡献。 3) 跳出\跳出率 跳出指用户到达落地页之后没有点击第二个页面即离开网站的情况，跳出率指落地页作为第一个页面的访问中直接跳出的比例。计算公式为：跳出率=跳出的访问/落地页的访问。 跳出是仅针对落地页发生的指标，用来评估用户进入网站后的第一反应情况。过高的跳出率意味着站外流量低或者页面设计出现问题，导致用户不愿继续浏览网站。 4) 退出\退出率 退出指的是用户从网站上离开而没有进一步动作的行为。推出率指在某个页面退出的访问占该页面总访问的比例，计算公式为： 退出率 =

又是一年年底，又到总结的时候。B2C们该总结什么？？利润？？毛利？？成本？？空洞的文字一定会很苍白，很业余。数据，用数据说话。 笔者根据B2C运营的的业务特点，建立了整体B2C运营体系的数据模型，技术部已经开始对接商城后台，实施我们WEB版的数据分析后台。 明年我们的运营部，将逐步实现运营数据化，以数据为指导思想，来发现问题，解决问题，逐步使我们的运营工作稳健的上一个又一个台阶。 第一项：日常性数据（基础） 1. 流量相关数据： 1.1 IP 1.2 PV 1.3 在线时间 1.4 跳出率 1.5 新用户比例 2. 订单相关数据： 2.1 总订单 2.2 有效订单 2.3 订单有效率 2.4 总销售额 2.5 客单价 2.6 毛利润 2.7 毛利率 3. 转化率相关数据： 3.1 下单转化率 3.2 付款转化率。 简要说明： 1. 因为我们已经实现基础的WEB版数据分析系统（有些公司用进销存软件），所以常规性的销售额、利润、利润率，都是可以通过系统实现的。 2. 因为直接与商城后台对接，库存管理都已经做进去了，分析数据时候，后台的原始数据都有，设定好各项公式，想要的结果都出来了，这样实现比用软件效率更好，且可以根据各自的需求灵活开发。 3. 由于会出现用户今日下单，明日付款，所以订单有效率、销售额、转化率、客单价会动态变化，靠EXCEL基本是做不来，所以灵活对接系统非常重要

B2C们该总结什么？？利润？？毛利？？成本？？空洞的文字一定会很苍白，很业余。数据，用数据说话。 笔者根据B2C运营的的业务特点，建立了整体B2C运营体系的数据模型，技术部已经开始对接商城后台，实施我们WEB版的数据分析后台。 明年我们的运营部，将逐步实现运营数据化，以数据为指导思想，来发现问题，解决问题，逐步使我们的运营工作稳健的上一个又一个台阶。 第一项：日常性数据（基础） 1. 流量相关数据： 1.1 IP 1.2 PV 1.3 在线时间 1.4 跳出率 1.5 新用户比例 2. 订单相关数据： 2.1 总订单 2.2 有效订单 2.3 订单有效率 2.4 总销售额 2.5 客单价 2.6 毛利润 2.7 毛利率 3. 转化率相关数据： 3.1 下单转化率 3.2 付款转化率。 简要说明： 1. 因为我们已经实现基础的WEB版数据分析系统（有些公司用进销存软件），所以常规性的销售额、利润、利润率，都是可以通过系统实现的。 2. 因为直接与商城后台对接，库存管理都已经做进去了，分析数据时候，后台的原始数据都有，设定好各项公式，想要的结果都出来了，这样实现比用软件效率更好，且可以根据各自的需求灵活开发。 3. 由于会出现用户今日下单，明日付款，所以订单有效率、销售额、转化率、客单价会动态变化，靠EXCEL基本是做不来，所以灵活对接系统非常重要，如果没有

企业在选择用户行为分析工具时，大都不清楚如何选择适合自己业务的用户行为分析工具。笔者自己公司之前网站分析用百度统计APP分析用友盟，公司是做电商行业的，最近公司提出要精细化运营，用数据驱动业务增长，因此在10月份分别考察了国内做得比较出色的几家公司：数极客(阿里系)、神策数据(百度系)和GrowingIO(LinkedIn系)三家公司的用户行为分析产品。 我在选型过程中将各家公司的功能和服务对比文档进行整理，从团队背景和产品定位、数据接入方式、定量分析功能、定性分析功能、二次开发与数据应用、服务项目等六个主要方面深入对比数极客、神策、GrowingIO三大用户行为分析平台，希望能对有用户行为分析需求的企业在选择分析平台时有所帮助。 一、 团队背景及产品定位 数极客团队：来自阿里集团淘宝网(CEO、CTO)、阿里云(首席架构师)，CEO 是产品、运营、营销背景，曾联合创业并融资近千万美元，CTO和架构师是阿里大数据方面的资深技术专家。 产品定位：用户行为智能分析平台 根据数极客官网介绍，数极客是领先的第三代互联网数据分析平台，基于AARRR用户生命周期管理模型提供全程解决方案产品，采用多维细分、同期群分析、漏斗分析、对比分析等超过十种数据分析方法为互联网经营者提供获客、活跃、留存、转化、用户行为等分析数据，提供全面开放的数据API，支持所有行业互联网平台在营销、运营、A

留存分析模型: 统计日登陆且统计日前一日也登陆的用户,为新用户 统计日登陆且与前一次登陆时间间隔小于7天,为老活跃用户,反应产品真实的活跃情况 统计日登陆且与前一次登陆时间间隔等于7天, 为回流用户 统计日登陆且与前一次登陆时间间隔大于7天,为沉默用户 统计日与前一次登陆时间间隔大于30天, 为流式用户, 用来衡量老用户召回的功能或渠道推广,重大节日活动是否有效等 周留存:这周新增的用户在下周任然留存的用户 7日留存:日新增用户在第7日依然留存的用户 漏斗分析模型: 反映不同用户群体各环节转化率,各流程步骤差异对比,了解转化率最高的用户群体,分析漏斗的合理性, 并对转化率异常环节进行调整 科学归因:选择在用户购买决策的全流程中对用户影响的功劳最大,权重最大,直接促进用户转化率的渠道,可以大大增大漏斗分析的科学性 属性关联:在进行漏斗分析时,尤其电商行业的数据分析场景中,运营人员在定义转化时,会要求漏斗转化的前后步骤有相同的属性 购买过程总转化率:购买路径从查看商品到付款成功的转化率 转化分析:分析某个漏斗在分析时间段内的转化流式情况 转化趋势分析:分析转化漏斗整体或两个相邻步骤间的转化率随时间的变化趋势 群分析与组对比: 根据需要可以选择某个用户群,去分析这部分细分用户的转化情况, 或者对比多个用户群转化率的差异.比如:不同性别和不同用户等级的用户群的漏斗分析对比

就数据分析职业来说，个人感觉这对互联网公司来说是非常重要的，也是确实能够带来实际效果的东西。比如说利用数据分析做会员的细分以进行精准化营销；利用 数据分析来发现现有的不足，以作改进，让顾客有更好的购物体验；利用CRM系统来管理会员的生命周期，提高会员的忠诚度，避免会员流失；利用会员的购买数 据，挖掘会员的潜在需求，提供销售，扩大影响力等等。 最开始进公司的时候是在运营部，主要是负责运营报表的数据，当时的系统还很差，提取数据很困难，做报表也很难，都是东拼西凑一些数据，然后做成PPT，记 得当时主要的数据就是销售额、订单量、毛利额、客单价、每单价、库存等一些特别基础的数据，然后用这些数据作出一些图表来。在这个阶段基本上就是做一些数 据的提取工作，Excel的技巧倒是学到了不少，算是数据分析入门了吧。 后来公司上了数据仓库，里面就有了大量的原始数据，提取数据非常方便了，而且维度也多，可以按照自己的想法随意的组合分析，那个阶段主要就是针对会员购物 行为的分析，开始接触数据建模，算法等一些比较难的东西，也是学到东西最多的时候。记得当时做了很多分析报告，每周还要给总裁办汇报这些报告，下面详细说 一下当时使用的一些主要的模型及算法： 1、 RFM模型 模型定义：在众多的客户关系管理的分析模式中，RFM模型是被广泛提到的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该机械模型通过一个