常用的產品數據分析方法之漏斗模型與歸因模型

剛剛接觸數據運營的同學可能都會產生這樣的困惑：數據運營難不難？我數學不好該怎么做？是不是還需要學習數學建模？我該看點什么書學習？包括喵君剛開始工作的時候也在困惑，面對一條條業務數據不知道從何下手。今天我們就來一起捋一捋一些工作中常見的產品數據分析方法，回答一下“怎么做”的問題。

我曾經對新人說過，數據可以繪制用戶肖像及行為軌跡，可以監控產品轉化及發展情況，可以橫向評估渠道效果，這一切都涉及到與產品、市場、技術等多個部門的協同工作。數據運營是很偉大也很多面手的職業。

漏斗模型

今天首先要介紹的是漏斗模型：它可以廣泛應用于流量監控、產品目標轉化等日常數據運營工作中。之所以稱為漏斗，就是因為用戶（或者流量）集中從某個功能點進入（這是可以根據業務需求來自行設定的），可能會通過產品本身設定的流程完成操作。

對于我們要做的就是對按照流程操作的用戶進行各個轉化層級上的監控，尋找每個層級的可優化點；對沒有按照流程操作的用戶繪制他們的轉化路徑，找到可提升用戶體驗，縮短路徑的空間。運用漏斗模型比較典型的案例就是電商網站的轉化，用戶在選購商品的時候必然會按照預先設計好的購買流程進行下單，最終完成支付。這些數據雖然是我瞎編的（你來打我呀）但是如果沒有整個業務流程的梳理，就不會有這種漏斗模型的產出，更別說去查找每個步驟出現用戶流失的問題了。

當然有些時候也要做一些競品分析，對于同行業同類數據的轉化情況做到心中有數。盡可能降低用戶流失是我們的目標，但是如果可以做到不低于行業平均水準同時資源有限的話，降低這個轉化漏斗的用戶流失就需要被放置較低的優先級里。

還有一些比較經典的漏斗轉化模型就是用于用戶注冊流程上：我們需要知道多少用戶點擊了注冊按鈕（漏斗的開端），多少用戶完成了信息填寫（多少用戶放棄填寫），多少用戶點擊發送驗證碼按鈕（驗證碼到達率），成功完成注冊的人數。如果一旦在運營過程中發現某一天的注冊用戶數出現波動，那么除了去查一下市場渠道及廣告投放，產品本身的注冊功能也是可能出現這個問題的重要因素。

對于產品的非功能頁面，比如某個活動頁，公司簡介頁等等，用戶可能不會按照我們既定的流程到達，那么就要根據實際的目標來確認是否有講這類非功能頁面的轉化流程做優化的必要性。

歸因模型

歸因模型，更準確的描述其實是一種既定的規則，我們需要根據產品的實際需求，將達成目標（形成轉化）之前的功勞根據設定的權重分配給每一個轉化節點。產品形成一次轉化，用戶可能要經歷很多個轉化節點（轉化并不一定只完成銷售。一次注冊也可以看作一次轉化，一次訪問也可以看作一次轉化，要根據業務實際需求制定）。

歸因模型在使用過程中通常分為幾類：最終互動模型、首次互動模型、線性歸因模型、時間衰減歸因模型、自定義等，這里逐一進行描述：

產品情景描述：用戶在Baidu上搜索一個關鍵詞，點進了一個叫a.com的網站之后放棄繼續搜索。過了幾天他又在自己的Facebook上看到了這個關鍵詞的廣告，隨后他點擊了廣告最終完成購買。

最終互動模型：最后一個節點將被分配100%的功勞，那么Facebook（社交媒體）上的廣告獲得100%的功勞；

首次互動模型：用戶首先是在Baidu進行關鍵詞搜索的，那么Baidu（搜索引擎）將被分配100%的功勞；

線性歸因模型：用戶從開始搜索到轉化，共經歷了三個渠道（節點），那么每個節點將被平均授予33.3%的功勞；

時間衰退歸因模型：用戶在Baidu搜索和訪問了a.com是幾天之前的事情，那么這兩個渠道因為時間經歷比較長的原因將被分配較低的功勞（如各20%），Facebook將被分配相對較高的功勞（60%）；

當然，實際的業務流程和渠道轉化流程不會像描述的這樣簡單，我們也可以根據需求自行定義。歸因模型的意義在于尋找到真正對于現階段產品發展有利的渠道，并將優勢擴大化。當然，它是具有時效性的，也就是說產品的不同階段歸因模型所得到的結果很可能是不一樣的。

之后還會針對產品數據分析方法中的“Cohort分析（同期群分析）“、”數據細分“、數據整理做一些描述。