漏鬥模型基本上是做所有分析時都或多或少會用到的工具，本文結合一些簡化的虛擬案例，來跟大家說說如何利用漏鬥模型輔助數據診斷與決策？
先講個例子，來自肖恩埃利斯的《增長黑客》：
一家食品商店App的增長團隊發現了一個問題：App上線後，通過各種推廣，短時間內就獲得了19萬用戶，但是到最終在App內完成購買的用戶只有不到7000人。
是App的體驗不好？商品不夠有吸引力？其實很多產品也會有這樣的問題，好不容易吸引來用戶之後，如何讓他們真正開始持續使用，激活他們？
於是，這個增長團隊梳理出了用戶從下載打開到最終購買的整個體驗路徑，提煉出5個關鍵步驟，分別是：
下載和打開App；搜索瀏覽；將商品放入購物車；添加信用卡信息；完成購買結算。然後列出這段時間，每個步驟的實際人數，和對應的轉化率：
數據和對應的轉化率的結果很直觀，團隊成員發現：
大量用戶將商品放入購物車後沒有添加信用卡信息就離開頁面了（c到d為20%），但那些成功添加信用卡信息的用戶，在之後完成購買的比例很高（d到e為75%）。此外，許多用戶搜索商品數量並不多（a到b為30%），相比之下，下載App後特別活躍的用戶第一次打開時就瀏覽了很多商品（活躍用戶a到b的比例很高）。有了這個數據其實就能很清楚的看出：商品本身或者App的體驗沒什麼問題，能正常支付的用戶大部分還是完成購買了，但是添加支付工具的和結算體驗卻存在障礙。團隊需要嘗試讓用戶能更輕鬆的結算。同時，考慮新增用戶搜索量不高，還得嘗試鼓勵初訪者搜索和瀏覽更多商品，比如設置特惠賣場界面、改進引導文案等等。
當然，這是一個很簡化的虛擬案例，但是我們仍然可以從中看出他們是如何應用數據發現和診斷問題的，在這裡面用到的很重要的一個工具就是「漏鬥模型」。
漏鬥模型及常用應用模型
所以，什麼是漏鬥模型？
漏鬥模型，aka漏鬥分析、轉化率分析，基本上是做所有分析時都或多或少會用到的工具。
我在網上搜漏鬥分析時，出來的文章或內容大多和網際網路運營或者數字營銷有關。但其實漏鬥模型應用的地方非常廣泛，包括但不限於：
財務分析（整個利潤表其實就是個漏鬥，比率分析）；產品設計（診斷用戶一系列行為轉化率）；廣告（流量監控、效果評估），品牌（認知-行為轉化）等等。當然除了開頭舉的那個用戶體驗流程的例子，漏鬥模型還有其他很多種應用。比如：
品牌認知-行為漏鬥
在衡量品牌知名度的時候通常會用三個指標：
Top of Mind：代表對品牌強定位（或者說佔據用戶心智的深度）的量化。提到XX品類，第一時間想到的品牌。比如「提到短視頻App，你第一個想到的是哪個App」，一個人可能會回答快手，另一個可能會回答抖音，但每個人只會有一個top of mind，最終可以統計各個品牌在用戶群體的心智中佔了多少領地。Un-Aided：代表對品牌弱定位（進入用戶心智，但還不夠深）的量化。提到XX品類，還能想到哪幾個品牌。比如「提到短視頻App，你還能想到哪幾個App」，一個人可能會回答抖音、快手…等數個App，但通常不超過5-7個。因為人的記憶/心智也是有限的。Awareness：代表廣泛的知名度。XX品類裡所有知道的品牌。比如「在短視頻App裡，你都知道哪些App？」，一個人可能會回答快手、抖音、微視、視頻號…等很多個App。關於這幾個指標基於心理記憶的解釋，也可以參考之前這篇《品牌的生理和心理基礎》中的部分內容。
關於行為漏鬥，根據行業/品類的不同特性，可以設置成各種指標，邏輯相關即可。可以用「以前用過-現在在用-最常用」，也可以是「以前買過-最近半年買過-最近1個月買過」，情況目的不同，搭建不同的指標。
可以通過抽樣調研問卷的方式獲得數據（認知這種比較心理層面的指標，主要還是靠問卷。不過行為指標，有監測數據會比用戶回憶更準一些），並對品牌/產品進行診斷。
比如這個例子：
AB兩個品牌在一波營銷過後，A品牌廣泛意義上雖然知名度高，但是很少有人能主動想起來A，有可能是A品牌雖然廣告到處打，但是宣傳的內容太平淡，沒有亮點，人們看完很快就忘了。
B品牌則可能是宣傳內容很不一樣，大家看到B的宣傳後印象深刻，但是由於媒體渠道選的不好，覆蓋的人群不夠，所以整體知名度要更弱一些。
AARRR漏鬥
除了前面提到的食品商店App的具體例子，其實包括黑客增長本身的核心模型AARRR其實也是一個漏鬥：
AIDA漏鬥
營銷中經典的AIDA（或者AIDAS等等變種）也可以通過收集對應的數據，套用漏鬥模型進行分析，廣泛應用於快消品、耐消品：
利潤漏鬥
財務分析三張表中的利潤表其實也是一個漏鬥，淨利潤率告訴我們漏鬥是比較直（中間損耗少，收入更多轉化為盈利，效益好）、還是比較斜，所以淨利潤率表示效益。
應用基礎與個體「私域」數據漏鬥
應用漏鬥模型做分析的基礎有兩個：
基於目的抽象出流程；數位化，有能力收集每個流程或步驟的數據。基於目的抽象出流程：比如想解決用戶從打開到下單的轉化問題，或者想讓用戶更順暢的體驗到產品的Aha時刻（即用戶體驗到產品最大價值的那個時刻），可以基於用戶實際體驗，抽象為「打開-瀏覽-詳情-加入購物車-下單-支付-反饋」這一系列流程。再比如從認知到購買的流程，被提煉為AIDA。
這一步聽起來簡單，好像只要按已有的模型或者實際用戶行為/認知的路徑梳理出來就行。但實際上有很多難點，比如產品/app的元素功能很多、用戶的行為其實很複雜，像例子中的電商App，實際上頁面層級會很多、用戶也可能會在各種頁面上「逛」。要如何梳理出關鍵步驟，構建有效的用戶路徑圖，並衡量其間轉化，其實是個難點。
還有像AARRR或者AIDA這種「大」模型，可以提供宏觀策略上的參考，但在精細分析，比如複雜媒體環境下不同渠道帶來的認知或者獲客時，如何取捨、如何處理不同漏鬥間的交集或者嵌套，其實都會有些難度。
數位化：抽象出流程後，就得拿到每個流程的數據，才好真正開始分析。對於企業而言，最好當然是建立自己的數位化體系、數據倉庫，監測自己的用戶/客戶全部行為數據。或者也可以藉助外部供應商的SaaS/Paas之類的數據平臺做部分業務的數位化。除了行為數據之外，也可以用問卷調研的方式獲得用戶態度或心理數據。
不過，其實數據存在於生活中的各個角落。對於小規模的活動，甚至個人，都可以靈活地應用這兩步。
比如個人在社群做文字或者直播分享，最大覆蓋多少人或多少微信群，有多少人觀看直播，有多少人評論，多少人轉發，直播後有多少人添加微信，有多人截圖分享，其實都可以量化，並且計算轉化率，還可以在不同場次/不同社群間對比。
哪怕是小賣部，其實也可以統計每天多少人流路過，多少人進店，多少人購買……並不一定非得是大公司才用得到。
局限和深入分析
漏鬥模型雖然很常用，但也不是萬能的。最大的局限在於，漏鬥分析是一個純診斷工具，也就是說它可以告訴你哪裡出了問題，但是即沒有辦法回答為什麼出現這樣的問題，也不能回答如何解決這樣的問題。通常還要結合消費者調研和更多的數據分析，來挖掘問題背後的原因以及探尋改進的方向。
而且，單獨做一個漏鬥其實往往看不出太多東西，很多時候要對比才有意義。
對外：和競爭對手比、和行業平均值對比。對內：自己的細分用戶在漏鬥各環節的不同表現；不同時段的漏鬥數據表現等等比如還是肖恩埃利斯，在問卷調查公司Qualaroo領導增長團隊時，通過深度分析和對比，對比「試用後購買產品的用戶」vs「試用後沒購買產品的用戶」之間的差異，發現：
購買的用戶在試用調查問卷系統時收到了至少50條反饋，而產品的Aha時刻（即用戶體驗到產品最大價值的那個時刻）正是用戶發現自己能回收足量的結果，並從中得到有指導意義的反饋。所以50條反饋是一個很重要的價值拐點，回收數據超過這個數，用戶就能感知產品價值。
於是他們做了很多試驗，來儘可能幫助用戶提升回收問卷的數量。比如視頻教程，指導用戶做更簡短且有效的問卷，以及在哪裡投放問卷回收概率高，比如推薦模板、推薦NPS等等，以及讓客服人員主動聯繫用戶提供發布問卷的建議。最終大幅提高了用戶激活率。
本文由 @Allen 原創發布於人人都是產品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基於CC0協議