很感谢这位朋友非常认真的看了我的这篇文章《数据分析-结构比率归因-定位异常原因》，并且提到了另外一个比较经典的问题：总量和不同步骤的转化率定位。接下来我给大家简单的描述一下这个问题以及我是如何分析的。

 

一、电商漏斗转化率分析：问题

上面的问题我们可以简单以电商来举例，我们把电商的转化简单的总结成下面几个步骤：

1. 第一步：吸引用户进入我们的营销落地页；
2. 第二步：用户对同一商品的不同SKU进行比较；
3. 第三步：创建订单；
4. 第四步：支付成功。经过不同的转化之后，我们核心关注点是最终支付成功的用户。

问题：如果2月份支付成功D2环比1月份D1上升了，那么我们怎么能确定是因为2月份的落地页人数A2环比1月份A1上涨比较多的原因，还是说2月份中不同步骤之间的转化率上涨的影响更大呢？

 

二、电商漏斗转化率分析：分析

1. 电商漏斗转化率分析：定义

落地页到商品选择页转化率R1 =B/A商品选择页到创建订单转化率R2 =C/B创建订单到支付成功转化率R3=D/C2月份支付成功D2环比1月份R0= D2/D1

 

2. 电商漏斗转化率分析：分析

所以我们需要看R0变化的时候，是因为A2的变化更大还是因为R1/R2/R3的变化更大，这里我们把R0进行拆解：

我们先来看看D2怎么计算的：D2=A2*（B2/A2）*(C2/B2)*(D2*C2) =A2*转化率R12*转化率R22*转化率R32

同理D1：D1=A1*（B1/A1）*(C1/B1)*(D1*C1) =A1*转化率R11*转化率R21*转化率R31

这样我们就能得到：R0 =D2/D1= （A2*转化率R12*转化率R22*转化率R32）/(A1*转化率R11*转化率R21*转化率R31)= (A2/A1)*(转化率R12/转化率R11)*(转化率R22/转化率R21)*(转化率R32/转化率R31)

通过上面的公式，我们能很清楚的看到支付成功的变化率R0由四部分组成：

1. 落地页变化：A2/A1，命名为W0
2. 第一步转化率的变化：转化率R12/转化率R11，命名为W1
3. 第二步转化率的变化：转化率R22/转化率R21，命名为W2
4. 第三步转化率的变化：转化率R32/转化率R31，命名为W3

那么：

R0=W0*W1*W2*W3

最后，通过上面的拆解，当R0大于1的时候，支付成功人数上升，我们就看W0/W1/W2/W3,哪一个最大，那么就是对最后影响最大的。下降的时候同理。

 

3. 电商漏斗转化率分析：有待优化

目前这个拆解只能看到变化的排名，也就是只能知道各个部分影响的大小，已经可以解决大部分问题，这样上升和下降就能看具体哪一个影响更大。能指导我们某次活动是引流的影响大还是因为转化率的提升影响更大。但是具体影响多少还不得而知，等待后续继续研究了……

三、电商漏斗转化率分析：案例分析

1. 背景

产品：现假设我们是西门子卖冰箱的，用户可以在淘宝上搜索冰箱，搜索之后就会出来一系列的结果，然后我们可以点击自己感兴趣的那个店和款式，选完之后，就是具体的商品了（容量/颜色等），下一步就是创建了订单，最后就是支付成功了。

异常：首先说明下面的数据，全部是随机编写的，主要为了说明这个模型的用法。若截图涉及侵权，请联系作者删除。一般我们在公司会给产品运营做一系列的报表，其中有一套是用于监控每天西门子订单量的趋势，以及环比的趋势，如下图一：

• 蓝色曲线是支付成功的用户数，我们看到7月12号用户量起来了，19号用户量又起来了。
• 从橙色线也能看出来，12号环比上升了一个台阶。

那么，问题来了，我们想知道12号和19号用户量起来的原因是什么呢？图一：

用户搜索之后，就会展示一系列的冰箱，假如我们就是监控了从营销页到最后的支付成功，具体的数据是：营销页用户数-商品选择页用户数-创建订单用户数-支付成功用户数。我们可以用这这些数据，做一个转化率的趋势图，如下图二：

• 步骤一转化率 = 商品选择页用户数/营销页用户数
• 步骤二转化率 = 创建订单用户数/商品选择页用户数
• 步骤三转化率 = 支付成功用户数/创建订单用户数
• 总转化率 = 支付成功用户数/营销页用户数

 

2. 分析

转化率趋势：通过图二，我们只能看到的是第一步和第三步转化率降低了，第二步转化率变高了。其实我们还可以看到一个数据就是营销页的UV变高了。但是，我们如何知道：

• 到底是营销页的UV变高带来的
• 还是第二步的转化率变高了带来了最后支付成功的用户数上升呢？

模型分析：因为总量的上升主要是12号和19号之后。所以，一般这种异常，我们会先和运营或是产品同学交流是不是做了什么，确认是改动带来的还是正常的波动，具体的异常分析框架见：《增长黑客-DAU下降分析-指标异常分析框架》

确认完了，我们可以先以12和19号的数据为例，看看如何使用这个模型，具体数据如下表一：

我们可以把2021年7月5和2021年7月12和2021年7月12的营销页的UV，以及每一步的转化率列出来，还有支付成功的用户量。

• 我们看到表格中T12到Y15就是三天的量和转化率
• 黄色区域中：Z14是12号环比5号的比率102.2% = 10239/10023，Z15是19号环比12号的比率102.3%= 10470/10239，可以看出12号涨了2.2%，19号环比涨了2.3%
• 拆解12号（102.2%）和15号的比率(102.3%)。
• 102.2% = 105.2%*94.9%*110.2%*92.9%
• 102.3% = 104.4%*95.6%*101.1%*101.3%

第17和18行的比率是什么呢？我们以U15单元格的105.2%为例说明一下，其实就是105.2% =12号（105985）/5号（100774）,就是12号营销页的UV除以5号的。同理，V17的94.9%就是12号的第一步转化率除以5号的第一步转化率。

建议读者把表一的数据输入一遍，自己计算一下，加深印象。

最后，我们来解读一下：

• 12号涨了2.2%其实主要还是第二步转化率上升的比较多
• 19号上了2.3%主要是营销页的UV上涨了很多

这样，我们跟运营同学去解释就一目了然了。

当然，目前市场上也有着许多更快捷简单的工具，比如九数云BI，它能打通天猫、淘宝、京东、拼多多、ERP、财务软件、跨境平台等各大平台的店铺数据，帮助卖家全局了解整体情况，决策效率高。此外，对于初创企业或个人用户来说，免费的在线数据分析工具可以大大降低成本，因为他们不需要购买昂贵的软件或雇佣专业的数据分析师，十分划算，快来试试吧！

上一篇: 一文讲透怎么做用户画像分析！不要错过！——九数云BI
下一篇: excel做频次分析用哪个函数最好，1篇文章告诉你！——九数云BI