常用的产品数据分析方法之漏斗模型与归因模型

刚刚接触数据运营的同学可能都会产生这样的困惑：数据运营难不难？我数学不好该怎么做？是不是还需要学习数学建模？我该看点什么书学习？包括喵君刚开始工作的时候也在困惑，面对一条条业务数据不知道从何下手。今天我们就来一起捋一捋一些工作中常见的产品数据分析方法，回答一下“怎么做”的问题。

我曾经对新人说过，数据可以绘制用户肖像及行为轨迹，可以监控产品转化及发展情况，可以横向评估渠道效果，这一切都涉及到与产品、市场、技术等多个部门的协同工作。数据运营是很伟大也很多面手的职业。

漏斗模型

今天首先要介绍的是漏斗模型：它可以广泛应用于流量监控、产品目标转化等日常数据运营工作中。之所以称为漏斗，就是因为用户（或者流量）集中从某个功能点进入（这是可以根据业务需求来自行设定的），可能会通过产品本身设定的流程完成操作。

对于我们要做的就是对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。运用漏斗模型比较典型的案例就是电商网站的转化，用户在选购商品的时候必然会按照预先设计好的购买流程进行下单，最终完成支付。这些数据虽然是我瞎编的（你来打我呀）但是如果没有整个业务流程的梳理，就不会有这种漏斗模型的产出，更别说去查找每个步骤出现用户流失的问题了。

当然有些时候也要做一些竞品分析，对于同行业同类数据的转化情况做到心中有数。尽可能降低用户流失是我们的目标，但是如果可以做到不低于行业平均水准同时资源有限的话，降低这个转化漏斗的用户流失就需要被放置较低的优先级里。

还有一些比较经典的漏斗转化模型就是用于用户注册流程上：我们需要知道多少用户点击了注册按钮（漏斗的开端），多少用户完成了信息填写（多少用户放弃填写），多少用户点击发送验证码按钮（验证码到达率），成功完成注册的人数。如果一旦在运营过程中发现某一天的注册用户数出现波动，那么除了去查一下市场渠道及广告投放，产品本身的注册功能也是可能出现这个问题的重要因素。

对于产品的非功能页面，比如某个活动页，公司简介页等等，用户可能不会按照我们既定的流程到达，那么就要根据实际的目标来确认是否有讲这类非功能页面的转化流程做优化的必要性。

归因模型

归因模型，更准确的描述其实是一种既定的规则，我们需要根据产品的实际需求，将达成目标（形成转化）之前的功劳根据设定的权重分配给每一个转化节点。产品形成一次转化，用户可能要经历很多个转化节点（转化并不一定只完成销售。一次注册也可以看作一次转化，一次访问也可以看作一次转化，要根据业务实际需求制定）。

归因模型在使用过程中通常分为几类：最终互动模型、首次互动模型、线性归因模型、时间衰减归因模型、自定义等，这里逐一进行描述：

产品情景描述：用户在Baidu上搜索一个关键词，点进了一个叫a.com的网站之后放弃继续搜索。过了几天他又在自己的Facebook上看到了这个关键词的广告，随后他点击了广告最终完成购买。

最终互动模型：最后一个节点将被分配100%的功劳，那么Facebook（社交媒体）上的广告获得100%的功劳；

首次互动模型：用户首先是在Baidu进行关键词搜索的，那么Baidu（搜索引擎）将被分配100%的功劳；

线性归因模型：用户从开始搜索到转化，共经历了三个渠道（节点），那么每个节点将被平均授予33.3%的功劳；

时间衰退归因模型：用户在Baidu搜索和访问了a.com是几天之前的事情，那么这两个渠道因为时间经历比较长的原因将被分配较低的功劳（如各20%），Facebook将被分配相对较高的功劳（60%）；

当然，实际的业务流程和渠道转化流程不会像描述的这样简单，我们也可以根据需求自行定义。归因模型的意义在于寻找到真正对于现阶段产品发展有利的渠道，并将优势扩大化。当然，它是具有时效性的，也就是说产品的不同阶段归因模型所得到的结果很可能是不一样的。

之后还会针对产品数据分析方法中的“Cohort分析（同期群分析）“、”数据细分“、数据整理做一些描述。