演讲主题：漏斗图的实际工作案例

黄捷：先做一个简单的自我介绍，我是携程国际业务事业单位运营经理，负责产品供应/产品转化/用户运营数据分析工作。

毕业到现在有十多年，一直是在互联网的产品运营方面工作，其中六成时间在创业团队，四成在上市企业之类的大团队，基本上带的也都是三人到四人，这样一个比较小的规模，因此我的内容会比较契合小团队的情况。

因为被邀请过来也只讲十分钟，我很简单的直接切入主题。

先给大家建立一个期望，十分钟里会包括什么样的内容？（如图）分别是时间序列CR漏斗，用户分层漏斗，和漏斗结合AB测试。

为什么题目叫做实际工作案例，是因为这些是实际日常工作交流的材料，去掉敏感数据之后的内容，主要源于携程有比较好的内部学习和分享的氛围，各部门各组有常规分享培训，用具体的数据和具体碰到的问题，来碰撞想法，互相吐槽，英文叫peer review。

下面进入第一个案例。

时间序列CR漏斗

第一个案例是日常工作最常见的场景，设想会议上有个议题是，上周转化率有下降，是什么问题？可能的因素有些是定性，有些是定量，我们怎么从头到尾梳理出来一个富有逻辑解释的答案呢？

上图是所谓的时序CR图，绿、紫、橙、蓝，分别是各个核心流程的转化数字，根据时间描出离散的点，连起来形成curve图。

所谓核心流程，用机票举例，比如说想去曼谷玩，搜索以后，会到搜索结果页，然后会进入填写个人信息的页面，然后是支付。我提到的步骤，无论所处的网站是卖鞋子、卖衣服还是其它的什么，大体都是这样。

区分每个步骤的成功进入下一步的数字，是我们解析问题出在哪个地方的重要线索。

例如“为什么区分出填写的步骤”，假如有一个改版，是方便用户调出上次买机票的信息，那就能明确看到对应位置的影响。

再例如“为什么区分出搜索步骤”，通常来说，当市场试探新渠道，或做测试流量，或购买的流量有问题的时候，经常在着陆位置压低转化率，区分各位置的转化，可以一目了然。

简单概括来说，转化率的变化结果，就像中学学物理一样的，是最后受到的合力的结果。我们需要把它拆到各个来源，用这样一步步的时序图，把各个步骤拆分开来，结合时间节点/对应的事件来看，就比较有说服力。

时序curve图可以宏观上看到趋势，例如某个活动节点前后，第二个步骤转化下降，但是如果要精细分析出百分之多少，这样是看不明显的。

可以取两个具备可比性的时间节点，切一个横截面，如下图，即可计算哪个步骤环比好了，哪个差了，以及具体的百分比。

可比性是一个值得一提的点，通常是对比上周、上月，或者是去年同期。有些需要稍微动脑的，比如说上个月的时候是春节的情况，这时候不仅要考虑节假日，还要考虑春节的情况不应该基于公历去对比。

这里只是举了一些非常粗浅的例子，实际工作中千变万化。例如说，如果热卖品的价格比竞争对手相对变差了，大家认为是漏斗的上半部分变差，还是下半部分变差？

简单来说，如果说是查询速度的问题，和价格的问题的话，会对于靠漏斗上面的步骤的影响比较大。对于客人一着陆进来，是否进入详情页会有一个比较大的影响。

但是如果上半部分没有影响，填写页往后的话，通常不是价格的问题，一般愿意填写的人已经接受价格了。

大体上，速度、流量质量和产品价格会影响漏斗上半部分，而表单、支付、接口稳定性会影响下半部分。

用户分层漏斗

我们在日常的工作中，怎么样考量客人是怎么流失的？同样可以用上图这样的漏斗形式，用数据来考量。

关于流失挽回这个话题，经常遇到的所谓一步到位的方法是，首先把数据全导出来，然后“大数据”做分类，然后比如分了50个类别，问他对这50类干嘛？发50种不一样的邮件或短信。这并不是数据运营，只是表面文章。

我不知道大家一年坐多少次飞机，70%的人一年只坐一次飞机，如果拼命的推送，希望变成一年定10次机票的，可能吗？

我们对用户有一个基本的漏斗分层，可以按照会员等级，或者是下单的频次进行分层，上图的漏斗是根据频次。

有一些人一年只飞一次，有一个自然流失，无论怎么拉都是拉不回来的。基于这个思想，我们把频次从低到高，用漏斗的方式来观察月度，年度对比。

有些客人没有办法从一到二，不是因为我们做的不好，是因为他不需要。而二到三，三到四的环比趋势，是我们非常关心的，这是主要的战场。

漏斗图的奥妙在于，通过分层，经常会看到总量看不到的东西，我的钻石客人是不是减少了？首先钻石客人肯定不是一年只飞一次的客人，如果减少了，只是流失到别的地方了，针对这些特征的用户改进服务流程，提高一些服务成本和营销成本，然后观察这个漏斗位置是否有好转，这样是否比发50种短信邮件要合理呢？

我们回顾一下第一点，为什么要把转化率拆开看，因为如果不拆开看，就不知道是市场的人搞砸了，还是研发的人搞砸了。

这里也是一样，当把所有的用户数据放一起看，不考虑业务本身情况直接做分类的话，最后只能发各种邮件，短信，浪费时间和资源。

现在流行所谓自动营销，发来发去，都是基于用户画像。什么叫做用户画像呢？除了有外部购买的数据之外，内部无非是根据历史行为。这里就有一个逻辑的悖论，如果你很了解这个客人，这个客人本身就已经是高频客人了。

我们前面分析说，2-3-4次的层级才是主战场，自动营销发来发去都是高频次客人，或者用历史关键字反复刷客人的广告位，最后就是骚扰，还要回过头去追查由此带来的客户流失，搞得很忙的样子。主战场的二、三、四，数据不足可能被排掉了根本啥也没做。

第三个是结合A/B测试的漏斗

我们回到第一个案例看一下，如果在节假日附近做了改版，转化有上升的话，往往还是很难解释，是由于季节性的波动，还是改版，还是竞争对手做了错事，让用户到我这里来的。AB测试可以尽量削减这些影响，使得漏斗对比更加健壮。

A/B测试的优点不多赘述，缺点是容易被过度滥用。因为我们没有像谷歌那么多的时间可以测哪种颜色按钮更好。实际工作里，每个AB实验都要能够赚到钱。

更多的是测试我是发50块钱的优惠券好，还是不发好？优惠券活动可能会带来多一万人的下单，但是毛利每个人就减少了50块钱，要算成本。做这样一个AB测试之后，比较能说服别人，发50块钱的券，比发30块钱的券，成本和收益各自的得失。

如果不分A/B测试。你跟所有人做解释，就只能用一些定性的东西去解释，比如“我洞察了用户的人性，50块钱正好”。

如果经常做A/B测试，有六成的A/B测试不像你想象的那样。你希望有更多的人来下单，结果是更少了。这个时候对你来说，最大的一个挑战，就是怎么样找到原因。如果你可以找到原因，就可以进一步的挖掘痛点、创新流程。

这个时候我们就必须要把整个流程拆步骤，包括前面说的拆会员，或者是拆核心的下单步骤。究竟是损失到哪里，这几乎是创新的必备前奏。

大家如果喜欢在网上看一些东西的话，这部分的内容基本上都会用定性的方式来描述，但是这部分我们在实际工作中，全部都是定量的。你做的好不好，最开始忽悠的时候是可以定性的，最后的结果都是定量的。

简单小结一下

前面举的三个案例，无论是转化率的优化--改版效果的评估，节日大促的效果；还是用户分层、用户挽回--最核心的老客户，有没有被竞争对手抢掉，还是自然流失，这些全部都是可以量化的。

做的好不好，上升10%，下降20%，原因、经过、结果，全部都是数据化，不会容忍任何所谓洞悉人性，产品调性，市场直觉之类的毫无意义的解释，否则的话，这块工作就没有办法专业地去做好。

谢谢大家。