移动分析中的Funnel Analysis（漏斗分析）——定义、漏斗阶段与构建方法

什么是Funnel Analysis？

Funnel Analysis（漏斗分析）是一种分析方法，隔离出导致转化的事件序列。每个后续步骤只包括执行了所有先前步骤的用户。结果是一个“漏斗”——宽入口（所有开始的人）和窄出口（完成的人）。

在移动应用中，典型的漏斗如下所示：安装→注册→引导→首次操作→重复操作→购买。在每个步骤中，部分用户流失，分析师的任务是理解原因并减少损失。

漏斗基本指标

Average Time（平均时间）指标在步骤之间——一个经常被低估的指标。如果从安装到注册平均需要45分钟，问题出在内容加载或首个屏幕的复杂性上。

移动分析中的漏斗类型

漏斗分为两种主要类型——开放型和封闭型。选择取决于场景和用户路径的灵活性。

封闭型漏斗（Strict Funnel）

用户必须严格按照顺序通过所有步骤。如果跳过了步骤或走了其他路径——则不纳入漏斗。示例：注册→电子邮件确认→填写资料→首次下单。封闭型漏斗提供清晰的图像，但排除了真实的用户场景。

开放型漏斗（Open Funnel）

用户可以按任意顺序执行步骤或跳过部分步骤。系统独立计算每个步骤的转化率。示例：浏览目录→添加到购物车→下单。对于大多数移动应用来说，Open Funnel（开放型漏斗）是一种更真实的方法。

• 封闭型漏斗——严格顺序，所有步骤必须完成
• 开放型漏斗——自由顺序，步骤可选
• 混合型——前几步必须完成，后续步骤自由

订阅应用的混合型漏斗示例

步骤1（必须）：安装应用。步骤2（必须）：显示订阅屏幕。步骤3（可选）：查看套餐。步骤4（必须）：完成订阅。混合方法在数据纯净度和真实性之间取得平衡。

构建漏斗的阶段

构建漏斗是分析和产品交叉处的任务。该过程包括五个步骤，从形成假设到报告自动化。

步骤1：定义目标转化

您希望用户做什么？purchase_completed、subscription_started、referral_sent。目标事件——漏斗的顶端。所有下面的步骤都指向它。

步骤2：将路径分解为事件

记录进入应用到目标动作之间的所有必须事件。对于电子商务：app_opened → product_viewed → add_to_cart → checkout_started → payment_selected → purchase_completed。每个事件应该已经存在于事件追踪中，或者将被添加。

步骤3：选择时间窗口

Time window（时间窗口）——第一步和最后一步之间的最长时间。对于快速场景（游戏安装）——24小时。对于订阅——7或30天。窗口之外的事件不纳入分析。

窗口的选择直接影响转化率：太短的窗口（1小时）会排除那些2小时后回来完成购买的用户。太长（30天）会包含随机行为。最优值通过分析步骤间时间确定：构建间隔分布并选择90百分位水平的窗口。

对于快速漏斗（引导、注册），使用1小时窗口。对于中等（首次购买）——7天。对于长周期（订阅）——30天。在同一个漏斗内，不同的步骤对可能有不同的窗口。

-- BigQuery 中 Funnel 计算示例
WITH funnel_steps AS (
  SELECT
    user_id,
    event_name,
    event_timestamp,
    LAG(event_name) OVER (
      PARTITION BY user_id ORDER BY event_timestamp
    ) AS previous_event
  FROM `project.events.*`
  WHERE event_name IN (
    'app_opened', 'product_viewed',
    'add_to_cart', 'purchase_completed'
  )
)
SELECT
  event_name AS step,
  COUNT(DISTINCT user_id) AS users,
  ROUND(
    COUNT(DISTINCT user_id)
    / MAX(COUNT(DISTINCT user_id)) OVER (), 3
  ) AS conversion_rate
FROM funnel_steps
GROUP BY step
ORDER BY ARRAY_POSITION(
  ['app_opened', 'product_viewed',
   'add_to_cart', 'purchase_completed'],
  event_name
)

该查询使用LAG跟踪顺序，使用ARRAY_POSITION排序步骤。结果——一个包含每个步骤的用户数和转化率的表格。

步骤4：在历史数据上验证

在过去30天的数据上构建漏斗。如果在“checkout_started”步骤转化率为80%，而在“purchase_completed”为25%，问题出在支付表单。与竞争基准比较：根据Statista（2024），移动应用中购物车平均转化率为15–25%。

步骤5：自动化监控

在仪表板（Looker Studio、Tableau）中设置包含漏斗的每日报告。添加警报：如果某步骤的转化率低于控制限——在Slack或Telegram中发送通知。

漏斗中的流失分析

Drop-off Analysis（流失分析）——Funnel Analysis的关键阶段。每个步骤的流失是改进产品假设的来源。区分三个问题区域：技术错误、用户体验障碍和动机场景。

技术性流失

如果在“registration_completed”步骤中输入电话号码后15%的用户流失——检查短信网关。技术性流失可在1–2天内修复，并带来快速的转化率提升。使用Firebase Crashlytics结合漏斗来检测错误。

用户体验障碍

如果在“cart_viewed”→“checkout_started”步骤中损失40%——问题出在购物车的用户体验。可能“下单”按钮不在屏幕折痕上方，或者运费在输入地址前没有显示。用户体验分析需要会话回放（Hotjar、UXCam、Smartlook）。

动机性流失

如果用户到达“payment_selected”但没有完成购买——产品价值低于价格。动机性流失通过折扣、试用期、社会证明来解决。A/B测试：向50%的用户在支付页面显示评论并比较转化率。

• 技术性——错误、超时、API错误（高达20%流失）
• 用户体验障碍——复杂导航、隐藏CTA（高达35%）
• 动机性——价格、缺乏信任（高达45%）

分析方法论：漏斗的5个为什么

5 Whys（5个为什么）技巧应用于漏斗：在转化率下降20%的步骤，连续问五个“为什么”。为什么用户没有到达支付？因为支付表单加载慢。为什么加载慢？因为对支付网关的请求超时。为什么超时？因为SDK未更新。该方法揭示根本原因，而非症状。

群组分析漏斗——另一个工具。比较1月和2月安装应用的用户的漏斗。如果2月群组在“注册”步骤显示转化率下降15%，原因是在1月底推出的引导屏幕变更。群组隔离了时间因素。

根据CXL Institute（2024）的数据，系统性的流失分析配合后续的A/B假设测试，在3个月内平均带来30%的漏斗转化率提升。

Funnel Analysis工具

每种工具都提供了自己构建漏斗的方法。选择取决于产品的复杂度和预算。

Amplitude——Pathfinder和Funnel Analysis

Amplitude——产品分析的领导者。内置的Funnel Analysis允许按群组、设备、应用版本对漏斗进行细分。Pathfinder显示分支——多少用户在步骤2之后走了替代路径。

Mixpanel——Flows

Mixpanel Flows将漏斗可视化为过渡图。优点——实时更新。缺点——免费套餐中过滤功能有限。适用于拥有最多10名分析师的中型项目团队。

Firebase Analytics——Funnel Report

Firebase提供免费的Funnel Report，最多支持10个步骤。与BigQuery集成允许通过SQL构建自定义漏斗。适合刚开始分析转化率的初创公司。

Tableau + BigQuery

对于企业级解决方案，使用以BigQuery为源的Tableau。这提供了完全的灵活性：自定义指标、从安装到LTV的全面分析、实时监控。需要雇佣商业智能工程师。

Google Analytics 4——Funnel Exploration

GA4在Explore部分提供Funnel Exploration。支持最多10个步骤、按用户参数进行细分和时间段比较。缺点——与Amplitude相比灵活性有限，但完全免费并与Google Ads集成。

Funnel Analysis工具比较

工具的选择取决于分析频率。对于每日漏斗监控，Amplitude或Mixpanel适合。对于每周战略报告——Tableau配合BigQuery。对于初创公司——Firebase或GA4。