相信接觸過數(shù)據(jù)分析的人，尤其是商業(yè)分析方面，一定有聽說過漏斗模型。漏斗模型，顧名思義，也就是像漏斗一樣的模型，在互聯(lián)網(wǎng)或者是電商行業(yè)經(jīng)常會(huì)用到的一種營銷模型。今天，小編就為大家整理了漏斗模型的一些基礎(chǔ)知識(shí)，希望對(duì)大家學(xué)習(xí)和使用商業(yè)分析模型有所幫助。

一、漏斗模型定義

營銷漏斗模型指的是營銷過程中，將非潛在客戶逐步變?yōu)榭蛻舻霓D(zhuǎn)化量化模型。營銷漏斗模型的價(jià)值在于量化了營銷過程各個(gè)環(huán)節(jié)的效率，幫助找到薄弱環(huán)節(jié)。

簡單解釋一下，就是：營銷的環(huán)節(jié)，指的是從最初獲取用戶一直最終轉(zhuǎn)化成購買，這一整個(gè)流程中的每一個(gè)子環(huán)節(jié)，相鄰環(huán)節(jié)的轉(zhuǎn)化率，也就是指用數(shù)據(jù)指標(biāo)來量化每一個(gè)步驟的表現(xiàn)。因此整個(gè)漏斗模型，就是首先將整個(gè)流程拆分成一個(gè)個(gè)步驟，然后通過轉(zhuǎn)化率對(duì)每一個(gè)步驟的表現(xiàn)進(jìn)行衡量，最后再通過那些異常的數(shù)據(jù)指標(biāo)，找到有問題的環(huán)節(jié)，進(jìn)而解決問題，優(yōu)化這一步驟，最終達(dá)到提升整體購買轉(zhuǎn)化率的目的。

二、漏斗模型典型案例

以電商行業(yè)為例，漏斗模型通常就是對(duì)用戶在網(wǎng)頁瀏覽中一些關(guān)鍵節(jié)點(diǎn)的轉(zhuǎn)化程度的描述，例如一般從瀏覽到真正購買產(chǎn)品或服務(wù)，通常情況下需要經(jīng)歷以下幾個(gè)步驟：瀏覽商品、加入購物車、購物車結(jié)算、核對(duì)訂單、提交訂單，完成在線支付，按照一幾個(gè)步驟走下來，潛在用戶人數(shù)會(huì)越來越少，這個(gè)過程就是漏斗模型，以此來看，漏斗模型主要的分析目就是：針對(duì)營銷過程中的每一個(gè)關(guān)鍵環(huán)節(jié)進(jìn)行分析，然后糾正那些轉(zhuǎn)換率低的環(huán)節(jié)。

互聯(lián)網(wǎng)運(yùn)營過程中，經(jīng)常用到的AARRR模型也是漏斗模型的典型案例。AARRR模型指的是：Acquisition、Activation、Retention、Revenue、Referral，也就是經(jīng)常說的：用戶獲取、用戶激活、用戶留存、用戶收益和用戶傳播。通過AARRR模型圖，我們可以明顯的分析出：整個(gè)用戶的生命周期是呈現(xiàn)逐漸遞減趨勢的。通過對(duì)整個(gè)用戶生命周期各環(huán)節(jié)的量化和拆解，我們可以對(duì)數(shù)據(jù)進(jìn)行橫向和縱向的對(duì)比，從而發(fā)現(xiàn)對(duì)應(yīng)的問題，最終實(shí)現(xiàn)優(yōu)化迭代。

三、漏斗模型繪制

python實(shí)現(xiàn)

# 導(dǎo)入相關(guān)的包
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.offsetbox import (TextArea, AnnotationBbox)
 
plt.rcParams['font.sans-serif'] = ['SimHei']  # 解決中文亂碼
 
N = 3  # N個(gè)環(huán)節(jié)
HEIGHT = 0.55  # 條形圖的每個(gè)方框的高度
x1 = np.array([100, 50, 30])  # 各環(huán)節(jié)的數(shù)據(jù)
x2 = np.array((x1.max() - x1) / 2)  # 占位數(shù)據(jù)
x3 = []  # 畫圖時(shí)的條形圖的數(shù)據(jù)
for i, j in zip(x1,x2):
    x3.append(i+j)
x3 = np.array(x3) 
y = np.arange(N)[::-1]  # 倒轉(zhuǎn)y軸。
labels=['注冊', '留存', '付費(fèi)']  # 各個(gè)環(huán)節(jié)的標(biāo)簽。
 
# 畫板和畫紙
fig = plt.figure(figsize=(8, 5))
ax = fig.add_subplot(111)
 
# 繪圖
ax.barh(y, x3, HEIGHT, tick_label=labels, color='blue', alpha=0.85)  # 主條形圖
ax.barh(y, x2, HEIGHT, color='white', alpha=1)  # 覆蓋主條形圖的輔助數(shù)據(jù)
 
# 轉(zhuǎn)化率
rate = []
for i in range(len(x1)):
    if i < len(x1)-1:
        rate.append('%2.2f%%' % ((x1[i+1]/x1[i]) * 100))  # 轉(zhuǎn)化率的橫坐標(biāo)。
y_rate = [(x1.max()/2, i-1) for i in range(len(rate), 0, -1)]  # 轉(zhuǎn)化率
 
# 標(biāo)注轉(zhuǎn)化率
for a, b in zip(rate, y_rate):
    offsetbox = TextArea(a, minimumdescent=False)
    ab = AnnotationBbox(offsetbox, b,
                        xybox=(0, 40),
                        boxcoords="offset points",
                        arrowprops=dict(arrowstyle="->"))
    ax.add_artist(ab)
 
# 設(shè)置x軸y軸標(biāo)簽
ax.set_xticks([0, 100])
ax.set_yticks(y)
 
# 顯示圖形
plt.show()