核心流程漏斗
漏斗把一个目标任务拆成有顺序的可观察步骤,计算进入任务的合格主体有多少到达每一步,以及在多长时间内完成最终结果。
漏斗适合回答:
- 哪一步之后完成比例明显下降;
- 哪些主体、版本或渠道的路径不同;
- 从开始到完成需要多久;
- 改动是否影响某个步骤和最终结果。
漏斗不能单独回答用户为什么退出,也不能证明某一步导致最终结果变化。退出可能是正常选择、资格不符、跨设备继续、数据缺失或系统故障。
一、漏斗的计算对象
一个漏斗定义至少包含:
funnel:
id: first_member_import
version: 4
unit: workspace_id
cohort: "首次创建且有 members.import 权限的非内部工作区"
entry: import_started
steps:
- import_started
- file_parsed
- validation_passed
- write_confirmed
- valid_member_created
order: strict
conversion_window: 24h
deduplication: "每个工作区只取首次合格尝试"
timezone: Asia/Shanghai
exclusions: ["internal", "test", "suspended"]如果单位、顺序或时间窗改变,同一批事件会产生不同数字。
二、先定义最终结果
漏斗的最后一步必须是业务结果,而不是页面或按钮:
| 较弱定义 | 问题 | 更可靠的结果 |
|---|---|---|
| 点击“支付” | 请求可能失败 | 订单进入已支付且账务确认 |
| 到达成功页 | 刷新和直接访问会重复 | 服务端记录任务成功 |
| 点击“发送邀请” | 邮件可能未创建 | 至少一个有效邀请进入可追踪状态 |
| 看见回答 | 内容可能无证据 | 返回有权限证据支持的有效答案 |
前端事件适合分析交互摩擦,业务成功应尽量由权威服务端状态产生。两者都保留,才能区分“用户未操作”和“操作后系统失败”。
三、建立步骤
1. 每一步表达不同承诺
核心漏斗通常可拆为:
flowchart LR
E["符合条件并开始"] --> I["提供必要输入"]
I --> V["通过规则校验"]
V --> C["明确确认执行"]
C --> S["系统产生业务结果"]
S --> A["用户确认结果可用"]步骤太少无法定位问题;步骤太多会把滚动、焦点和普通页面浏览误当价值进展。
选择步骤的标准:
- 到达后任务承诺明显增加;
- 能从稳定事件或状态判断;
- 团队可以对该步采取不同改进;
- 与前一步不会因为普通重渲染反复触发;
- 对最终结果有明确机制联系。
2. 步骤事件的合同
event: import_validation_completed
version: 2
actor_id: "usr_..."
workspace_id: "ws_..."
attempt_id: "imp_..."
occurred_at: "2026-07-18T09:21:04.351Z"
result: "passed | failed | partial"
error_codes: []
source: "import-service"
schema_version: 2核心属性:
attempt_id把同一次任务的步骤连接起来;workspace_id用于以工作区为分析单位;occurred_at表示业务发生时间;result区分成功和失败;source说明权威产生方;schema_version支持口径演进。
只有 user_id 通常不够。一个人可能同时操作多个订单或工作区,错误连接会把不同任务拼成虚假转化。
四、分子、分母和转化率
假设:
| 步骤 | 唯一合格工作区 |
|---|---|
| 开始导入 | 1,000 |
| 文件解析成功 | 880 |
| 校验通过 | 650 |
| 确认写入 | 600 |
| 创建有效成员 | 570 |
总体转化
570 / 1,000 = 57%相邻步骤转化
解析成功率 = 880 / 1,000 = 88%
校验通过率 = 650 / 880 = 73.9%
确认率 = 600 / 650 = 92.3%
写入成功率 = 570 / 600 = 95%每一步的分母是到达前一步的同一 cohort。不能用当天所有活跃用户作分母,也不能把“点击次数”除以“唯一用户数”。
退出率
相邻退出率 = 1 - 相邻转化率“退出”只表示在窗口内未观察到下一步,不等于用户永久放弃。应在文案中使用“未在 24 小时内到达下一步”,避免把分析定义写成心理结论。
五、分析单位
| 单位 | 适用任务 | 风险 |
|---|---|---|
| user_id | 每人只需完成一次的个人任务 | 共享账号、多设备身份合并 |
| workspace_id | 团队激活与协作 | 一人可代表整个工作区 |
| attempt_id | 可重复的独立尝试 | 重试会增加分母 |
| order_id | 购买、退款、履约 | 拆单和合单 |
| session_id | 短时连续操作 | 跨会话任务被截断 |
选择单位由产品问题决定。例如研究“工作区是否完成首次导入”应按工作区;研究“每次导入任务的可靠性”应按 attempt;研究“管理员需要重试几次”需要同时保留主体和 attempt。
同一个看板可以展示多个单位,但名称必须明确。
六、时间与顺序
1. 转化窗口
窗口从漏斗入口开始,而不是从报表查询日开始。
- 即时搜索可能使用 5 分钟;
- 注册激活可能使用 7 天;
- 企业审批可能使用 30 天。
窗口过短会把正常的长任务当退出;过长会延迟反馈并把无关后续行为连接起来。应查看完成时间分布,再选择能覆盖自然任务周期的窗口。
2. 严格顺序和宽松顺序
- 严格顺序:A 之后必须出现 B,再出现 C。
- 允许插入:A 与 B 之间可以发生其他事件。
- 任意顺序:要求事件集合出现,但不要求次序。
产品核心流程通常使用“指定顺序但允许无关事件插入”。只有业务明确允许步骤交换时才用任意顺序。
3. 开放漏斗和封闭漏斗
- 封闭漏斗要求从第一步进入。
- 开放漏斗允许从中间步骤进入。
评估端到端任务完成应使用封闭漏斗。诊断某个独立子流程时,开放漏斗可以包含已经在中间状态的对象。
混用后,第二步人数可能包含未进入第一步的人,图形不再呈典型递减。
4. 首次、最近或全部尝试
同一主体可以多次完成:
- 首次尝试:适合首次体验;
- 每个独立 attempt:适合系统可靠性;
- 任一尝试成功:适合主体最终结果;
- 最近一次:适合当前状态,但容易引入选择偏差。
规则必须冻结。不能在某一步取首次事件、下一步取最近事件,然后把两个不同任务拼接。
七、重试、回退和循环
真实任务并非单向:
flowchart LR
A["上传文件"] --> B["预检"]
B -->|失败| C["修正文件"]
C --> A
B -->|通过| D["确认写入"]
D -->|临时失败| E["系统重试"]
E --> D
D --> F["有效结果"]漏斗可同时提供:
- 主体级最终完成率;
- attempt 级一次成功率;
- 每个主体的重试次数;
- 从首次开始到最终完成的时间;
- 常见回退路径。
若只看最终完成率,系统可能通过大量重试“成功”;若只看首次成功率,又会忽略用户最终是否达成目标。
八、资格、退出和排除
1. 资格应在入口前确定
购买漏斗不应把无法配送地区的访问者与可购买用户混为同一分母,除非问题正是研究资格发现。
资格条件需要来自入口时刻可得的信息。用最终购买结果反向定义“有购买意愿用户”会造成幸存者偏差。
2. 不要静默删除失败
服务端错误、页面崩溃和超时属于漏斗结果,不能从分母排除。合理排除通常是:
- 内部测试;
- 已知机器人;
- 明确不属于产品范围的对象;
- 数据损坏且无法判断是否合格,并单独报告比例。
3. 中途资格变化
若用户开始后权限被撤销,应保留在入口 cohort,并把结果标为“资格变化”或“被政策阻断”。静默移除会掩盖流程中的真实风险。
九、身份和跨设备
匿名访问后登录会产生两个 ID。身份合并必须定义:
- 合并时点;
- 能否把登录前事件回溯到账号;
- 多人共用设备怎样隔离;
- 删除账号后如何处理历史聚合;
- 同一工作区多人完成不同步骤是否算一个工作区转化。
对工作区级任务,可以允许 A 成员开始、B 成员完成,但需要同一个 workspace_id + task_id。对个人身份验证,则不能跨主体拼接。
身份规则变化会重算历史,必须版本化。
十、分群
先按预先有业务意义的维度分析:
- 新用户与老用户;
- 平台和应用版本;
- 地区与语言;
- 套餐与工作区规模;
- 获客来源;
- 权限角色;
- 网络或设备能力;
- 实验组。
每个分群同时显示样本量和置信不确定性。小样本的 100% 与大样本的 80% 不能只按百分比排序。
分群属性取哪个时点也需明确。按入口时的套餐分析,能避免升级后的用户被重新归类;按当前套餐分析则回答另一个问题。
十一、案例一:首次工作区配置
漏斗
- 创建合格工作区;
- 选择配置路径;
- 通过权限校验;
- 完成数据导入;
- 邀请第二名成员;
- 两名成员完成一次有效协作。
观察
总体 7 日转化从 34% 降到 31%。分解发现:
- 创建到选择路径不变;
- 权限校验通过率从 92% 降到 80%;
- 后续步骤在通过校验的 cohort 内稳定。
继续按应用版本分群,下降集中在桌面端 6.2.0;错误码显示目录权限请求被新系统策略拒绝。
结论只能写为“下降与 6.2.0 的权限校验失败同时出现,机制和错误码支持版本回归假设”。修复版本或受控回滚后比较,才能增强因果判断。
必须排除的数据错误
- 6.2.0 是否漏发
permission_check_passed; - 服务端是否也记录相同失败;
- 新版本流量是否来自不同渠道;
- 工作区资格口径是否同期变化;
- 7 日窗口中的新 cohort 是否已经完全成熟。
十二、案例二:订单付款
业务步骤
checkout_started
→ price_confirmed
→ payment_authorized
→ payment_captured
→ order_confirmed不能用“成功页浏览”替代 order_confirmed。用户可能关闭页面,订单仍成功;也可能打开缓存页面而支付失败。
多次付款尝试
按订单计算最终完成率,按 payment_attempt 计算渠道成功率:
订单完成率 = 最终确认订单 / 发起结账订单
首次授权成功率 = 首次授权成功订单 / 发起首次授权订单
尝试授权成功率 = 成功授权尝试 / 全部授权尝试三个比率回答不同问题。
并发和幂等
同一订单重复点击支付不能形成多个独立订单成功。使用 order_id 与支付幂等键去重;回调乱序时以权威状态转移记录为准。
十三、从漏斗提出假设
漏斗发现薄弱环节后,按证据继续:
flowchart LR
D["发现步骤差异"] --> Q["核对事件与口径"]
Q --> S["分群、时间与错误分类"]
S --> H["提出机制假设"]
H --> E["实验或小范围变更"]
E --> R["同时观察最终结果与守护指标"]不要直接把“最大退出步骤”当最高优先级:
- 该退出可能是正常筛选;
- 该步人数大但改善空间小;
- 后续结果价值可能很低;
- 另一处小比例失败可能涉及安全或资金;
- 该步骤可能只暴露上游问题。
优先级需要结合影响、机制证据、风险和解决成本。
十四、实验中的漏斗
实验前冻结:
- 分流单位;
- 入口 cohort;
- 各步骤事件版本;
- 转化窗口;
- 主结果和守护指标;
- 多次尝试规则;
- 迟到数据截止时间。
实验组某中间步骤提高,不代表最终结果提高。中间指标只用于解释;最终结果和守护指标决定是否发布。
如果改动改变了步骤本身,例如删除一个表单页,应比较共同的业务入口与结果,而不是要求两组拥有完全相同的页面事件。
十五、数据质量检查
单调性
封闭严格漏斗中,后一步唯一主体数不应大于前一步。出现反常时检查开放入口、身份合并、事件乱序和查询实现。
守恒
每一步到达者应能拆为:
到达前一步
= 到达下一步
+ 窗口内未到达
+ 明确排除/资格变化
+ 数据未知不平衡说明分类遗漏。
客户端与服务端对账
对关键结果同时抽样:
- 点击确认但服务端无任务;
- 服务端成功但客户端无成功事件;
- 同一任务多个成功事件;
- 事件时间早于对象创建;
- 工作区或订单关联错误。
数据未知比例过高时,应停止解释产品效果,先修采集。
十六、常见错误
用页面 URL 代替业务步骤
单页应用、深链接和跨端流程会让 URL 与结果脱离。优先使用语义事件和服务端状态。
选择“最好看”的窗口
尝试多个窗口后只展示提升最大的一种,会制造分析偏差。窗口由自然任务周期预先决定。
把退出解释为不喜欢
漏斗只记录未观察到下一步。原因需要错误码、路径、任务观察、支持记录或实验。
平均步骤转化率
步骤分母不同,不能简单平均百分比。端到端转化以最终主体数除以入口主体数。
忽略尚未成熟的 cohort
今天进入 7 日漏斗的主体还没有完整观察时间。应只比较已成熟 cohort,或明确使用生存分析等处理删失的方法。
十七、评审清单
- [ ] 最后一步是权威业务结果,不是按钮或页面。
- [ ] 分析单位和任务关联 ID 明确。
- [ ] 入口资格使用当时可得信息定义。
- [ ] 顺序、开放/封闭、窗口和重复尝试规则冻结。
- [ ] 各步事件有来源、版本、时间和结果。
- [ ] 失败、资格变化和数据未知没有被静默删除。
- [ ] 跨设备或多人协作的身份拼接符合任务语义。
- [ ] 重试同时展示最终完成率和一次成功率。
- [ ] 分群属性时点明确,并显示样本量。
- [ ] 新 cohort 已获得完整观察窗口。
- [ ] 客户端行为与服务端结果定期对账。
- [ ] 从漏斗得到的是假设,不是未经验证的原因。
来源
- GOV.UK Service Manual:Measuring completion rate(访问日期:2026-07-18)
- Google Analytics:Funnel exploration(访问日期:2026-07-18)
- Amplitude Docs:Funnel Analysis(访问日期:2026-07-18)
- Mixpanel:Funnel analysis(访问日期:2026-07-18)