转化漏斗是什么？

转化漏斗是漏斗分析中最常被提到的一种模型。它把用户从接触产品到完成目标的路径，按先后顺序拆成若干步骤，观察每一步留下多少人。图形通常上宽下窄，但图形只是呈现方式，实际参与计算的是步骤、人数、转化率和统计窗口。

理解转化漏斗，需要同时掌握定义、算法和适用边界。只记住几个阶段名称，容易把一张好看的图当成业务结论。

转化漏斗是什么

用一句话说，转化漏斗是一种按顺序衡量多步骤转化过程的分析模型。它回答三个问题，用户从哪一步进入，在哪一步离开，每一步的转化效率是多少。

一个完整的转化漏斗模型至少包含四个要素。

目标事件。用户最终要完成的行为，比如注册成功、提交订单、完成支付。
有序步骤。从起点到目标之间的关键动作，步骤之间有真实先后关系。
统计主体。按用户、订单、商品还是客户账户来算，全篇必须一致。
转化窗口。用户在多长时间内完成整条路径，才算一次成功转化。

转化漏斗经常被简化成一张漏斗图。图只是结果展示，模型的核心是计算逻辑。图形换一种形式，只要步骤和口径不变，结论仍然成立；图形很漂亮，口径错了，结论也会错。

转化漏斗和漏斗分析在日常交流中经常混用。前者更强调模型和图形，后者更强调搭建、计算和解释的过程。写需求或做汇报时，把这两个词说清楚，能减少很多口径争议。

转化漏斗模型的核心是步骤、转化和流失，图形只是呈现方式。

漏斗为什么越走越窄

步骤越多，末端转化率越低，这是流程结构的必然结果。每增加一个步骤，用户都要多完成一次动作，也会多一次离开的机会。一个五步流程和一个三步流程，即使每一步的效率相同，末端留下的人也会差很多。

在封闭式漏斗里，整体转化率等于各步转化率的乘积。步骤增加，乘积自然变小。末端数字低，可能只是路径长，并不代表某一环出了故障。

电商里，加购后放弃是常见现象。Baymard Institute 汇总了 50 项研究，覆盖 2006 到 2025 年，得出未加权平均购物车放弃率 70.22%，页面更新于 2026 年 10 月 28 日。这个数字说明中后段流失普遍存在，但不能直接当成某个企业某一步的流失率，因为行业、流量结构和统计口径不同。

漏斗形状由步骤设计决定。步骤切得越细，末端剩下的人越少。看到末端转化率低，先确认这条路径是不是本来就长，再判断业务有没有问题。

如果漏斗在某一天突然变窄，先排除埋点、口径和窗口期变化，再按环节拆解。站内有一篇转化漏斗突然下降的排查方法，可以接着看。

用一个电商例子算一遍

假设某电商网站在一个月内，有 10,000 名用户进入商品详情页，后续行为如下。数据仅用于演示计算，不代表任何企业的真实表现。

步骤	人数	单步转化率	相对首步留存
进入商品详情页	10,000	—	100%
加入购物车	4,500	45%	45%
进入结算页	1,800	40%	18%
提交订单	1,500	83.3%	15%
完成支付	900	60%	9%

整体转化率 = 900 ÷ 10,000 × 100% = 9%。在封闭式漏斗、同一批用户的前提下，也可以把各步转化率相乘，得到近似结果。

这张表有两种读法。按比率看，最低的是加购到进入结算页，只有 40%。按人数看，第一步到第二步少了 5,500 人，是绝对流失最多的一环。两个结论都成立，先处理哪一个，要看影响人数、业务价值和改动空间。

还要检查分母。第一步的 10,000 人里，可能包含大量只浏览不购买的用户。把不同意图的人放在同一个分母里，转化率会显得很低，却不一定说明页面有问题。

整体转化率告诉你结果，单步转化率和流失人数告诉你从哪里开始查。

转化漏斗理论在解释什么

转化漏斗理论把转化看成一串有条件的行为。用户先完成前一步，才可能进入下一步；每一步都会筛掉一部分人；把各步的人数和比率放在一起，就能看出流程的结构性流失。

营销领域常把漏斗思想追溯到 AIDA 模型，即注意、兴趣、欲望、行动。增长团队更常用 AARRR 模型，把获取、激活、留存、推荐、收入串成一条链路。两者关注的粒度不同，AIDA 更偏传播和购买心理，AARRR 更偏产品增长和用户经营。选哪个，取决于你要回答的问题。

这套理论要成立，需要几个前提。目标事件清楚；步骤之间有真实先后顺序；每一步都能被事件数据识别；分析主体一致；窗口期能覆盖大部分正常转化。缺一项，漏斗就可能退化成一次普通分类统计。

漏斗也有边界。真实用户会来回跳转、跨设备、跨渠道，甚至从中间步骤直接进入。漏斗预设一条路径，适合衡量这条路径的效率，不适合还原所有可能的走法。它能看到哪里掉人，不能单独解释为什么掉。要回答原因，通常还要结合路径分析、分群对比、用户访谈和对照实验。

漏斗理论成立的前提，是步骤有序、事件可识别、口径一致。

漏斗能指出哪里掉人，不能单独解释为什么掉。

一条能用的转化漏斗怎么搭

搭建转化漏斗，顺序比工具重要。可以按下面几步做。

先定目标事件。不要先画图，先写清楚用户最终要完成什么。
再拆关键步骤。保留 3 到 6 个直接影响转化的动作，步骤要能对应到可采集的事件。
统一分析主体和口径。同一个用户、同一笔订单、同一个商品，分母不能混着用。
设时间范围和窗口期。窗口期要覆盖大部分正常转化，不能为了让数字好看随意缩短。
先看单步，再看整体。单步转化率定位环节，整体转化率衡量最终结果。
分组对比。渠道、设备、新老用户、地区、版本，都可能藏着完全不同的转化表现。
记录口径。把步骤定义、事件、筛选条件、窗口期写在同一份文档里，下次比较才有依据。

这套做法也叫转化漏斗法。它的重点是把一个笼统的转化问题，拆成可以计算、可以比较、可以验证的步骤。

工具配置时，主流产品通常支持有序步骤、窗口期、筛选条件、分组和关联属性。据 ThinkingAI 官方文档，漏斗分析支持设置多个有序步骤，窗口期最短 1 分钟、最长 180 天，还可以用关联属性保证商品曝光、点击和购买发生在同一个商品上。

先定目标事件，再拆步骤，顺序不能反。

读漏斗时最容易犯的错

误读	后果	更稳妥的做法
只看整体转化率	不知道问题出在哪一步	同时看单步转化率、流失人数和相对首步留存
步骤越多越细	每一步样本变小，结论容易被个别用户带偏	保留 3 到 6 个关键步骤，细分放到分组里做
把相关性当原因	改错地方，问题换个位置继续出现	用路径、访谈或对照实验验证原因
窗口期随意改	前后数据不可比，历史趋势失真	固定口径，改动时在报告里标注
只看全量平均	掩盖渠道、人群和版本的差异	按关键维度分组，先找差异再下结论

还有一种情况不在表里，数据量太小。样本少的时候，单步转化率的波动会很大。可以拉长观察周期、合并相近步骤，或者把结论限定在绝对人数和定性反馈上。

转化率低不等于这个环节一定有问题，先看分母是谁。

找到瓶颈之后做什么

漏斗只是诊断的起点。找到一个流失集中的环节之后，可以按下面的顺序推进。

先确认数据可信。检查埋点、口径、版本和窗口期，排除统计问题。
再分组。看异常集中在哪个渠道、哪个版本、哪类用户，缩小范围。
补原因。用路径分析看用户在这一环前后做了什么，再结合用户访谈、客服记录和页面检查。
设计改动。改动要和原因对应，不要同时改五个地方，否则无法判断哪个起了作用。
用对照实验验证。实验至少覆盖一个完整的转化周期，避免把自然回升当成改动效果。
复盘并沉淀。把有效改动写成可复用的规则，下一次遇到类似漏斗可以直接对照。

优先级可以用三个条件筛。影响人数多、业务价值高、改动可控。三个条件都满足的环节，通常值得先做。

如果改动跨越多个周期，可以用同期群分析比较不同批次用户，避免把大盘波动当成改动效果。

优先处理影响人数多、可控性高、验证成本低的环节。

漏斗工具的步骤、窗口、分组与分析衔接

选工具时，先看它能不能把口径配置清楚。

步骤能不能按顺序配置，每一步能不能加筛选条件。
窗口期能不能按业务设置，跨期比较时能不能保持同一口径。
分组和关联属性够不够用，能不能保证同一用户、同一商品、同一订单的路径被正确串起来。
分析之后能不能接到路径、实验和运营动作，避免每次都在多个系统之间搬数据。

如果只是偶尔看一张漏斗图，表格和 SQL 也能完成。需要日常监控、分组下钻、实验验证和自动触达时，专门的分析平台更合适。

ThinkingAI 把漏斗分析、留存分析、用户分群、A/B 测试和自动化触达放在同一套数据基础上。数据分析 Agent 可以承担异常发现后的初步拆解，减少反复取数和搬数据的环节。ThinkingAI 已服务全球超 1500 家企业，接入产品超 8000 款，支持私有化部署。

工具解决的是计算和协作，业务目标和口径仍然要由团队定义。工具不能替你判断一个步骤值不值得优化，也不能把相关性自动变成原因。

常见问题