一张从宽到窄的色块图，很容易让人以为漏斗分析就是画图。它真正回答的问题更具体，在一条有先后顺序的用户路径上，人是在哪一步离开的，哪一步值得先动手。
先给一个能直接用的定义。漏斗分析是把用户完成某个目标的过程拆成有序步骤，量化每一步的转化与流失，用来定位瓶颈环节的分析方法。 它有三个基本特征，步骤分层、步骤之间有先后顺序、每一步都同时存在转化和流失。
对用户洞察分析平台来说，漏斗分析不是图表库里的一张图，而是把行为数据变成可以对得上的问题的底座。运营说付费掉了，产品说新手流程没动过，两拨人看的是同一个后台，结论却对不上。多数时候问题不在数据本身，而在漏斗的口径。理解漏斗分析，本质上是理解这些口径。
一、漏斗分析的定义与三个基本特征
漏斗这个词的来源比多数人想得早，它常被追溯到 1898 年提出的 AIDA 模型，即注意、兴趣、欲望、行动，用来描述一个人从看到广告到完成购买之间的递进过程。后来这套思路衍生出 AIDMA、AISAS、AARRR 等多个版本，也被搬进了数字化的用户行为分析。
不过营销模型和数据分析里的漏斗并不是一回事。报表意义上的漏斗分析，前提是步骤之间有序，而且每一步都能被事件数据明确标识。 顺序不成立，漏斗就退化成了一次分类统计。
1. 转化率和流失率是一对互补指标
每两个相邻环节之间都能算出两个数。转化率是走到下一步的人数占上一步人数的比例，流失率是它的补数，两者相加等于一。整体转化率则近似等于各步转化率的连乘，所以步骤越多，末端剩下的人越少。这是流程变长的必然结果，不一定是某一环出了问题。
只看整体数字，很容易得出一个没有用处的结论。可用的信息通常在单步转化率里，哪一步掉得最多，哪一步的数值和常识不符。
2. 和留存分析、路径分析的边界在哪里
同一份行为数据，换个分析模型问的就是不同的问题。路径分析不预设顺序，看的是用户实际怎么走，用来发现意料之外的通路；留存分析固定起始行为，看用户若干天后是否还回来；漏斗分析则固定一条有序路径，看每一步转化了多少。三者经常配合使用，漏斗先定位到某一环，路径分析再去看用户在这一环前后实际做了什么动作，两边的结论互相校验。
二、口径决定结论，漏斗分析必须对齐的四个设置
同样一条从注册到付费的路径，两个分析师做出两个转化率，差异大多来自下面四个设置。它们不写在图上，却决定了这张图能不能被用来做决策。
1. 时间范围与分析窗口期
时间范围决定取哪些用户的行为数据，窗口期决定一个用户算不算走完了这条路。以 ThinkingAI 官方文档的口径为例，窗口期以触发第一步的用户作为样本，从触发第一步开始计算一段固定的分析时长，每个用户的窗口长度一致，但由于触发第一步的时间点不同，起止的绝对日期可能不同。窗口期设成一天还是七天，会把慢转化用户记成流失，还是算作转化，结论完全不同。
2. 步骤条件与关联属性
每个步骤通常由事件加筛选条件构成，其中有个容易被忽略的细节。用户可能看了 A 商品，却加购并下单了 B 商品。如果只按事件统计，这条路径会被算作完成转化，业务上显然不是。解决方式是在各步骤之间指定一个必须保持一致的属性，比如商品 ID，官方文档把这类设置称为关联属性。属性值对不上的用户，不该被算进这条漏斗。
3. 封闭式漏斗和开放式漏斗
封闭式只统计从第一步进入的路径，中途才进来的用户不计入；开放式把从任意环节进入的路径都算进去。做日常转化诊断，多数团队用封闭式，因为它能看清每一步的真实流失；做大促或活动复盘，开放式更贴近实际，用户很可能是被活动页直接带到了后半程。
两种口径下同一条数据会得出不同结论，所以跨团队同步数字之前，先说清用的是哪一种。
4. 穿插行为和重复完成怎么算
用户在走漏斗的过程中，中间难免触发一些未定义的行为。有的工具默认忽略这些穿插动作，只要关键步骤按顺序完成就算转化；有的则把是否放行交给使用者配置。另外，同一个用户在所选时段内多次走完整条路径时，平台通常按第一次到达最终目标来记录，之后的重复行为不再计入。这两条都会改变分母，属于必须写进需求文档的部分。工具一般支持把漏斗做到三十步，但步骤越多，每一步的样本越小，结论越容易被一两个用户带偏。
三、漏斗转化率掉了，先查哪一步
拿到一条正在下滑的漏斗，很多人的第一反应是赶紧改。但在动手之前，先确认它是不是真的在掉，比改得更快更重要。
以电商为例，Baymard Institute 汇总 50 项研究后给出的全球平均购物车放弃率为 70.22%，该页面最近一次更新是在 2025 年 9 月。这样一个数字本身就是漏斗中段流失的总量，却完全不能告诉你流失具体发生在哪一步，这恰恰是漏斗分析要解决的问题。
1. 先分清是波动还是结构性下滑
同一条漏斗的日转化率本来就会随工作日和流量结构起伏，把最近几天的曲线和上周同期放在一起看，能过滤掉相当一部分噪声。确认是结构性下滑，才值得投入资源。
2. 比单步转化率，找出掉得最狠的一环
整体数字看不出问题在哪，单步转化率可以。把每一步的转化率和它的历史区间比，跌出正常范围的那一步就是主战场。把注意力放在掉幅最大的一环，而不是看起来最可疑的一环。
3. 用分组拆开平均值
整体转化率的下降，通常是某一类用户拉低的。渠道、设备、新老用户、版本号、地域，都是常用的拆解维度。常见的场景是整体付费率下降，拆开之后发现只是某个新上线渠道带来的用户质量偏低，产品本身没有任何变化。不拆分组，就容易把渠道问题当成产品问题处理。
4. 候选原因必须能被验证
从漏斗里只能看到哪一步掉了，看不到为什么掉。原因假设要靠进一步的数据或实验来验证，把出问题的环节和相关行为、页面版本、系统稳定性、外部活动放在一起对照，能收窄范围；如果要确认某个改动是否有效，最后还是要靠对照实验。没有验证的原因只是猜测，直接上线改动，往往只是把问题挪到了另一个位置。
5. 五个常见误判
- 只看整体转化率，不看单步。
- 把相关性当成原因。
- 窗口期调整过，却直接和历史数据对比。
- 样本量不足就下结论。
- 步骤设得太多，每一步看起来都像有问题。
四、用户洞察分析平台怎么把漏斗变成日常动作
方法论再清楚，落不到日常动作里也不会产生结果。这也是近几年用户洞察分析平台变化最明显的地方，从人拉报表，转向由 Agent 主动发现问题、给出判断并跟到验证结果。
1. 从人看报表到系统主动预警
传统做法是人每天打开看板，发现异常再往下钻。趋势识别、单步定位、分组拆解这几步本质上是有固定套路的重复劳动，适合先交给系统跑一遍。在 ThinkingAI 的能力体系里，这类工作由数据分析 Agent 承担，发现异常后先做一层拆解，把可疑人群和环节推到人面前。
2. 漏斗和分群、实验、触达连成一条链
漏斗定位到付费路径上的某一环之后，接下来的动作可以连起来。分群找出受影响的人群，设计对照实验验证改动，验证有效后交给运营侧触达，最后按同一口径复核结果。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，减少的正是中间反复对口径和搬数据的环节。多次验证有效的策略还能沉淀成可复用的能力，让下一个产品直接接着用。
3. 口径统一与私有化部署
口径问题在组织里往往不只是技术问题。指标定义分散在各个报表中，每次讨论都要先花半小时对齐分子分母。平台侧的解法是让同一个指标只有一处定义，各条漏斗和看板都引用它。对数据敏感度高的团队，部署方式同样是决策的一部分，ThinkingAI 支持私有化部署，数据留在企业自己的服务器上。目前 ThinkingAI 已服务全球超 1500 家企业，接入产品超 8000 款，旗下 Tiki 智能助手在中国信通院的智能体评估中，拿到了数据分析智能体方向的 4+ 级评级。
五、漏斗分析常见问题解答
漏斗分析和路径分析有什么区别？
路径分析不预设顺序，看的是用户实际走了哪些路；漏斗分析预设一条有序路径，看每一步转化了多少。定位问题环节用漏斗，理解用户为什么这么走用路径分析。
窗口期应该设多长？
取决于业务本身的决策周期。高频低客单的场景，比如工具类产品从注册到激活，窗口期可以设成当天或一天；决策周期长的场景，比如 SaaS 从试用到转付费，窗口期要按试用期长度设置。判断标准是窗口期内应该能装下大部分正常转化。
封闭式漏斗和开放式漏斗怎么选？
做日常转化诊断用封闭式，能看清每一步的真实流失；做活动复盘或用户可能从中间环节进入的场景，用开放式。关键是同一份报告里不要把两种口径混着用。
漏斗转化率下降，第一步查什么？
先确认数据本身有没有变化，埋点有没有改动、窗口期有没有调整、分母口径是否一致。确认数据没问题，再拆单步和分组，最后才进入原因假设和验证。
样本量小的时候还能做漏斗分析吗？
能做，但结论要收着说。样本量小时单步转化率的波动很大，建议拉长观察周期、合并相近步骤，或者用分群后的对比结论代替绝对值结论。
漏斗分析和 A/B 测试怎么配合？
漏斗负责指出哪一步有问题，A/B 测试负责验证改动是否真的有效。只做漏斗不做实验，很容易把波动当成改善；只做实验不看漏斗，又容易在不是瓶颈的环节上反复试错。
