流量转化漏斗是什么？

流量转化漏斗，是把用户从进入某个流程到完成目标行为之间的路径，按关键节点拆成若干步骤，用每一步的到达人数和转化率来描述流失情况的漏斗分析模型。它也可以指那张逐层收窄的漏斗图。

搜索这个词的人，常遇到两种情况。图能看懂，但不知道数字怎么来的；或者团队口中的转化漏斗，各自指的对象并不相同。把定义、构成、算法、口径和边界讲清楚，方便你判断一张漏斗图能不能用。

流量转化漏斗到底是什么

流量在这里指进入流程的用户数或行为次数，来源可以是投放、自然搜索、站内推荐，也可以是老用户回访。转化指用户在设定时间内，按设定规则完成目标事件。目标事件由业务定义，例如注册成功、提交订单、完成支付、激活首个项目。

把这批用户按步骤排开，每一步留下的人越来越少，形状像漏斗，所以叫漏斗图。它描述的是一批用户在一条预设路径上的推进情况。真实用户可能从别的入口进来，也可能跳过步骤或反复折返，这些分支要在路径分析里看。

同一个产品可以有很多条漏斗。新用户注册漏斗、首购漏斗、续费漏斗，各自服务一个目标。在实际工作里，流量转化漏斗模型也常被简称为转化漏斗或漏斗模型。一条漏斗只回答一个目标行为的转化问题，步骤围绕这个目标来拆。

一条漏斗由哪些设置决定

同样叫漏斗，配置不同，结果可能差很多。看数字之前，先确认四件事。

起点决定分母。把起点设得太早，比如把所有访问过网站的人都算进来，分母会包含大量本来没有转化意图的人，转化率看起来很低。起点设得太晚，又会漏掉前面的流失。

步骤要能对应可观测的事件，也要能对应可行动的问题。注册流程拆成访问、点击注册、提交信息、验证邮箱、创建项目，每一步都能找到负责的团队和可调整的设计。常见做法是把流程拆成三到六步，具体要看业务复杂度。步骤不是越细越好，拆到能定位问题就够。

窗口期按业务周期定。注册可能在一天内完成，B2B 试用转付费可能要十四天或三十天。窗口期是用户完成漏斗的时间限制，只有在这个时间内从第一步走到最后一步，才算一次成功转化。窗口期一旦改变，转化率就会变，跨期比较时要固定同一个窗口。

统计口径包含几个选择。按人数统计，同一个用户在统计周期内多次完成只算一次；按次数统计，每次完成都会计入。有序漏斗要求步骤按顺序发生，无序漏斗只要求事件在窗口内都发生。还有属性一致性，比如用户浏览的是商品 A，购买的是商品 B，如果不要求商品 ID 一致，这笔购买也会被算作转化。

转化率、流失率怎么算

先看三个公式。

• 环节转化率等于本步到达人数除以上一步到达人数。
• 整体转化率等于本步到达人数除以第一步人数。
• 流失率等于 100% 减去对应转化率。

口径一致时，整体转化率等于各环节转化率相乘。整体转化率不等于各步转化率相加。

用一个注册流程算一遍。

这张表是演示数据，只用于说明算法，不代表任何行业基准。整体转化率 9%，由 40% × 60% × 75% × 50% 得到。每一步提升五个百分点，最终结果的变化并不相同；越靠前的步骤，影响面通常越大。但优先级还要看流失的绝对人数和这一步的可改进空间。

如果各步来自不同时间范围、不同人群，或者去重规则不一致，连乘关系就不成立。看到对不上的数字，先查口径，不要急着改业务。

同样的漏斗图，口径不同结论会反过来

左图为有序漏斗，右图为无序漏斗。顺序要求不同，同一批用户会得到不同的转化人数。

• 有序和无序。有序漏斗要求用户按 A 到 B 到 C 的顺序完成；无序漏斗只要求这些事件在窗口内都发生。无序的数字通常更高，因为它把绕路、回退后完成的用户也算进来。诊断主路径时用有序，评估功能覆盖时可以用无序。
• 人数和次数。按人数统计适合看有多少用户完成转化；按次数统计适合看行为发生了多少次。两个口径放在一张表里比较，结论容易失真。
• 窗口期。七天窗口和三十天窗口的转化率不能直接比较。活动类流程要按活动周期设窗口，长决策流程要按真实决策周期设窗口。
• 属性一致性。浏览商品 A、购买商品 B 算不算转化，取决于是否要求商品 ID 一致。不要求一致，转化率会被高估。
• 人群结构。整体转化率下降，可能来自流量结构变化，而不是某一步变差。假设渠道 A 有一千人，转化率 20%；渠道 B 有一千人，转化率 10%；整体是 15%。如果渠道 B 的流量增加到三千人，两个渠道各自的转化率没变，整体却降到 12.5%。这时该看的是渠道结构和获客质量，不是急着改注册页。
• 重复转化。同一个用户多次完成同一目标，按人数只算一次；要看复购或重复使用，需要单独设计多步漏斗，不能把重复次数直接塞进原来的漏斗。

跨报表比较前，先确认窗口期、人数口径、顺序和人群范围一致。

它和营销漏斗、销售漏斗的边界

三者可以首尾相接。投放带来点击，落地页承接流量，产品内完成注册和付费。连接时要把事件口径和归属对齐，不能把广告平台的点击数和产品内的注册数直接当成同一条漏斗的相邻步骤。

本文讨论的是第一类，也就是流量进入产品后到目标行为的这段路径。 营销漏斗关注获客和传播，销售漏斗关注成交推进，它们的步骤定义、数据来源和负责人都不一样。把它们混在一条漏斗里，数字往往对不上，责任也分不清。

漏斗能告诉你哪里漏，不能告诉你为什么漏

漏斗擅长回答四类问题。哪一步流失最多，哪类人群流失更多，转化率从什么时候开始变化，完成转化平均要多久。它不擅长回答原因。某一步转化率低，可能是页面难用，也可能是流量质量差、需求不匹配、埋点缺失，单看漏斗分不出来。

漏斗只覆盖预设路径。用户可能从活动页直接进入支付，可能跳过新手引导，也可能在几个页面之间来回。路径分析适合看这些真实游走，漏斗适合验证一条关键路径的推进效率。两者配合，先知道哪里漏，再知道用户怎么走。

发现异常后，可以从几个方向验证原因。看用户行为序列，回放会话，访谈用户，检查埋点和版本变更，做 A/B 测试。漏斗给出假设，实验给出因果。

还要留意一种情况。转化率升高，不一定代表体验变好。 用误导文案、默认勾选或强制流程把用户推到下一步，短期数字会好看，后续留存、退款和投诉可能变差。看漏斗时，最好同时看留存和后续价值指标。

五个常见误读

• 只看整体转化率。整体数字会把环节差异抹平，某一步大幅流失，可能被其他步骤的增长掩盖。
• 只看比率，不看样本量。一百人里的 10% 和一万人里的 10%，稳定性完全不同。小样本的波动很容易被当成异常。
• 把行业平均值当目标。行业基准的口径、业务模式、流量结构往往不同，直接套用容易定错目标。和自己的历史基线、同类渠道比，更有参考价值。
• 步骤越多越专业。步骤要服务于判断。拆得太细，样本被切碎，噪声变大，团队也会失去重点。
• 把漏斗当因果证据。漏斗能说明哪一步相关、哪一步流失集中，不能证明是某个设计导致了流失。要确认因果，需要实验或其他证据。

把漏斗放进日常分析

一张漏斗图要变成判断，通常要把三件事固定下来。目标与步骤、统计口径、复盘节奏。口径写清楚，换人、换时间、换工具时才能对上。

分析时先看整体是否异常，再按渠道、新老用户、设备、版本分组，找到异常集中的群体，再回到行为序列和实验验证。事件分析看行为量，漏斗看路径推进，留存看长期价值，分群看差异，A/B 测试验证因果。几个模型各管一段，组合起来才完整。

ThinkingAI 的用户行为分析能力包含漏斗分析、事件分析、留存分析、用户分群和 A/B 测试等基础模型。在此之上，Agentic Engine 可以把分析、策略执行和复盘放进同一条链路。对团队来说，工具的价值在于让同一套口径被稳定复用，减少每次分析重新对数的时间。ThinkingAI 已服务全球超过 1500 家企业，接入产品超过 8000 款，服务覆盖游戏、电商、短剧等行业。

常见问题

流量转化漏斗和漏斗分析是一回事吗

日常语境里常混用。流量转化漏斗指分析对象和模型，漏斗分析指围绕它展开的分析方法。在分析工具里，漏斗分析通常就是配置步骤、窗口期和统计口径后生成漏斗图的功能。做报表时把口径写清楚，比纠结叫法更有用。

漏斗转化率多少算正常

没有通用标准。行业、业务模式、流量来源、步骤定义和窗口期都会影响结果。更有意义的做法是和自己过去的数据比，和同类渠道、同类用户群比。跨行业的平均值只能作粗略参考，不能直接当目标。

漏斗步骤越多越好吗

取决于要回答的问题。每一步都应当有明确事件，并能对应一个可调整的环节。常见做法是三到六步，业务复杂时可以增加，但不要为了细而细。

为什么整体转化率和各步转化率相乘对不上

常见原因有四个。各步的人数或次数口径不一致；时间范围和窗口期不同；用户从其他入口进入，导致各步不是同一批人；埋点缺失或数据延迟。先统一口径，再检查连乘关系。

没有埋点能做流量转化漏斗吗

可以用订单、注册、客服工单等服务端数据搭简化漏斗，但步骤覆盖和用户身份打通会受限。要做完整的行为漏斗，通常需要事件采集。埋点前先定义事件、属性和身份规则，后面补数据会轻松很多。

漏斗分析和路径分析有什么区别

漏斗分析验证一条预设路径的推进效率，回答这条关键路径在哪流失。路径分析看用户实际走了哪些路，回答用户从哪里来、绕到哪里去、在哪里离开。两者常配合使用，先用漏斗定位环节，再用路径分析还原过程。

参考资料

• ThinkingAI 官方文档，漏斗分析，https://docs.thinkingdata.io/ta-manual/latest/user_guide/analysis/funnel.html