漏斗分析是一种把用户完成目标的过程拆成有先后顺序的步骤，再统计每一步有多少人继续、多少人离开的分析方法。它回答的问题很具体：在一条已经设计好的路径上，用户走到了哪一步，哪一步流失最多，不同渠道、设备或人群的结果有没有差别。
在产品分析里，漏斗分析常被放在用户行为分析平台中使用，用来观察注册、激活、下单、支付、复购等流程。也有人把它叫作漏斗分析法、漏斗分析方法或转化漏斗分析法，指向的都是同一类按步骤看转化的方法。
本文讨论的是产品与用户行为分析里的漏斗分析。销售管理里的销售漏斗、营销投放里的渠道漏斗，目标和步骤定义不同，不能直接套用同一套结论。
漏斗分析由什么构成
一个能得出结论的漏斗，至少要有四个部分。
| 要素 | 要回答的问题 | 示例 |
|---|---|---|
| 目标 | 用户最终要完成什么 | 完成一次支付 |
| 步骤 | 中间必须经过哪些动作 | 浏览商品 → 加入购物车 → 提交订单 → 支付成功 |
| 时间窗口 | 用户在多长时间内完成才算转化 | 进入第一步后 7 天内完成 |
| 统计口径 | 按用户还是按次数，是否排除某些行为 | 按去重用户统计，排除退款订单 |
目标是漏斗的终点。终点要是一个可观测的业务结果，比如完成支付、完成首次关键动作、续费成功。目标写得含糊，步骤就会跟着含糊。
步骤是用户从起点到终点必须经过的关键节点。步骤之间要有真实的先后关系，也要能对应到具体的业务动作。把浏览首页和点击按钮都塞进去，漏斗会变得很长，但未必更能说明问题。
时间窗口决定哪些行为算在同一次转化里。以 Mixpanel 的漏斗文档为例，默认给用户 7 天完成全部步骤，超过窗口就不再计为这次转化。7 天只是一个工具默认值，实际应该按业务的决策周期来定。快消类购买可以短一些，企业采购可能要长一些。
统计口径决定分子和分母。常见做法是按用户去重，也有工具支持按次数或按会话统计。是否排除退款、是否只算新用户、是否限定某个渠道，都要在开始分析前写清楚。
这四个部分只要有一个没定义清楚，后面的转化率就没有可比性。漏斗模型提供的是结构，漏斗分析则要求团队把结构落到统一的口径上。
漏斗分析的转化率怎么算
Optimizely 在 2024 年 11 月的一篇文章里，把漏斗的计算描述为按事件时间追踪每个用户到达的最远步骤；Zoho Apptics 在 2026 年 6 月更新的说明里，把转化率定义为完成全部步骤的比例。两者合起来，就是先判断用户走到了哪一步，再算完成目标的比例。
先按用户去重，再按事件时间排序。一个用户从第一步进入后，按顺序完成了后面的步骤，才算走到对应位置；中间漏掉一步，后面的步骤不再计入这次转化。Mixpanel 的文档区分严格顺序和任意顺序，也支持把某个中间行为设为排除步骤。不同工具的默认设置不一样，看结果前要先确认。
常用的三个计算是：
- 某一步转化率 = 到达该步的用户数 ÷ 到达上一步的用户数
- 整体转化率 = 到达最后一步的用户数 ÷ 到达第一步的用户数
- 某一步流失量 = 到达上一步的用户数 − 到达该步的用户数
下面用一组示例数据说明，数字只用于演示算法。
| 步骤 | 到达人数 | 相对上一步转化率 | 流失人数 |
|---|---|---|---|
| 浏览商品详情 | 10,000 | — | — |
| 加入购物车 | 4,200 | 42.0% | 5,800 |
| 提交订单 | 1,800 | 42.9% | 2,400 |
| 支付成功 | 1,200 | 66.7% | 600 |
这组示例数据的整体转化率是 12.0%。从第一步到第二步流失了 5,800 人，是绝对流失量最大的一段；从第二步到第三步的转化率是 42.9%，和上一段接近，但流失人数少了一半。到了支付环节，转化率看起来有 66.7%，仍然有 600 人没有完成付款。
如果只按转化率排序，可能会先盯住 42.0% 和 42.9% 这两个数字；如果按最终影响排序，还要把流失量和后续步骤的转化率一起算。假设第一步到第二步的转化率提高 5 个百分点，按示例数据，第一步的 10,000 人中会多 500 人进入下一步；后面两步的转化率不变，最终大约多 143 人完成支付。这个折算没有考虑季节、渠道和竞争等变化，但能帮助团队判断先改哪一段更划算。
整体转化率看最终结果，分步转化率看局部效率，两者不能互相替代。只看整体，容易知道变差了却不知道差在哪；只看分步，又可能在小流量步骤上投入过多。
漏斗分析结果该怎么读
看到一张漏斗图，不要先盯着最低的转化率。按下面的顺序检查，结论会更稳。
- 先确认口径。用户是否去重、时间窗口多长、步骤事件怎么定义、有没有排除条件、数据是否完整。
- 看整体是否异常。和上一周期、同一活动的历史基线、同类渠道比，确认变化是真实波动还是口径变化。
- 找绝对流失量最大的步骤。转化率低但流量很小的步骤，未必值得优先投入；流失量大且后续转化率高的步骤，改善后更容易传导到最终结果。
- 做分群。按渠道、新老用户、设备、地区、版本拆开，看流失集中在哪一类人。
- 形成假设并验证。漏斗只告诉你在哪里流失，不告诉你为什么。要继续看路径、会话记录、访谈或实验，确认原因后再改。
如果某个步骤突然下降，先排查埋点和版本发布，再判断是不是业务问题。埋点缺失、事件改名、统计口径变化，都会让漏斗看起来像用户突然跑了。具体的排查顺序可以参考转化漏斗突然下降怎么排查。
先看总量，再看分群，可以避免被小样本的极端转化率带偏。一个只有几十个人的渠道，转化率从 10% 掉到 5%，可能只是少了两个人。
漏斗分析和路径分析有什么区别
两者都看用户行为，但回答的问题不同。
| 维度 | 漏斗分析 | 路径分析 |
|---|---|---|
| 起点 | 预设目标和步骤 | 不预设完整路径 |
| 关注 | 有多少人按顺序完成，在哪一步流失 | 用户实际怎么走，从哪里来，到哪里去 |
| 适合 | 监控注册、下单、支付等固定流程 | 探索未知行为、发现绕路和意外流失点 |
| 局限 | 看不到步骤之外的行为 | 结果更发散，需要结合业务目标收敛 |
漏斗分析适合验证一条已知路径是否顺畅，路径分析适合发现你还没想到的行为。实际工作中，通常先用漏斗确认问题发生在哪一段，再用路径分析看用户在那一段前后做了什么。
把两者混在一起，容易出现两种误判：用漏斗解释用户为什么绕路，或者用路径分析去监控一个固定流程的转化率。前者得不到原因，后者很难形成稳定口径。
哪些情况不适合用漏斗分析
漏斗分析有明确的适用边界。下面几种情况，先换方法或先补数据，比直接做漏斗更有效。
- 目标不清楚，或者步骤不是用户真正必须经过的节点。硬凑出来的步骤，只会得到一张好看但没用的图。
- 用户可能从中间进入。比如活动页直接跳到支付页，如果仍然按必须从第一步进入统计，会低估真实转化。需要明确采用哪种进入规则。
- 多端、多账号身份没有打通。同一个人在手机、平板和网页上被算成三个用户，漏斗人数会对不上。
- 观察周期和决策周期不匹配。买车、买房、企业采购这类长决策，用 7 天窗口看转化，结论容易失真。
- 样本太小。几十个人的漏斗，每一步少几个人就会让转化率大幅波动，不适合下强结论。
- 想解释原因。漏斗能指出位置，不能单独证明原因；把流失发生在支付页直接当成支付页设计有问题，很容易误判。
这些限制不影响漏斗分析的价值，但决定了它应该和路径、分群、实验等方法一起用。
如何把漏斗分析用进日常工作
要把漏斗分析变成可复用的能力，先做四件事。
- 选一个明确的业务目标。比如新用户完成首次关键动作，或活动用户完成支付，不要同时把所有流程塞进一张漏斗。
- 统一事件和口径。事件名称、触发时机、去重方式、时间窗口写进文档，避免不同团队各算一套。
- 建基线再改。先看最近几个周期的正常范围，再判断某次变化是否异常。
- 把结论接到动作和验证。明确谁负责改、改哪个环节、用什么指标验证，避免分析报告停在建议优化。
工具能减少重复取数的工作。ThinkingAI 已服务全球超 1500 家企业、接入产品超 8000 款，其数据分析 Agent覆盖漏斗分析、事件分析、留存分析等模型，适合需要把漏斗纳入日常运营的团队。
工具解决算得快和看得一致，目标和步骤仍然要由业务团队定义。
常见问题
漏斗分析和转化漏斗分析是一回事吗？
日常语境里，两者通常指同一类方法。转化漏斗分析更强调转化这个目标，漏斗分析的范围更宽，也可以用于激活、留存、复购等过程。叫法不同，核心仍然是按顺序拆步骤、看转化和流失。
漏斗步骤是不是越多越细越好？
步骤要覆盖用户完成目标必须经过的关键节点，不需要把每个点击都放进去。步骤太多会让样本迅速变小，也会让责任边界变得模糊。一般先保留 3 到 6 个能对应业务动作的节点，再按需要拆分。
漏斗转化率低，是否一定要马上优化？
先判断低是否正常。和自身基线、同类渠道、不同人群比，确认是不是口径变化或小样本波动。只有在流失量足够大、原因可验证、改动成本可接受时，才值得优先投入。
漏斗分析能解释用户为什么流失吗？
不能单独解释。它回答的是在哪一步流失、流失了多少，原因需要结合路径分析、会话记录、用户访谈或对照实验来判断。把漏斗结果直接当成原因，容易做出错误决策。
不用分析工具，能用 SQL 做漏斗分析吗？
可以。核心是按用户和时间排序，判断每个用户是否按顺序完成了各步骤，再统计每一步的人数。数据量大、分析频繁时，用专门的分析工具会更省维护成本；分析频率低、口径简单时，SQL 也能完成。
