漏斗分析常见误解排查
诊断为什么用户没有被计入漏斗转化，解释漏斗五大核心规则和常见踩坑点。
数据分析
异常诊断全行业漏斗分析常见误解排查是 ThinkingAI 行业 Skill 库中的一项漏斗规则诊断能力，帮助数据分析师在遇到"某个用户应该转化但没有被计入"或"漏斗转化率异常偏低"时，基于漏斗五大核心规则逐条排查根因——不是猜原因，而是用真实数据验证到底违反了哪条规则。这正是 ThinkingAI「10 年行业经验沉淀为开箱即用 Skill」的体现。
item_id，全局筛选 platform = 'app'#user_id 过滤，验证业务方提供用户的各步骤触发情况item_id 不一致诊断结论可能和业务方的预期相反：配置和数据都没有问题，8.2% 是当前规则下的正确结果——他们甩来的那个用户，恰好是关联属性规则的教科书案例。
一、当前漏斗与配置
这条漏斗有三个关键配置：窗口期 1 天、关联属性 `item_id`（同一商品才算一条链路）、全局筛选 `platform = 'app'`（每个步骤都生效）。理解 8.2% 之前，先得接受这三条规则都在正确工作。
二、那个「付了款没转化」的用户发生了什么
他的事件时间线：10:02 浏览商品 A001 → 10:15 从搜索列表直接加购商品 A002 → 10:23 支付 A002。四个步骤都触发了，但漏斗按 item_id 关联——「浏览 A001 → 购买 A002」不构成同一商品的转化链路，被排除是规则的正确行为，不是数据丢失。
三、抽样 500 人：四类常见误读逐条纠正
item_id 不一致，跨商品行为本就不该计入同一链路platform = 'app' 条件在支付步排除item_id 关联属性另建一条并行漏斗即可，两条各答各的问题。另外 31% 的超窗用户提示决策周期偏长——若高客单价品类占比大，可试着把窗口期放宽到 3 天做对比。行业痛点
漏斗分析有五条硬约束：步骤必须严格按序触发、所有步骤必须在窗口期内完成、每个步骤必须满足全局筛选条件、关联属性在各步骤必须一致、时区必须统一。很多分析师不理解这些规则，看到用户明明付费却没被计入转化就认为数据有问题。传统排查要手动拉用户事件明细逐条比对，平均耗时 3-4 小时且容易遗漏规则违反点。
核心价值
- 漏斗五大核心规则完整输出：步骤顺序、时间窗口、全局筛选、关联属性一致性、时区一致性，每条规则附带典型案例
- 用户级精确诊断流程：先按 #user_id 过滤验证用户是否触发各步骤，再下钻完整事件时间线
- 四大常见踩坑点标注：user_property 过滤 #user_id、下钻查用户、相对时间段静态时间戳、默认 limit 漏明细
- 所有验证必须调用真实 MCP 工具获取数据，不猜测不伪造；数据不可用时明确标注
适用场景
用户反馈完成了转化流程但报表里没被计入
漏斗转化率异常偏低，怀疑步骤顺序、窗口期或筛选条件配置有误
漏斗关联属性在各步骤不一致，需要验证是否导致转化失败
跨时区项目漏斗数据异常，怀疑时区不一致
新搭建的漏斗报表转化率低于预期，需要系统排查配置问题
实战案例
常见疑问
漏斗转化率偏低一定是数据问题吗？
不一定。可能是步骤顺序、窗口期、全局筛选、关联属性或时区配置导致用户被正确排除。
为什么用户触发所有步骤但还是不计入？
可能属性不一致、顺序不对或超出窗口期，需要用用户级诊断逐条验证。
和留存分析数据验证有什么区别？
留存验证解决留存 vs 事件分析口径差异；漏斗误解排查解决单一漏斗模型内规则理解和用户级诊断。
相关 Skills 推荐
用「漏斗分析常见误解排查」武装你的 Agent
预约演示，看看它如何在你的业务场景中落地
