5个关键步骤：用户从下载打开到最终购买的整个体验路径

先举个例子，肖恩埃利斯的《增长黑客》：一个食品店App的成长团队发现了一个问题:App上线后，通过各种推广，短时间内获得了19万用户，但最终在App中购买的用户不到7000人。App体验不好吗？商品不够吸引人？事实上，许多产品也会有这样的问题，在最终吸引用户后，如何让他们真正开始使用，激活他们？因此，增长团队梳理了用户从下载到最终购买的整个体验路径，并提取了下载和打开应用程序的五个关键步骤；搜索浏览；将商品放入购物车；添加信用卡信息；完成购买结算。然后列出每个步骤的实际数量和相应的转化率：数据和相应的转化率的结果非常直观。团队成员发现，大量用户在不添加信用卡信息的情况下将商品放入购物车后离开页面（c-d为20%），但成功添加信用卡信息的用户在完成购买后的比例非常高（d-e为75%）。此外，许多用户搜索的商品数量并不多（a到b的30%）。相比之下，下载应用程序后，特别活跃的用户在第一次打开时浏览了许多商品（活跃用户a到b的比例非常高）。事实上，有了这些数据，我们可以清楚地看到，商品本身或应用程序的体验没有问题。大多数能够正常支付的用户仍然完成了购买，但添加支付工具和结算体验存在障碍。团队需要尝试让用户更容易结算。同时，考虑到新用户的搜索量不高，我们必须努力鼓励初访者搜索和浏览更多的商品，如设置优惠商店界面、改进指导文案等。当然，这是一个非常简单的虚拟案例，但我们仍然可以看到它们是如何应用数据来发现和诊断问题的，其中一个非常重要的工具是“漏斗模型”。漏斗模型和常用应用模型，那么什么是漏斗模型呢？漏斗模型，aka漏斗分析，转化率分析，基本上是所有分析都或多或少使用的工具。当我在网上搜索漏斗分析时，大多数文章或内容都与互联网运营或数字营销有关。但事实上，漏斗模型被广泛使用，包括但不限于：财务分析（整个利润表实际上是一个漏斗，比例分析）；产品设计(诊断用户的一系列行为转化率)；广告(流量监控、效果评估)、品牌(认知-行为转化)等。当然，漏斗模型还有很多其他的应用程序，除了用户体验过程的开头例子。例如，在衡量品牌知名度时，品牌认知-行为漏斗通常使用三个指标：TopofMind：代表品牌定位强(或占据用户心智的深度)的量化。说到XX品类，第一时间想到的品牌。例如，当你提到短视频应用程序时，你首先想到的是哪个应用程序。一个人可能会回答快手，另一个人可能会回答抖音，但每个人只会有一个标题，最终可以统计每个品牌在用户群体心目中占据了多少领域。Un-Aided：代表品牌定位薄弱(进入用户心智，但不够深)的量化。说到XX品类，你还能想到哪些品牌。比如“提到短视频app，还能想到哪些app”，一个人可能会回答抖音、快手等几个app，但一般不超过5-7个。因为人的记忆/心智也是有限的。Awareness：代表广泛的知名度。XX品类中所有知名品牌。比如“在短视频app中，你知道哪些app？一个人可能会回答很多应用，比如快手、抖音、微视、视频号等等。基于心理记忆对这些指标的解释也可以参考前一篇文章《品牌生理心理基础》中的一些内容。至于行为漏斗，可以根据行业/类别的不同特点设置为逻辑相关的各种指标。可以用“以前用过-现在用过-最常用”，也可以用“以前买过-最近半年买过-最近一个月买过”，目的不同，指标也不同。可通过抽样调查问卷获取数据(认知这种心理指标，主要依靠问卷。然而，有监控数据的行为指标将比用户记忆更准确），并诊断品牌/产品。例如，在一波营销浪潮之后，虽然AB品牌在广泛意义上很有名，但很少有人能主动想到A，也许A品牌虽然广告无处不在，但宣传内容太平淡，没有亮点，人们很快就忘记了。B品牌可能有不同的宣传内容。看到B的宣传后，我们印象深刻。但由于媒体渠道选择不好，覆盖面不够，整体知名度较弱。AARR漏斗除了上述食品商店应用程序的具体例子外，包括黑客增长本身的核心模型AARR也是一个漏斗：AIDA漏斗营销经典AIDA（或AIDAS等）也可以通过收集相应的数据，应用漏斗模型进行分析，广泛应用于快速消费品、消费品：利润漏斗财务分析三个利润表实际上是一个漏斗，净利润率告诉我们漏斗比较直(中间损失少，收入多转化为利润，效益好)、还是比较斜的，所以净利润率代表效益。分析应用基础和个人“私域”数据漏斗应用漏斗模型有两个基础:基于目的抽象流程；数字化，有能力收集每个流程或步骤的数据。基于抽象过程的目的：如解决用户从开放到订单的转换问题，或希望用户更顺利地体验产品Aha时刻（即用户体验产品的最大价值），可以基于用户的实际体验，抽象为“开放浏览细节加入购物车订单支付反馈”这一系列过程。基于抽象过程的目的：如解决用户从开放到订单的转换问题，或希望用户更顺利地体验产品Aha时刻（即用户体验产品的最大价值），可以基于用户的实际体验，抽象为“开放浏览细节加入购物车订单支付反馈”系列过程。另一个例子是从认知到购买的过程，它被提炼为AIDA。这一步听起来很简单，好像只需要根据现有的模型或实际用户行为/认知路径进行梳理。但实际上有很多困难，比如产品/app有很多元素和功能，用户的行为其实很复杂。例如，电子商务应用程序实际上有很多页面层次，用户可能会在各种页面上“访问”。如何梳理关键步骤，构建有效的用户路径图，衡量其间转换，其实是一个难点。还有像AARR或AIDA这样的“大”模型，可以提供宏观策略参考，但在精细分析中，如何选择，如何处理不同漏斗之间的交集或嵌套，如复杂媒体环境下不同渠道带来的认知或客户获取。数字化:抽象流程后，需要获取每个流程的数据，才能真正开始分析。当然，对于企业来说，最好建立自己的数字系统和数据仓库，监控用户/客户的所有行为数据。或者也可以利用外部供应商的SaaS/Paas等数据平台进行部分业务的数字化。除行为数据外，用户的态度或心理数据也可以通过问卷调查获得。然而，数据实际上存在于生活的各个角落。这两个步骤可以灵活应用于小规模活动，甚至个人。比如个人在社区做文字或者直播分享，最大覆盖多少人或者微信群，*直播的人，评论的人，转发的人，直播后加微信的人，分享截图的人，其实都可以量化，计算转化率，也可以在不同的时间/社区之间进行比较。即使是食堂，其实也可以统计每天有多少人路过，有多少人进店，有多少人买...不一定是大公司用的。漏斗模型的局限性和深入分析虽然很常用，但也不是万能的。最大的局限性是漏斗分析是一种纯粹的诊断工具，也就是说，它可以告诉你问题出在哪里，但没有办法回答为什么会出现这样的问题，也没有办法回答如何解决这样的问题。通常，我们应该结合消费者研究和更多的数据分析，探索问题背后的原因，探索改进的方向。而且，单独做漏斗往往看不到太多东西，很多时候比较是有意义的。对外:与竞争对手和行业平均值进行比较。内部：其细分用户在漏斗各个环节的不同性能；肖恩·埃利斯等不同时期的漏斗数据性能。在问卷调查公司Qualaro领导增长团队时，通过深入分析和比较，比较“试用后购买产品的用户”vs“试用后未购买产品的用户”之间的差异发现，购买的用户在试用问卷调查系统时至少收到了50条反馈，产品的Aha时刻（即用户体验产品最大价值的时刻）是用户发现自己可以回收足够数量并获得指导反馈的结果。因此，50条反馈是一个非常重要的价值拐点。如果回收数据超过这个数字，用户可以感知产品的价值。因此，50个反馈是一个非常重要的价值拐点。如果回收数据超过这个数字，用户可以感知产品的价值。因此，他们做了很多实验来帮助用户尽可能多地增加回收问卷的数量。例如，视频教程指导用户制作更简短有效的问卷，在哪里放置问卷回收概率高，如推荐模板、推荐NPS等，并让客户服务人员主动联系用户提供发布问卷的建议。用户激活率最终大幅提高。