大家可以根據(jù)自己的需要去挑選維度來分析。

2. 漏斗模型的漏斗顆粒度定義

在實際的場景中同一款產(chǎn)品會有各種各樣的用戶類型，比如用戶來自于不同的區(qū)域、不同的生命周期、不同的性別，不同的年齡，他們在漏斗中的表現(xiàn)都是不一樣的，也就造成了在用戶漏斗中的轉(zhuǎn)化率往往是有很大的差異的，因此我們需要將不同的人群拆分成一個個小的漏斗去逐一分析，一點點去分析結(jié)果。

讓我們再總結(jié)一下所謂漏斗模型將任意產(chǎn)品流程抽象成一個個的關(guān)鍵步驟，如案例中的購物流程。然后用轉(zhuǎn)化率來衡量每一個步驟的表現(xiàn)，最后通過異常的數(shù)據(jù)指標(biāo)找出有問題的環(huán)節(jié)。從而解決問題優(yōu)化該步驟，最終達到提升轉(zhuǎn)化率的目的。

用一句話來說漏斗模型的核心思想就是分解和歸類量化。

在定位了產(chǎn)品出現(xiàn)問題的環(huán)節(jié)后，接下來讓我們來看看，如何具體定位指標(biāo)。

模型二：杜邦分析模型

讓我們先來看下百科中的定義

“杜邦分析法（DuPont Analysis）是利用幾種主要的財務(wù)比率之間的關(guān)系來綜合地分析企業(yè)的財務(wù)狀況。具體來說，它是一種用來評價公司贏利能力和股東權(quán)益回報水平，從財務(wù)角度評價企業(yè)績效的一種經(jīng)典方法。其基本思想是將企業(yè)凈資產(chǎn)收益率逐級分解為多項財務(wù)比率乘積，這樣有助于深入分析比較企業(yè)經(jīng)營業(yè)績?！?/p>

其實說白了就是將指標(biāo)進行肢解，將大指標(biāo)拆分成若干個底層應(yīng)用中直接觸達的動作。

如果用一張圖來表示，就是如下：

圖2. 杜邦分析核心模式

一般的我們將指標(biāo)分為如下三個角色：

1. 核心指標(biāo)
2. 子指標(biāo)（若干層級）
3. 孫代指標(biāo)（讓抽象的指標(biāo)與APP中動作進行關(guān)聯(lián)上的指標(biāo)）
4. 那為什么要這么做呢？直接看指標(biāo)不行嗎？

其實是這樣的產(chǎn)品本身涉及到的各種指標(biāo)類型非常的多，但產(chǎn)品經(jīng)理無法對這些指標(biāo)面面俱到。往往此時產(chǎn)品經(jīng)理只能去關(guān)注本業(yè)務(wù)核心指標(biāo)，而這些指標(biāo)已經(jīng)遠遠脫離了現(xiàn)實APP中可以直觀感受到的部分。

舉例來說，當(dāng)我們討論銷售額的時候討論的是什么？這不是一句俏皮話，這是一個現(xiàn)實的問題。如果直接談銷售額我們很難有直觀感受，但往往通過指標(biāo)拆分后，我們拿到的結(jié)果告訴我們銷售額其就是一個產(chǎn)品中支付界面的流程或者投放中產(chǎn)品觸達的最優(yōu)組合。

正是因為存在如此大的抽象層級差距，也就導(dǎo)致了在我們看到產(chǎn)品核心指標(biāo)（注意一定要監(jiān)控產(chǎn)品業(yè)務(wù)核心指標(biāo)，而不是籠統(tǒng)的DAU等數(shù)據(jù)，如果對這個概念不太理解可以去我的主頁看我本系列的第一篇文章）發(fā)生變化的時候，很難清楚到底是什么原因?qū)е卤局笜?biāo)的上升或下降呢？

拿一個電商的產(chǎn)品案例來說，對于電商類的產(chǎn)品來說核心指標(biāo)就是成交金額。

而當(dāng)我們發(fā)現(xiàn)在我們某次日常運營活動投放后，產(chǎn)品的成交金額不增反而出現(xiàn)了下跌，這個時候問題就出現(xiàn)了到底是什么讓我們的產(chǎn)品出現(xiàn)這樣的問題了呢？

那么這個時候就需要通過杜邦分析模型來尋找答案了。

首先我們將電商成交額做如下拆分：

• 核心指標(biāo)拆分：銷售額 = 付費人數(shù) * 客單價
• 子指標(biāo)拆分：付費人數(shù) = UV * 付費轉(zhuǎn)化率
• 孫代指標(biāo)拆分：

圖3. UV拆分結(jié)果（在新標(biāo)簽頁中打開即可查看大圖）

我們拿此處UV的例子來看，經(jīng)過層層拆分，我們看到了最后和產(chǎn)品相關(guān)的是我們本次活動用戶步驟與步驟獎勵數(shù)這兩個指標(biāo)。

因此我們就可以根據(jù)如上的圖中的指標(biāo)去看數(shù)據(jù)來一步步尋找產(chǎn)品的問題；

我們拿到的數(shù)據(jù)如下：

Part 1. 核心指標(biāo)：

從這我們就能看到核心指標(biāo)中付費人數(shù)出現(xiàn)了問題，那么我們就找到了入手調(diào)查的地方，讓我們繼續(xù)拆分付費人數(shù)這個指標(biāo)。

Part 2. 子指標(biāo)拆分：

在付費轉(zhuǎn)化率幾乎沒有變化的情況下，UV就成了這最大的問題。

Part 3. 孫代指標(biāo)拆分：

Part N. 中間省去若干個孫代指標(biāo)的最終對比

那么在這我們就能清楚的看到了，由于我們本次的活動要求用戶過多，長達7步導(dǎo)致了用戶很多程度下不愿意參與本活動，導(dǎo)致了流失與交易金額的下降。

到這我們產(chǎn)品的解決方案也就出來了需要對活動進行修改，減少活動用戶步驟或者增大獎勵。

最后

以上是我們數(shù)據(jù)分析中最常用的兩個分析模型，用好這兩個完全可以解決日常工作中大多數(shù)數(shù)據(jù)決策問題。當(dāng)然數(shù)據(jù)分析這里還有很多其它的數(shù)據(jù)分析方法，我會在本系列后面的文章中一一介紹，感興趣的大家可以關(guān)注期待。

相關(guān)閱讀

千萬日活級產(chǎn)品人必備（一）：數(shù)據(jù)監(jiān)控后臺之?dāng)?shù)據(jù)指標(biāo)怎么選？

作者：三爺，多年互聯(lián)網(wǎng)名企經(jīng)歷，前MBA特約講師

本文由 @三爺 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖依舊來自 Pexels，基于 CC0 協(xié)議