用户进入商品页后，为什么没有完成购买？漏斗分析把连续业务路径拆成若干步骤，计算每一步有多少对象继续前进，从而找到需要进一步调查的环节。
它适合注册、购买、预约、续费和功能激活。使用前需要确认路径是否足够明确；自由浏览、反复探索等行为，不一定适合强行套成单一线性漏斗。
一、先定义对象、步骤、顺序和窗口
漏斗的分析对象可以是用户、订单或会话。本文按用户人数统计，同一用户在同一漏斗只计一次。事件次数漏斗可以回答操作频次，但不能直接与人数漏斗混用。
本文路径为“访问商品页→发起下单→进入支付→支付成功”，要求按顺序发生，中间允许出现其他事件。用户从首次合格访问开始，在24小时内完成后续步骤才算本次转化。
观察期末进入漏斗的人，还需要等满24小时再判定完成情况。否则最后一天用户尚未付款，就会被过早记为流失。统计开始和结束时间、时区、跨设备识别和重复进入规则，都应写进指标定义。
二、案例：一万个访问用户去了哪里
以下为教学假设数据，所有纳入用户的24小时窗口均已观察完整。10,000人访问商品页，3,000人按序发起下单，1,800人继续进入支付，1,440人最终支付成功。
步骤转化率的分母是上一步人数：访问到下单为3,000÷10,000＝30%；下单到支付为1,800÷3,000＝60%；支付到成功为1,440÷1,800＝80%。
总体转化率的分母是第一步人数，所以为1,440÷10,000＝14.4%。在同一嵌套人数漏斗中，三段步骤转化率相乘：30%×60%×80%＝14.4%。如果不能还原，应检查步骤集合、去重、顺序或统计口径。
三、同时看转化率、流失人数和业务价值
访问到下单流失7,000人，下单到支付流失1,200人，支付到成功流失360人。第一步流失人数最多，但这不意味着它必然最值得先改。
有些用户只是浏览，短期内没有购买意图；相反，进入支付的用户通常已经表达较强意向，若存在明显技术故障，修复可能更快见效。优先级应综合可修复性、受影响价值、实施成本与后续转化，而不是只按人数或最低转化率排序。
尤其要区分正常退出与异常失败。库存不足、支付错误、等待过长和操作误触，是不同类型的问题，需要不同证据。
四、从漏斗异常走向原因验证
先按设备、渠道、新老用户、浏览器或支付方式分群，确认异常是否集中出现。随后结合事件时间、接口错误、页面性能、客服反馈和用户访谈，形成可以被验证的解释。
例如移动端某支付方式成功率下降，可以检查是否上线了新版本、错误码是否集中、支付服务是否超时。漏斗本身只能定位损失所在，不能单独证明按钮颜色或页面布局造成了流失。
还应检查埋点。若“进入支付”事件漏报，可能出现成功人数反而高于上一步的情况；若支付回调延迟，短期漏斗也可能失真。先确认数据链路，再讨论体验优化。
五、估算空间：支付成功率从80%升到90%
假设只有最后一步变化，进入支付人数仍为1,800人，成功率由80%提高到90%。成功人数将从1,440人增加到1,620人，多180人；总体转化率由14.4%提高到16.2%，增加1.8个百分点，相对提升12.5%。
这是其他条件保持不变的情景测算，不是对未来效果的承诺。改动可能影响支付进入人数、客单价、退款率或用户构成，真实效果需要观察或实验验证。
若再假设新增每位付费用户贡献100元毛利，可以估算增量毛利为18,000元，但这个毛利假设需要由业务单独提供；不能直接拿收入当利润。本文图中只展示人数与转化率，避免把假设收益当成确定结果。
六、实际落地的检查顺序
先写清事件字典和完成窗口，再抽查几条真实用户路径，核对是否按预期进入各步。然后生成总体漏斗与关键分群，排查数据错误和突变时间，再将线索分配给产品、技术、运营或渠道负责人。
改动上线前确定主要指标与护栏指标。主要指标可以是24小时支付成功率；护栏可以包括退款、重复扣款、投诉和毛利。适合实验的页面变动可做A/B测试，明确故障则应及时修复并核验恢复情况。
七、什么时候需要换一种分析结构
如果用户经常跳过步骤、跨多个会话购买或从多个入口直达支付，应考虑多个入口漏斗或路径分析。若长期转化周期差异很大，可以按用户进入时间做同期群比较。
漏斗是一种简化模型。模型越贴近真实业务，流失数字就越容易转化为具体问题；路径定义不合理时，再精致的图也只是在精确展示一个不合适的统计规则。
本文为数据分析方法详解系列第4篇。方法选择与整体流程可阅读：数据分析方法论总览。
