漏斗分析：所有增长问题，本质都是转化问题

guozi

银行理财App的季度复盘报告往往流于形式，仅仅呈现冰冷的数字而缺乏深度洞察。本文通过真实案例揭示了传统数据分析的致命缺陷——只展示结果，不定位问题。从1898年AIDA模型到现代AARRR框架，文章系统梳理了漏斗分析的百年演进史，并针对银行业务特点提出了4-6步黄金法则，教你如何设计真正能指导行动的数据分析模型。


一、一份没有价值的分析报告
先给你看一份”数据分析报告”。

某银行理财App的运营人员做了一份季度复盘，内容如下：

本季度理财购买转化率为2.8%，环比上季度下降0.3个百分点。

其中新用户转化率1.9%，老用户转化率3.5%。

建议：进一步优化用户体验，提升转化率。

看完什么感觉？

没感觉。

不是因为数字太小，而是因为这份报告没有任何价值。它告诉你”转化率低了”，但没告诉你”低在哪”；告诉你”新用户比老用户低”，但没告诉你”为什么低”；最后抛出一句”优化用户体验”，但没告诉你”优化哪一步”。

这种分析，本质上是用数据的形式，装了一脑子废话。

你看了三遍，也不知道该做什么。

这就是大多数银行数据分析的现状——数据很多，问题很少；报表很美，行动没有。

问题出在哪？

你看的根本不是“分析”，只是“结果”。

转化率2.8%，这是一个结果。它告诉你”终点长什么样”，但不告诉你”路上发生了什么”。你只知道有人掉队了，但不知道在哪个路口掉的。

真正有效的数据分析，一定是”可定位问题的”。

而漏斗分析，就是那个”定位问题的探照灯”。
二、什么是漏斗分析
一句话定义：把完整流程拆成多个步骤，逐步计算每一步的转化率，从而找到问题发生的位置。

最简单的例子：

访问首页 → 点击注册 → 填写信息 → 注册成功

100个人访问首页，30个人点了注册。30个人里，20个人填完了信息。20个人里，15个人最终注册成功。

这是漏斗。

不拆开看，你只知道”最终15个人注册成功”，是15%的转化率。

拆开看，你发现了问题：点击注册率只有30%，填写信息完成率只有67%，注册完成率反而有75%。

最大的流失在“点击注册”这一关。

问题一下子就清楚了。

这就是漏斗分析的本质：不是看“最终转化率”，而是看“每一步掉了多少人”。

最终转化率是终点，漏斗分析是过程。只看终点，你不知道路在哪；拆开过程，你才知道哪里是坑。

金句收尾：不拆流程，你永远不知道问题在哪。
三、漏斗分析的前世今生：一部126年的演化史
你可能觉得漏斗分析是个新概念。

错了。它的历史，比你想象的长得多。

起点：1898年，一个广告人的顿悟

1898年，美国广告人E. St. Elmo Lewis提出了一个在当时看来极其超前的模型。

Lewis发现，一个成功的广告，必须让读者完成一个心理过程：

Attention（注意）→ Interest（兴趣）→ Desire（欲望）→ Action（行动）

这就是AIDA模型，也是人类历史上第一个”漏斗”的雏形。

Lewis的核心洞察是：销售不是一瞬间的事，而是一个渐进的心理学过程。用户不会看到广告就立刻掏钱——他必须先注意你，然后产生兴趣，然后形成欲望，最后才能采取行动。

这个模型后来被写入了几乎所有营销学教科书，成为广告和销售人员的基本功。

演变：从四步到无数步

在接下来的126年里，AIDA模型经历了无数次迭代和扩展：

1904年，Frank Dukesmith在《Salesmanship》杂志上首次明确提出”注意-兴趣-欲望-说服-行动”的五步模型，添加了”说服”这个关键环节。

1921年，C.P. Russell在《Printers’ Ink》上首次用AIDA这个首字母缩写来称呼这个模型——巧合的是，这些字母正好拼成了歌剧《Aida》的名字。

1950-60年代，AIDA被正式纳入营销学学术体系，成为”层级效应模型”（Hierarchy of Effects）的代表。Philip Kotler等营销大师在此基础上发展出了TOFU/MOFU/BOFU（漏斗顶部/中部/底部）的三分法。

1990年代，互联网萌芽，营销漏斗被重新定义为：

Awareness（认知）→ Consideration（考虑）→ Preference（偏好）→ Purchase（购买）→ Loyalty（忠诚）

漏斗变得更长了，因为用户需要更多的”考虑”步骤。

爆发：2007年，海盗来了

2007年，硅谷投资人Dave McClure（500 Startups创始人）提出了AARRR模型，也叫”海盗指标”。

这个名字有两层含义：

第一层：AARRR的发音像海盗喊的”Arrr！”——这是McClure的有意调侃。

第二层：AARRR代表的是一种”掠夺式增长”的思维方式——像海盗一样精准、高效、目标驱动。

AARRR把用户生命周期划分为五个阶段：

Acquisition（获客）→ Activation（激活）→ Retention（留存）→ Revenue（收入）→ Referral（推荐）

McClure的核心观点是：不要再只看虚荣指标（访问量、下载量），要追踪真正有意义的指标——用户是否真的“激活”了？是否真的“留存”了？是否能带来“收入”？是否愿意“推荐”？

这个模型的革命性在于：它把”漏斗”从广告营销领域，扩展到了整个用户生命周期。

现代：数据驱动的精细漏斗

2010年代，Mixpanel、Amplitude、GrowingIO等行为分析工具兴起，漏斗分析从”大概估算”变成了”精确计算”。

现在的漏斗分析可以做到：

• 精确追踪每一步的转化率和绝对人数
• 按用户属性（新老、地域、设备）拆分漏斗
• 对比不同时间段的漏斗变化
• 识别异常节点，提出优化假设


从AIDA到AARRR，从手工估算到数据驱动，漏斗分析走过了126年。但它的核心逻辑从未改变——把用户旅程拆成步骤，计算每一步的转化，找到流失点。

这不是什么新发明，这只是老方法在数字时代的精细化。
四、标准漏斗模型：三个经典模板
在银行场景里，有三个最常用的漏斗：

4.1 注册漏斗（最基础）

访问 → 点击注册 → 填写信息 → 注册成功

这是所有业务的第一步。注册漏斗的核心问题是：用户为什么不愿意开始？

某农商银行的案例很有说服力。该行在做手机银行数字化营销项目时，首先梳理了理财购买、基金购买、信用卡分期、贷款申请四大路径的转化漏斗。在理财购买漏斗中，他们发现从”理财产品列表页”到”产品详情页”的流失率异常高——大量用户浏览了产品列表，但不愿意点进去看详情。

这个发现直接改变了他们的运营策略：不再群发营销短信，而是针对“浏览过但未点击详情”的客户做定向触达。结果，营销线索转化率从1%出头提升到了14.55%，高了13个百分点。

这就是漏斗分析的价值——让你知道钱应该花在哪个环节。

4.2 购买漏斗（最核心）

浏览商品 → 加入购物车 → 提交订单 → 支付成功

这是金融业务的核心战场。

某股份制银行的数据很有代表性。他们在优化”金葵花”APP的理财购买路径时，建立了一套完整的漏斗监控体系，各阶段转化率如下：

• 首页曝光 → 产品点击：12%
• 产品点击 → 风险评估：85%
• 风险评估 → 预约购买：45%
• 预约购买 → 最终签约：78%


你看到了吗？

最大的断崖在”首页曝光 → 产品点击”——点击率只有12%。100个人看到产品，只有12个点进去看。

但这恰恰是很多银行最容易忽视的环节。他们花大价钱做曝光、做广告、拉流量，却不知道用户在看到产品的那一秒就已经决定不点进去了。

问题不在”拉了多少人”，而在”产品长什么样”。

反过来看，某股份制银行把风险评估流程从5分钟压缩到30秒，转化率立刻提升了22%。这就是漏斗的力量——找到那个真正的卡点，然后精准优化。

4.3 留存漏斗（加分项）

注册 → 次日活跃 → 3日活跃 → 7日活跃

这是很多银行忽视的维度。

行业数据显示，银行业App的用户行为呈现典型漏斗型衰减：注册后首次使用核心功能比例65%，首次使用后7日留存率38%，7日内使用≥3次功能比例22%，30日内使用增值功能比例12%。

每一步都在流失。

而且流失幅度相当稳定——从65%到38%掉了27个百分点，从38%到22%掉了16个百分点，从22%到12%掉了10个百分点。

这不是某一款App的问题，是整个行业的通病。

关键洞察：银行App的用户流失，不是某一个节点的问题，而是整个体验链条的系统性失败。注册了不用，可能是引导不够；用了不再来，可能是价值不够；来了不买，可能是信任不够。每一步都需要拆开看。

总结

所有业务，本质上都可以抽象成一个”转化过程”。

你卖理财，是”看到→了解→信任→购买”的过程。你做运营，是”拉新→激活→留存→复购”的过程。你做服务，是”咨询→需求确认→方案提供→成交”的过程。

没有不能拆的流程，只有不愿拆的人。
五、如何设计一个”有用的”漏斗
这是本篇文章最核心的干货。

很多银行也做漏斗分析，但做出来的漏斗”没用”——要么太粗，什么都看不出来；要么太细，数据根本串不起来；要么节点定义模糊，做完分析还是不知道该改什么。

一个有用的漏斗，必须满足四个原则：

原则一：必须围绕”业务目标”

从目标倒推路径，不是从埋点里选路径。

很多银行的漏斗是从”我们有什么数据”出发的——我们埋了点A、点B、点C，把它们串起来就是一个漏斗。这是错的。正确的做法是：先问自己，这次分析要解决什么问题。是想提升注册率？还是提升购买率？还是提升复购率？目标不同，漏斗就不同。

提升注册率，漏斗应该是”访问→点击注册→填写信息→注册成功”。提升购买率，漏斗应该是”浏览产品→点击产品→加入自选→提交订单→支付成功”。

漏斗不是从埋点里选出来的，而是从目标倒推出来的。

原则二：节点必须”可行动”

每一个节点都必须是“可以优化的动作”。

什么叫”不可行动”的节点？比如”浏览页面”这个节点。用户浏览了，这是行为，不是动作。你无法直接优化”浏览”，只能优化”页面”。所以，正确的节点应该是”进入产品页”。因为”产品页”是你可以优化的——改标题、加图片、加信任背书、加促销信息。

反过来，”加入自选”就是一个可行动的节点。因为”加入自选”是一个明确的用户动作，你可以通过优化自选按钮的位置、文案、交互来提升这个步骤的转化率。

不能优化的节点，不要放进漏斗。

原则三：不要太细，也不要太粗

4~6步是最佳区间。

太粗的问题：只有”访问→购买成功”两步，转化率可能是5%，但你根本不知道用户在路上经历了什么。是看了产品没点，还是点了没填信息，还是填了没付款？不知道。

太细的问题：把”填写信息”拆成”输入姓名→输入身份证→输入手机号→获取验证码→输入验证码→上传证件→人脸识别→绑定银行卡→设置密码”——你确实能看到每一步的数据，但你串不起来，因为中间有些输入项有默认值或者跳跃式操作操作的，数据对不上。

4~6步刚刚好：既能看清主要环节，又能在数据层面串起来。

原则四：必须能串成”用户路径”

每一步必须是前一步的自然延续。

这是最容易犯的错误——把不相关的节点硬串在一起。

比如”浏览理财页面→领取新人红包→下载App”。这三个行为之间没有必然的因果关系，用户可能先领了红包再下载，也可能下载了再回来领。硬把它们串成漏斗，数据会严重失真。

正确的漏斗，每一步之间必须有清晰的因果逻辑：

访问理财页面（产生兴趣）→ 点击产品（主动了解）→ 加入自选（表达意向）→ 提交订单（明确决策）→ 支付成功（完成转化）

每一步都在前一步的基础上发生，每一步都在逼近最终的转化目标。漏斗是“用户旅程”的抽象，不是“埋点事件”的随意拼接。

核心要点

漏斗不是从埋点里选出来的，而是从目标倒推出来的。

不能优化的节点，不要放进漏斗。
六、跨行业对比：银行漏斗的独特挑战
在说”如何找到流失点”之前，我们需要先理解一个前提：银行做漏斗分析，比电商难10倍。这不是夸张。让我解释一下。

电商漏斗：一条笔直的高速公路

电商的购买路径非常清晰：

浏览商品 → 加入购物车 → 提交订单 → 支付成功

用户在一条相对笔直的路径上前进。转化周期短——可能10分钟就完成一次购买。决策成本低——几百块钱的东西，用户不需要太多犹豫。

电商漏斗的特点：

• 路径短：通常4-5步
• 周期短：分钟级完成
• 数据连续：用户在产品内完成所有操作，数据天然连贯


SaaS漏斗：一条蜿蜒的山路

SaaS产品的转化路径更长、更复杂：

访问官网 → 注册账号 → 完成新手引导 → 体验核心功能 → 选择付费方案 → 完成支付

用户可能在每个节点停留几天甚至几周。决策周期长——涉及团队评估、预算审批。SaaS公司面临的挑战是”激活”问题：用户注册了，但很多人从未真正使用产品。

SaaS漏斗的特点：

• 路径长：通常6-8步
• 周期长：可能需要数周
• 核心挑战：让用户完成”激活”（体验到产品价值）


银行漏斗：一片迷雾中的迷宫

银行的漏斗，是最复杂的。

路径长：一个完整的理财购买流程，可能是：

看到广告 → 打开App → 浏览产品 → 点击详情 → 完成风险测评 → 填写购买信息 → 绑定银行卡 → 设置交易密码 → 签署协议 → 支付 → 确认

十几步，跨越多个系统（App、H5页面、银行后台、支付通道）。

周期长：用户可能今天看了产品，下个月才买。中间隔着无数个”我再想想”。

信任门槛高：理财不是买衣服，买错了顶多闲置。理财买错了，可能本金受损。用户需要在每一个节点都建立信任。

合规要求多：风险提示、适当性管理、反洗钱核查……每个合规动作都可能打断用户的转化路径。

跨渠道断裂：用户可能在微信看到广告，在App浏览，在H5页面完成风险测评，最后在银行后台完成支付——三个系统，三套数据，你很难把它们串成一条完整的漏斗。

这就是银行做漏斗分析的特殊挑战：

你不是在一条路上找漏洞，你是在一片迷雾中拼凑一条本不存在完整路径。
七、如何找到流失点
理解了银行漏斗的特殊性，我们来看具体的分析方法。

四个步骤：

步骤一：算每一步转化率

每一步转化率 = 下一步人数 / 当前人数

以理财购买漏斗为例：

浏览产品：1000人

点击购买：650人 转化率 65%

填写信息：520人 转化率 80%

支付成功：208人 转化率 40%

一眼看出，支付成功这一步的转化率最低，只有40%。但这不代表这就是问题。

步骤二：找”断崖式下跌”

重点不是“最低”，而是“异常”。判断”异常”的标准是对比，不是绝对值。

四种对比维度：

行业基准对比：某股份制银行的漏斗数据中，首页曝光→产品点击的转化率只有12%，是所有步骤中最低的。但对比行业数据你会发现，头部银行App的产品点击率普遍在10%-15%之间。12%其实是正常的。

时间对比：本周的漏斗数据 vs 上周的漏斗数据。某一步的转化率突然下降了5个百分点，这就是异常。

分群对比：新用户 vs 老用户，高净值用户 vs 普通用户，线上用户 vs 线下转化过来的用户。某农商银行的案例中，他们发现AUM≥20万的客户和AUM＜20万的客户，在同一漏斗节点的行为差异巨大——于是对两类客户采用完全不同的营销策略，最终转化率提升了13个百分点。

渠道对比：从微信公众号来的用户 vs 从App首页来的用户 vs 从短信链接来的用户。不同渠道的用户质量不同，漏斗表现也不同。

步骤三：提出假设

数据不会告诉你答案，只会告诉你方向。

找到异常点之后，你不能直接下结论，必须提出假设。

比如，你发现”填写信息→支付成功”这一步的转化率只有40%，明显低于行业平均的60%。

你的假设可能是：

• 用户在填写信息的过程中被某个字段卡住了？
• 风险提示太复杂，用户看完不敢买了？
• 支付环节出了什么问题，比如银行卡限额、验证码收不到？
• 用户对平台信任度不够，在最后关头犹豫了？


每一个假设都需要进一步验证。怎么验证？看更细粒度的数据，或者直接问用户。

某农商银行的经验是，他们发现漏斗异常后，会导出异常节点的客户名单，然后安排客服做定向回访。回访的目的不是”挽回这个用户”，而是”了解用户当时在想什么”。

数据告诉你“哪里出了问题”，用户告诉你“为什么出了问题”。
八、案例：理财购买转化分析
场景设定

某股份制银行App，上线了一款年化收益4.2%的定期理财产品。产品页面访问量日均5000，但最终支付成功的人数只有150左右。

总体转化率3%，低于行业平均的5%。

运营团队很着急，做了一场活动，拉了一波新用户，转化率还是上不去。

建立漏斗

进入理财页：5000人

浏览产品：4000人 转化率 80%

点击购买：2600人 转化率 65%

填写信息：2080人 转化率 80%

支付成功：832人 转化率 40%

等等，你注意到没有？前面说的是150人，这里算出来是832人。因为832人是App内的自然转化，150人是通过那场活动带来的新用户转化。两组数据，两个故事。我们先看App内自然转化的漏斗。

问题定位

最大的流失点一目了然：填写信息 → 支付成功，转化率只有40%。60%的用户填完了所有信息，但在最后支付这一步跑了。这60%的人在想什么？

深挖分析

团队做了三个动作：

第一，查更细粒度的数据。

他们发现，在”支付成功”这一步，流失主要发生在两个节点：

• 点击“去支付”按钮后，页面跳转到支付页，但有30%的用户在这个页面停留超过60秒后返回了。
• 填写支付密码后，有15%的用户没有完成最终确认。


这说明什么？

第一，支付页可能有加载或体验问题，让用户等太久；第二，支付流程中可能存在用户犹豫的环节。

第二，做分群对比。

他们把用户分成两组：新用户（首次购买理财）vs 老用户（之前买过理财）。

结果很有意思：

• 老用户的“填写信息→支付成功”转化率是68%
• 新用户的转化率只有32%


差了整整一倍。这60%的新用户在填完信息后，到底在想什么？

第三，用户访谈。

运营团队挑了20个在这一步流失的新用户做了电话回访。

反馈集中在三点：

• “风险测评的提示文字太吓人了，看完觉得这个产品不安全。”
• “不知道这个银行靠不靠谱，怕钱打过去取不回来。”
• “验证码收不到，试了三次就没耐心了。”


三个问题：信任、信任、还是信任。

行动方案

针对这三个问题，团队制定了优化方案：

优化一：简化风险提示文案。

原来：”本产品为非保本浮动收益理财，可能存在本金损失风险，请仔细阅读以下风险揭示……”（300字）

改成：”中低风险，历史年化收益4.2%，100元起投。”

风险揭示仍然有，但不是在用户最犹豫的环节做”恐吓式”提醒，而是用正面表述说明产品特点。

优化二：增加信任背书。在支付页面增加三项信任元素：

• 银行-logo + “存款保险保障”
• 客服热线（让用户觉得有问题可以找到人）
• “已服务XX万用户”的社会证明


优化三：优化验证码流程。

原来是短信验证码，改成短信+微信双通道。同时把超时时间从60秒延长到120秒。

结果

优化上线后，四周数据如下：

填写信息：2080人（不变）

支付成功：1144人 转化率 55%（之前40%）

转化率从40%提升到55%，提升了15个百分点。按日均5000访问量计算，每天多成交约100单，月累计多成交约3000单。

核心要点

漏斗分析的价值，不在于发现”哪里低”，而在于知道”该改哪里”。
九、为什么银行做漏斗分析比电商难10倍
看漏斗分析的历史，我们发现一个规律：每一次漏斗模型的迭代，都伴随着用户决策复杂度的提升。

AIDA时代，用户决策很简单——看到广告，想买，就买了。

AARRR时代，用户决策变复杂了——注册了，不用；用了，留不住；留住了，不付钱；付了钱，不推荐。横向看不同行业的漏斗，我们发现另一个规律：用户决策链条越长，漏斗越难做；信任门槛越高，漏斗越难做。

电商的购买决策，可能就几分钟。SaaS的购买决策，可能几周。银行理财的购买决策——你知道用户从”看到广告”到”最终购买”，平均要多久吗？行业数据显示，银行理财的完整转化周期（中位数）是17天。17天里，用户可能看了10次产品详情页，中间去对比了3个竞品，接到过2次银行客服的电话，最后在第18天才想起来完成支付——然后发现页面过期了。

这就是银行的困境：你辛辛苦苦把用户引到了漏斗顶部，然后看着他消失在迷雾里17天，最后才发现他根本没有完成转化。

为什么会这样？

因为银行漏斗天然是“断裂”的。

用户的行为路径跨越App、微信、H5页面、银行后台、支付通道……每个系统都是一座孤岛，数据无法互通。你以为用户在”填写信息”这一步流失了，但实际上他可能已经在另一个渠道完成了支付，只是你不知道。

服务商在为某农商行做数字化转型时，最核心的工作就是打通数据孤岛——通过ID-Mapping体系，把用户在App、H5、微信等不同渠道的行为串联起来，形成完整的用户旅程视图。

这不是一个技术问题，这是一个认知问题。

大多数银行的思维还是”漏斗式”的——我把用户从A点送到B点，就算完成了一个转化任务。

但用户的思维是”网状”的——他可能在任何节点进入，在任何节点退出，在任何节点被其他事情打断，然后永远不回来。

所以，银行真正需要的，不是一个更精细的漏斗，而是一张能捕捉“用户乱走”的地图。
十、结尾：增长只有一件事
很多人以为增长靠创意、靠投放、靠活动。你看那些营销总监，动不动就要”策划一场刷屏活动”，动不动就要”争取更多预算投放”。但本质上，这些都是在”往漏斗顶部灌水”。如果漏斗底部有漏洞，你灌进去的水越多，流失的也越多。

真正的增长只有一件事：让更多用户，从上一步走到下一步。

• 用户看到了产品，能不能点进去？
• 点进去了，能不能看完产品介绍？
• 看完了，能不能产生购买意向？
• 有意向了，能不能完成注册？
• 注册了，能不能完成首购？
• 首购了，能不能持续复购？


每一步都是一个转化节点，每一步都是一个可以优化的点。漏斗分析，就是那个把“问题暴露出来”的工具。它不帮你想创意，但它帮你知道该在哪里发力。

本文由 @老徐的干货铺 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议

--------------------------------------------------
本文转载自：https://www.woshipm.com/operate/6391796.html