01｜增长漏斗：从曝光到复购的指标链路

增长漏斗不是一张转化率图，而是一条业务动作链。很多团队把漏斗做成了"好看的瀑布图"，每层只标一个转化率，结果是：数字下降了大家都能看到，但没人知道该改什么。一个能驱动决策的漏斗，必须同时回答"哪一层在漏""漏掉的是什么人""补这个漏要花多少钱"。

标准漏斗与三类口径

曝光 -> 点击 -> 注册 -> 激活 -> 首购 -> 复购 -> 留存

每一层都要同时看三个口径，缺一个就会误判：

口径	含义	典型误用
人数	该层级的去重用户数	只看转化率，忽略大盘人数下滑
转化率	本层 / 上一层	分母选错（用曝光当注册分母）
单位成本	该层投入 / 该层人数	只算媒体费，不算补贴和人力

一个真实参考基准：某在线教育 App 的自然+投放混合漏斗，曝光到点击约 4.2%，点击到注册约 28%，注册到激活（完成首课）约 61%，激活到首购约 12%，首购到 30 天复购约 23%。这些数字本身不重要，重要的是建立自己的 benchmark，之后每次波动都和 benchmark 比，而不是和"感觉"比。

分析维度

同一条漏斗，换个维度切，结论可能完全相反：

• 渠道：自然、投放、裂变、搜索。投放渠道注册率高但首购率常常更低。
• 人群：新用户、老用户、沉默召回。召回用户激活率低但首购周期短。
• 内容：商品、课程、权益、价格。
• 时间：工作日、周末、活动期。活动期首购率虚高，复购率才是真实水位。

实战 Demo：用 SQL + Python 算出漏斗

第一步，用 SQL 把每层去重人数按渠道拉出来：

SELECT
  channel,
  count(DISTINCT CASE WHEN step = 'expose'   THEN user_id END) AS expose_u,
  count(DISTINCT CASE WHEN step = 'click'    THEN user_id END) AS click_u,
  count(DISTINCT CASE WHEN step = 'register' THEN user_id END) AS reg_u,
  count(DISTINCT CASE WHEN step = 'activate' THEN user_id END) AS act_u,
  count(DISTINCT CASE WHEN step = 'firstpay' THEN user_id END) AS pay_u
FROM dws_user_funnel_event
WHERE dt BETWEEN '2026-04-01' AND '2026-04-30'
GROUP BY channel;

第二步，用 Python 算逐层转化率并定位最弱环节：

import pandas as pd

df = pd.read_csv("funnel_by_channel.csv")
steps = ["expose_u", "click_u", "reg_u", "act_u", "pay_u"]

for i in range(1, len(steps)):
    df[f"cr_{steps[i]}"] = (df[steps[i]] / df[steps[i-1]]).round(4)

# 找出每个渠道转化率最低的环节
cr_cols = [c for c in df.columns if c.startswith("cr_")]
df["weak_step"] = df[cr_cols].idxmin(axis=1)
print(df[["channel", "weak_step"] + cr_cols])

运行命令与预期输出：

$ python funnel.py
   channel      weak_step  cr_click_u  cr_reg_u  cr_act_u  cr_pay_u
0  organic   cr_pay_u          0.051     0.310     0.640     0.130
1  paid_ad   cr_pay_u          0.038     0.260     0.580     0.090
2  referral  cr_act_u          0.062     0.350     0.470     0.180

输出立刻告诉你：投放渠道（paid_ad）和自然渠道都卡在首购，而裂变渠道（referral）卡在激活——三个渠道要派给三个不同的负责人。

进阶：把结论落到动作

增长分析的结论一定要落到可执行动作，而不是停在"某率低"：

发现	动作	预期影响范围
点击率低于 benchmark 30%	优化素材和入口文案，做素材 A/B	影响整条漏斗入口量
注册率低	减少表单字段，支持三方一键登录	注册率一般可提升 3-8pct
首购率低	优化权益表达和价格锚点	直接影响 GMV
复购率低	做人群分层和分层触达	影响 LTV 与回本周期

边界与小结

漏斗分析有两个常见陷阱：一是只看转化率不看绝对人数，大盘塌了还在庆祝转化率涨；二是忽略时间窗口，把"首购"定义成"注册当天购买"会系统性低估那些决策周期长的品类。建议把漏斗和 LTV、回本周期一起看：一个首购率低但复购率和客单价高的渠道，可能比首购率高的渠道更值得投。漏斗的终点不是"算出转化率"，而是"知道下一块钱该投在哪一层"。