Title: 漏斗分析
Locale: zh
URL: https://sensorswave.com/docs/analytics/funnel-analysis/
Description: 分析转化漏斗，优化关键转化路径
漏斗分析是用于衡量用户在关键业务流程中转化效率的核心分析模型。通过漏斗分析,您可以追踪用户在一系列有序步骤中的行为表现,识别每个环节的转化率和流失率,精准定位转化瓶颈和流失卡点。无论是注册流程、购买流程还是功能使用路径,漏斗分析都能帮助您量化每一步的效率,为产品优化和运营策略提供数据支撑。

漏斗分析支持灵活定义转化步骤、设置转化窗口期、对比不同用户群体,并提供用户列表下钻能力,让您不仅能看到数字,还能了解数字背后的具体用户和行为模式。

## 典型使用场景

漏斗分析可以帮助您回答以下问题:

**注册转化分析**:
- 从访问首页到完成注册,每一步的转化率是多少?
- 用户在注册流程的哪个环节流失最严重?
- 优化注册表单后,转化率提升了多少?

**购买转化分析**:
- 从浏览商品到完成支付,整体购买转化率是多少?
- 加入购物车到提交订单之间,有多少用户流失?
- 不同支付方式的成功率有什么差异?

**功能使用路径分析**:
- 新用户完成核心功能操作的比例是多少?
- 从首次使用到成为活跃用户,经历了哪些关键步骤?
- 哪个步骤的流失率最高,需要优先优化?

**用户群体对比**:
- iOS 用户和 Android 用户的购买转化率有什么差异?
- 付费渠道和自然流量用户的注册转化率分别是多少?
- 新版本和旧版本的功能使用转化率对比如何?

**时间趋势监控**:
- 过去 30 天的购买转化率趋势如何?
- 大促活动期间的转化率相比平时有何变化?
- 产品优化后,转化率是否有显著提升?

## 前提条件

在使用漏斗分析之前,请确保您已经:

- 完成了 [SDK 集成](../data-integration/client-sdks/javascript.mdx) 并开始接收数据
- 理解了 [数据模型](../data-integration/data-model.mdx) 和 [事件与属性](../data-integration/events-and-properties.mdx) 的基本概念
- 在数据中心中创建了需要分析的 [事件类型](../08-数据管理/01-事件类型.md)
- 已经埋点了业务流程中的关键步骤事件
- 具备项目的查看或分析权限,详见 [角色和用户权限](../10-组织与项目/03-角色和用户权限.md)

## 快速开始

### 创建漏斗分析

1. 点击左侧导航栏的 **数据洞察**
2. 点击右上角的 **新建分析** 按钮
3. 选择 **漏斗分析** 模型
4. 配置漏斗步骤:
   - 添加第一步事件(漏斗起点)
   - 依次添加后续步骤事件
   - 设置转化窗口期
5. 点击 **查询** 按钮,查看漏斗分析结果

### 保存和分享

完成分析配置后,您可以:

1. 点击右上角的 **保存** 按钮,为分析命名并保存
2. 点击 **添加到报表** 按钮,将分析添加到已有报表中
3. 点击 **分享** 按钮,生成分享链接或导出图片

## 核心功能详解

漏斗分析的配置主要分为四个部分:指标配置、细分筛选、分组查看和可视化设置。这些功能相互配合,帮助您进行全面的转化分析。

### 1. 指标配置

指标配置决定了"分析什么转化路径",是漏斗分析的核心。与事件分析和留存分析不同,漏斗分析需要配置一系列有序的转化步骤。

#### 漏斗步骤

漏斗步骤定义了用户需要依次完成的一系列行为,每个步骤对应一个事件。

**添加步骤**:
- 点击「添加步骤」按钮,选择事件
- 第一个步骤是漏斗的起点,代表进入转化流程的用户
- 后续步骤按照业务流程的自然顺序依次添加
- 最后一个步骤是漏斗的终点,代表完成转化的用户
- 支持最多添加 10 个步骤

**步骤命名**:
- 系统会自动使用事件名称作为步骤名称
- 您可以自定义步骤名称,使其更符合业务语义
- 清晰的步骤命名有助于快速理解漏斗含义

**步骤事件属性筛选**:
- 为每个步骤添加事件属性筛选条件,精准定义该步骤的范围
- 例如:在"提交订单"步骤中,筛选 "订单金额" 大于 100 的订单
- 例如:在"页面浏览"步骤中,筛选 "页面类型" 等于 "商品详情页"

**使用场景示例**:

场景 1:电商购买漏斗
- 步骤 1:浏览商品
- 步骤 2:加入购物车
- 步骤 3:提交订单
- 步骤 4:完成支付
- 目的:分析用户从浏览到购买的完整转化路径

场景 2:用户注册漏斗
- 步骤 1:访问注册页
- 步骤 2:填写手机号
- 步骤 3:验证手机号
- 步骤 4:设置密码
- 步骤 5:完成注册
- 目的:识别注册流程中的流失环节

场景 3:功能激活漏斗
- 步骤 1:应用启动
- 步骤 2:进入功能引导
- 步骤 3:完成第一个核心操作
- 步骤 4:完成第二个核心操作
- 目的:衡量新用户的功能激活率

#### 转化窗口期

转化窗口期定义了用户完成整个漏斗流程的时间限制,即"用户需要在多长时间内完成所有步骤才算转化成功"。

**窗口期设置**:
- 支持按分钟、小时、天设置窗口期
- 常见设置:30 分钟、1 小时、1 天、7 天、30 天
- 窗口期从用户触发第一步事件时开始计时

**窗口期选择原则**:

| 业务场景 | 推荐窗口期 | 原因 |
|---------|----------|------|
| **即时转化流程** | 30 分钟 - 1 小时 | 用户在单次会话内完成,如购物车结算流程 |
| **短期转化流程** | 1 天 - 3 天 | 用户可能需要思考或对比,如 B2C 购买决策 |
| **中期转化流程** | 7 天 - 14 天 | 用户需要较长决策周期,如企业服务试用 |
| **长期转化流程** | 30 天及以上 | 高价值、低频的转化行为,如 B2B 采购流程 |

**窗口期对转化率的影响**:
- 窗口期越短,转化率通常越低(要求用户更快完成)
- 窗口期越长,转化率通常越高(给用户更多时间)
- 选择窗口期应该匹配业务场景的实际决策周期

**示例**:

电商购物车结算:
- 窗口期:30 分钟
- 原因:用户通常在单次购物会话内完成,超过 30 分钟可能已经离开或放弃

SaaS 产品试用转化:
- 窗口期:14 天
- 原因:企业用户需要充分试用和内部决策,14 天是常见的试用期

移动应用新手引导:
- 窗口期:1 天
- 原因:新手引导应该在首次使用时完成,超过 1 天则失去引导意义

> **提示**:您可以通过对比不同窗口期的转化率,了解用户的决策速度分布。例如,对比 1 天、3 天、7 天窗口期的转化率,可以发现多少用户在当天完成转化,多少用户需要更长时间。

#### 步骤顺序

步骤顺序定义了用户完成漏斗步骤的顺序要求。

**顺序模式**:

漏斗分析支持两种步骤顺序模式:

**1. 顺序完成(默认)**:
- 用户必须按照定义的步骤顺序依次完成
- 步骤之间可以有其他事件发生
- 只要在窗口期内按顺序触发了所有步骤事件,就算转化成功

示例:
- 步骤定义:A → B → C
- 用户行为:A → X → B → Y → C (转化成功)
- 用户行为:A → C → B (未转化,顺序错误)

**2. 严格顺序**:
- 用户必须按照定义的步骤顺序依次完成
- 步骤之间不能有其他事件发生
- 要求用户连续触发各步骤事件

示例:
- 步骤定义:A → B → C
- 用户行为:A → B → C (转化成功)
- 用户行为:A → X → B → C (未转化,中间有其他事件)

**选择建议**:

(推荐) **使用顺序完成的场景**:
- 大多数业务流程分析,如注册、购买等
- 允许用户在流程中有其他探索行为
- 关注最终是否完成转化,而非过程的严格性

(推荐) **使用严格顺序的场景**:
- 强制性的操作流程,如安全验证、合规流程
- 新手引导等需要严格按步骤完成的场景
- 想要识别是否有用户跳过或偏离关键步骤

#### 转化度量

漏斗分析支持多种度量维度,帮助您从不同角度理解转化表现。

**总转化率**:
- 完成整个漏斗的用户数 ÷ 进入漏斗的用户数
- 反映整体转化效率
- 示例:进入 1000 人,完成 200 人,总转化率 = 20%

**步骤转化率**:
- 完成当前步骤的用户数 ÷ 完成上一步骤的用户数
- 反映每个环节的转化效率
- 帮助识别流失最严重的环节

**流失率**:
- 未完成当前步骤的用户数 ÷ 完成上一步骤的用户数
- 流失率 = 1 - 步骤转化率
- 直观展示每个环节的用户流失情况

**转化时长**:
- 用户从进入漏斗到完成转化所用的时间
- 支持查看平均转化时长、中位数、分布情况
- 帮助识别转化速度的快慢

### 2. 细分筛选 (Segmentation)

细分筛选相当于 SQL 中的 `WHERE` 子句,用于从海量数据中过滤出您关心的用户群体。关于细分筛选的详细说明,请参考 [分析模型通用能力](common-analysis-features.mdx#2-细分筛选-segmentation)。

#### 筛选条件类型

在漏斗分析中,细分筛选作用于整个漏斗,影响哪些用户被纳入漏斗计算。

**用户属性筛选**:
- 基于用户的固有特征进行筛选
- 示例:筛选 "注册渠道" 等于 "抖音广告" 的用户
- 示例:筛选 "会员等级" 属于 "黄金会员"、"铂金会员" 的用户

**用户分群筛选**:
- 使用已创建的用户分群作为筛选条件
- 示例:筛选 "属于『新用户分群』" 的用户
- 示例:排除 "属于『内部测试账号』" 的用户

**使用场景示例**:

分析移动端用户的购买转化:
- 添加用户属性筛选:"平台" 等于 "iOS" 或 "Android"

分析付费渠道的注册转化:
- 添加用户属性筛选:"注册来源" 属于 "百度广告"、"抖音广告"

排除内部测试用户:
- 添加用户属性筛选:"邮箱" 不包含 "@sensorswave.com"

#### 对比分析(多个细分)

与事件分析和留存分析类似,漏斗分析也支持配置多个独立的细分筛选,用于对比不同用户群体的转化差异。

**使用步骤**:

1. **创建第一个细分**:
   - 点击「添加细分」按钮
   - 设置筛选条件,例如 "平台 = iOS"
   - 为这个细分命名,例如 "iOS 用户"

2. **创建第二个细分**:
   - 再次点击「添加细分」按钮
   - 设置不同的筛选条件,例如 "平台 = Android"
   - 为这个细分命名,例如 "Android 用户"

3. **查看对比结果**:
   - 漏斗图中会并列展示各个细分的漏斗
   - 转化数据表中会为每个细分单独显示数据
   - 您可以直观对比不同人群的转化表现差异

**使用场景示例**:

场景 1:对比不同平台的购买转化
- 细分 1:"平台 = iOS" 命名为 "iOS 用户"
- 细分 2:"平台 = Android" 命名为 "Android 用户"
- 观察两个平台用户的转化率差异和流失环节

场景 2:对比付费和免费用户
- 细分 1:"会员等级 属于 黄金会员、铂金会员" 命名为 "付费用户"
- 细分 2:"会员等级 = 免费会员" 命名为 "免费用户"
- 分析付费状态对转化的影响

场景 3:对比不同渠道的注册转化
- 细分 1:"注册来源 = 抖音广告" 命名为 "抖音渠道"
- 细分 2:"注册来源 = 百度搜索" 命名为 "百度渠道"
- 细分 3:"注册来源 = 自然流量" 命名为 "自然流量"
- 评估不同获客渠道的转化质量

### 3. 分组查看 (Grouping)

分组查看相当于 SQL 中的 `GROUP BY` 子句,将漏斗转化数据按照指定维度进行拆分。关于分组查看的详细说明,请参考 [分析模型通用能力](common-analysis-features.mdx#3-分组查看-grouping)。

#### 支持的分组类型

**按用户属性分组**:
- 按用户的固有特征进行分组
- 示例:"按 '省份' 分组,查看不同地区用户的转化率差异"
- 示例:"按 '注册渠道' 分组,对比各渠道的转化效率"

**按第一步事件属性分组**:
- 按漏斗第一步事件发生时的上下文信息进行分组
- 示例:"按 '设备型号' 分组,查看不同设备用户的转化表现"
- 示例:"按 'App 版本' 分组,对比不同版本的转化率"

> **提示**:漏斗分析支持单个分组维度,系统会为每个分组值生成独立的漏斗数据,便于直观对比各组的转化效率。

#### 分组结果排序

**按进入用户数排序**:
- 按照进入漏斗第一步的用户数从高到低或从低到高排列
- 适用于快速识别用户量最大的分组

**按转化率排序**:
- 按照总转化率排序
- 适用于快速识别转化表现最好或最差的分组

**Top N 展示**:
- 默认展示 Top 10 的分组结果
- 可以调整展示数量,例如只看 Top 5 或展示所有分组

### 4. 可视化设置

漏斗分析提供了专门的可视化方式来展示转化数据。

#### 漏斗图

漏斗图是漏斗分析最常用的可视化方式,以漏斗形状直观展示每个步骤的用户数和转化率。

**图表元素**:
- **漏斗层级**:每一层代表一个步骤,从上到下依次展示
- **层级宽度**:反映该步骤的用户数,越宽表示用户越多
- **转化率标注**:在层级之间标注步骤转化率
- **流失率标注**:展示每个步骤的流失用户数和流失率

**适用场景**:
- 直观展示整体转化路径
- 快速识别流失最严重的环节
- 对比不同漏斗的转化表现

**颜色编码**:
- 系统会为不同的细分或分组使用不同颜色
- 帮助快速区分和对比不同群体

#### 转化趋势图

转化趋势图以折线图形式展示转化率随时间的变化趋势。

**图表元素**:
- **横轴**:时间(按天、周、月)
- **纵轴**:转化率(百分比)
- **折线**:总转化率或各步骤转化率的趋势

**适用场景**:
- 监控转化率的长期变化
- 发现转化率的波动和异常
- 评估产品优化或运营活动的效果

#### 转化数据表

转化数据表以表格形式展示详细的转化数据。

**表格结构**:
- **行**:漏斗步骤或分组维度
- **列**:进入人数、完成人数、转化率、流失率、平均转化时长等
- **单元格**:精确的数值数据

**适用场景**:
- 查看精确的转化数值
- 下钻到具体用户列表
- 导出数据进行二次分析

#### 时间设置

**分析时间范围**:
- 选择分析的起始日期和结束日期
- 决定哪些用户被纳入漏斗分析
- 支持快捷选项:今天、昨天、过去 7 天、过去 30 天等
- 支持自定义日期范围

**时间粒度**:
- 决定转化趋势图的时间聚合精度
- 支持的粒度:小时、天、周、月
- 系统会根据选择的时间范围自动推荐合适的粒度

**时间对比**:
- 与历史同期数据进行对比,快速发现转化率变化
- 支持环比对比:与上一周期对比,例如本周 vs 上周
- 支持同比对比:与去年同期对比,例如本月 vs 去年同月

## 数据明细区

数据明细区位于可视化图表下方,提供漏斗分析的详细数据展示。关于数据明细区的详细说明,请参考 [分析模型通用能力](common-analysis-features.mdx#-数据明细区)。

### 用户列表下钻

在漏斗图或数据表格中,您可以点击任意步骤,查看该步骤的具体用户列表。

**查看转化用户**:
1. 点击某个步骤的"完成人数"
2. 系统会弹出完成该步骤的用户列表
3. 用户列表展示:用户 ID、完成时间、转化时长等信息
4. 您可以:
   - 点击用户 ID,跳转到 [用户细查](../05-受众计算/01-用户细查.md) 查看该用户的完整行为轨迹
   - 选择多个用户,保存为 [用户分群](../05-受众计算/02-用户分群.md)
   - 导出用户列表为 CSV 文件

**查看流失用户**:
1. 点击某个步骤的"流失人数"
2. 系统会弹出在该步骤流失的用户列表
3. 分析流失用户的特征和行为模式
4. 将流失用户保存为分群,进行针对性召回或优化

**使用场景**:
- 分析高转化用户的共同特征,总结成功路径
- 分析流失用户的行为模式,发现流失原因
- 将特定步骤的流失用户保存为分群,进行精准运营
- 查看异常转化用户,排查数据质量问题

### 用户路径分析

在查看用户列表时,您可以进一步分析用户的完整行为路径。

**查看用户路径**:
1. 在用户列表中,点击「查看路径」按钮
2. 系统会展示用户在漏斗步骤前后的完整行为序列
3. 帮助您理解用户是如何进入漏斗、如何完成或流失的

**路径洞察**:
- 发现用户在漏斗步骤之间的其他行为
- 识别影响转化的关键行为
- 了解流失用户在流失前后做了什么

### 数据导出

点击数据表格右上角的"导出"按钮,可以将漏斗分析结果导出为:
- **CSV 格式**:包含完整的转化数据,适合进行二次分析
- **Excel 格式**:适合制作汇报材料
- **图片格式**:直接保存漏斗图为 PNG 图片

## 使用技巧与最佳实践

### 设计有效的漏斗步骤

漏斗步骤的设计直接影响分析的价值。

**推荐做法**:

(推荐) **步骤要有业务意义**:
- 每个步骤应该对应业务流程中的关键节点
- 避免添加过多细碎的中间步骤
- 聚焦核心转化路径

(推荐) **步骤数量适中**:
- 建议 3-7 个步骤
- 过少:无法识别具体流失环节
- 过多:分析过于复杂,转化率过低

(推荐) **步骤顺序符合逻辑**:
- 确保步骤之间有自然的因果关系
- 步骤顺序应该符合用户的实际行为路径
- 避免不可能完成的步骤组合

(推荐) **考虑必经步骤和可选步骤**:
- 明确哪些步骤是必须完成的
- 如果有可选路径,考虑创建多个漏斗对比

**避免的做法**:

(不推荐) 添加过多步骤,导致总转化率极低(如 1% 以下)
(不推荐) 步骤之间跨度过大,缺少中间环节的洞察
(不推荐) 步骤定义不清晰,导致数据解读困难
(不推荐) 将不同业务流程的步骤混在一个漏斗中

### 选择合适的转化窗口期

转化窗口期的选择应该匹配业务场景。

**确定窗口期的方法**:

1. **基于业务经验**:
   - 参考行业标准和业务常识
   - 咨询业务团队了解典型决策周期

2. **数据驱动**:
   - 先使用较长窗口期(如 30 天)
   - 查看转化时长分布
   - 根据大部分用户的转化时长调整窗口期

3. **A/B 对比**:
   - 创建多个相同漏斗,使用不同窗口期
   - 对比转化率差异
   - 选择既能覆盖大部分转化又不过于宽松的窗口期

**常见错误**:
- (不推荐) 窗口期过短:漏掉大量需要较长决策时间的转化
- (不推荐) 窗口期过长:包含了太多已经放弃的用户,转化率虚高
- (不推荐) 所有漏斗使用相同窗口期:忽略了不同业务场景的差异

### 有效识别流失卡点

漏斗分析的核心价值在于识别流失最严重的环节。

**识别方法**:

**1. 查看步骤转化率**:
- 找出转化率最低的步骤
- 这通常是流失最严重的环节

**2. 对比流失率**:
- 查看每个步骤的流失率(= 1 - 转化率)
- 流失率突然上升的步骤需要重点关注

**3. 分析流失用户**:
- 下钻到流失用户列表
- 分析他们的共同特征
- 查看他们的行为路径,理解流失原因

**4. 分组对比**:
- 按不同维度分组查看转化率
- 识别哪些用户群体在哪个环节流失更严重
- 针对性地优化

**优化建议**:

基于流失卡点采取行动:
- **流程优化**:简化复杂步骤,减少用户操作成本
- **体验优化**:改进页面设计,提升加载速度
- **引导优化**:添加或优化用户引导,降低理解成本
- **激励优化**:在流失环节添加优惠或激励
- **技术优化**:修复可能导致流失的技术问题

### 合理使用分组和对比

分组和细分对比是发现转化差异的有效方法。

**推荐做法**:

(推荐) **对比维度要有明确假设**:
- 假设不同平台、渠道、版本的转化率有差异
- 验证假设,发现优化方向

(推荐) **确保样本量足够**:
- 各组至少有 100 个以上样本
- 避免小样本导致的偶然性结论

(推荐) **优先对比 2-5 个关键群体**:
- 过多分组导致分析混乱
- 聚焦最重要的对比维度

(推荐) **结合漏斗图和数据表**:
- 漏斗图看整体趋势
- 数据表看精确数值
- 用户列表看具体行为

**避免的做法**:

(不推荐) 对比样本量差异过大的群体(如 10000 人 vs 10 人)
(不推荐) 同时对比过多维度,失去重点
(不推荐) 只看总转化率,忽略各步骤的转化率差异
(不推荐) 发现差异后不深入分析原因

### 监控转化趋势变化

定期监控转化率趋势,及时发现问题和机会。

**监控方法**:

**1. 创建核心漏斗监控报表**:
- 将关键业务流程的漏斗添加到报表
- 定期查看转化率变化
- 设置转化率异常告警(如果支持)

**2. 使用时间对比**:
- 对比本周 vs 上周、本月 vs 上月
- 快速发现转化率的显著变化

**3. 分析波动原因**:
- 转化率上升:总结成功经验,推广到其他场景
- 转化率下降:快速排查原因,及时采取措施

**常见波动原因**:
- 产品功能变更或优化
- 营销活动或推广策略调整
- 季节性因素或外部事件
- 用户结构变化(如新用户占比增加)
- 技术问题或数据质量问题

### 漏斗分析与其他分析的结合

漏斗分析不是孤立的,应该与其他分析方法结合使用。

**漏斗分析 + 事件分析**:
- 漏斗分析发现某步骤转化率低
- 使用事件分析深入分析该步骤的用户行为
- 理解用户在该步骤的详细行为模式

**漏斗分析 + 留存分析**:
- 漏斗分析识别完成转化的用户
- 使用留存分析查看这些用户的后续留存表现
- 评估转化用户的长期价值

**漏斗分析 + 用户细查**:
- 漏斗分析发现异常流失
- 下钻到用户细查,查看具体用户的完整行为轨迹
- 发现流失的深层原因

**漏斗分析 + 用户分群**:
- 将流失用户保存为分群
- 进行精准的召回运营
- 将高转化用户保存为分群,分析其特征

## 注意事项

### 数据准确性

**事件埋点质量**:
- 漏斗分析的准确性依赖于埋点数据的完整性和正确性
- 确保漏斗中的每个步骤事件都已正确埋点并上报
- 在进行重要决策前,建议在数据中心中检查事件的触发量和属性完整度
- 如果发现数据异常,请参考 [事件类型](../08-数据管理/01-事件类型.md) 进行数据质量检查

**用户标识**:
- 漏斗分析依赖于准确的用户标识
- 确保同一用户在不同步骤中被正确识别为同一人
- 如果用户切换设备或清除缓存后被识别为新用户,会导致转化率被低估
- 详见 [如何正确的标识用户](../data-integration/user-identification.mdx)

**事件顺序的准确性**:
- 确保客户端和服务端的时间同步
- 避免因时间戳错误导致步骤顺序混乱
- 对于严格顺序模式,时间戳的准确性尤为重要

### 转化率的正确解读

**避免过度解读单一指标**:
- 转化率只是衡量流程效率的一个维度
- 需要结合转化用户的质量、长期价值等综合判断
- 高转化率不一定意味着好,可能是筛选条件过于宽松

**考虑基数效应**:
- 小基数的转化率波动较大,不具有统计显著性
- 对比不同群体时,确保各组样本量足够大
- 建议至少 100 个以上样本才有参考价值

**理解转化率的业务含义**:
- 不同行业、不同产品类型的转化率基准差异很大
- 不应盲目对比不同业务的转化率
- 更重要的是与自己的历史数据对比,发现变化趋势

### 窗口期的影响

**窗口期对结果的影响**:
- 不同的窗口期会得到不同的转化率
- 对比转化率时,确保使用相同的窗口期
- 说明转化率时,应该注明窗口期设置

**近期数据的不完整性**:
- 对于较长的窗口期(如 30 天),近期的转化数据可能不完整
- 例如:昨天进入漏斗的用户,可能需要 30 天才能完成转化
- 建议重点分析已经过了足够观察周期的数据

### 性能与限制

**查询性能**:
- 时间范围越大、用户数越多,查询时间越长
- 建议优先使用较短的时间范围(如 30 天内)进行探索性分析
- 对于长时间范围的分析,建议使用较粗的时间粒度

**功能限制**:
- 单个漏斗最多支持 10 个步骤
- 最多支持 10 个细分筛选进行对比
- 分组维度只支持 1 个
- 转化窗口期最长为 365 天

### 常见误区

**误区 1:步骤越多越好**:
- 过多的步骤会导致转化率极低,失去参考价值
- 建议聚焦核心步骤,保持 3-7 个步骤

**误区 2:只关注总转化率**:
- 总转化率无法告诉您哪个环节有问题
- 应该重点关注各步骤转化率,识别流失卡点

**误区 3:只看转化,不看流失**:
- 流失用户往往比转化用户更有优化价值
- 分析流失原因,采取针对性优化

**误区 4:设置不合理的窗口期**:
- 过短的窗口期会漏掉大量转化
- 过长的窗口期会虚高转化率
- 应该基于业务实际情况设置

## 相关文档

**分析模型**:
- [找到合适的分析模型](choosing-analysis-model.mdx):了解如何选择分析模型
- [分析模型通用能力](common-analysis-features.mdx):了解所有分析模型的通用功能
- [事件分析](event-analysis.mdx):分析用户行为的趋势和分布
- [留存分析](retention-analysis.mdx):分析用户的留存和回访情况

**数据接入**:
- [数据模型](../data-integration/data-model.mdx):理解 Sensors Wave 的数据模型
- [事件和属性](../data-integration/events-and-properties.mdx):了解事件和属性的概念
- [如何正确的标识用户](../data-integration/user-identification.mdx):确保用户标识的准确性

**数据中心**:
- [事件类型](../08-数据管理/01-事件类型.md):管理和维护事件元数据
- [事件属性](../08-数据管理/02-事件属性.md):管理事件的属性信息
- [用户属性](../08-数据管理/03-用户属性.md):管理用户的属性信息

**用户运营**:
- [用户细查](../05-受众计算/01-用户细查.md):查看单个用户的详细行为轨迹
- [用户分群](../05-受众计算/02-用户分群.md):创建和管理用户群体

**报表与可视化**:
- [图表管理](../04-可视化与报表/01-图表管理.md):保存和管理分析图表
- [报表管理](../04-可视化与报表/02-报表管理.md):创建数据看板和报表

## 下一步

完成漏斗分析后,您可以:

1. **深入分析流失用户**:使用 [用户细查](../05-受众计算/01-用户细查.md) 查看流失用户的详细行为轨迹,发现流失原因
2. **分析转化用户的留存**:使用 [留存分析](retention-analysis.mdx) 了解完成转化的用户的后续留存表现
3. **创建用户分群**:将漏斗中的流失用户或高转化用户保存为 [用户分群](../05-受众计算/02-用户分群.md),进行精准运营
4. **监控核心转化指标**:将关键漏斗添加到 [报表](../04-可视化与报表/02-报表管理.md),实现日常转化监控
5. **优化业务流程**:基于漏斗分析的洞察,优化产品功能、用户体验和运营策略
6. **查看最佳实践**:参考 [最佳实践](best-practices.mdx) 提升分析效率
7. **解决常见问题**:如遇到问题，请查看 [常见问题](faq.mdx)