如何进行漏斗分析
跟踪个人如何通过多步骤流程，以及他们在哪里退出。
大多数访问您网站的人从未注册、尝试您的产品或完成结账。他们去哪儿了？是什么让他们离开？以及有多少人到达了每个步骤？
在本指南中，您将学习如何使用漏斗分析找到这些答案，以及所需的数据、如何执行分析，以及如何使用示例数据集自行尝试。
什么是漏斗分析？
漏斗分析显示用户如何通过一系列步骤，以及他们在哪里流失。将其视为一个真实的漏斗：顶部宽，底部窄。许多人从顶部开始，但只有少数人从底部完成。它不仅仅是一个图表，而是一种逐步绘制用户旅程的方法。
一个简单的例子
假设您想分析您的注册流程。您定义了四个关键步骤
步骤 1： 访问了主页
步骤 2： 注册
步骤 3： 开始试用
步骤 4： 购买计划
现在想象有 1,000 人访问了您的主页，但只有 50 人购买了计划。您的漏斗可能看起来像这样
| 步骤 | 用户 | 从上一步的转化率 | 从总数的转化率 |
|---|---|---|---|
| 访问主页 | 1,000 | – | – |
| 注册 | 600 | 60% | 60% |
| 开始试用 | 200 | 33% | 20% |
| 购买计划 | 50 | 25% | 5% |
这种细分突出了用户流失的地方。在这种情况下，注册很强劲，但试用期到付费的转化率却出了问题。
轮到你了： 在转化之前，你的用户经历了哪 3 到 5 个关键步骤？粗略地勾勒出来。这些将成为你的漏斗步骤。 
所需数据
上表包含聚合数据。要构建自己的漏斗，您需要具有三个属性的原始数据：谁做了什么，他们做了什么，以及他们何时做了。
这意味着每行通常会包含以下字段：user_id (谁)、event_name (做了什么) 和 event_time (何时)。
以下是清晰数据的样子
| user_id | event_name | event_time |
|---|---|---|
| A | visited_homepage | 2025-07-30 09:00:36 |
| A | signed_up | 2025-07-30 09:05:11 |
| B | visited_homepage | 2025-07-30 10:02:07 |
| B | signed_up | 2025-07-30 10:04:40 |
| B | started_trial | 2025-07-30 10:06:03 |
这种事件日志是漏斗分析的支柱。您还可以包含额外的字段，如 device、country 或 campaign_source，以按受众细分来划分漏斗。
在许多情况下，您需要先将数据重新塑形或建模为这种格式，然后才能计算漏斗。
如何计算漏斗数据
一旦您的数据干净，漏斗计算就非常简单：计算有多少用户达到每个步骤，然后计算步骤之间的转化率。
我们来看一个例子
| user_id | event_name |
|---|---|
| A | visited_homepage |
| A | signed_up |
| A | started_trial |
| B | visited_homepage |
| B | signed_up |
| C | visited_homepage |
步骤 1 (访问主页)： 3 位用户 — A、B、C
步骤 2 (注册)： 2 位用户 — A & B
步骤 3 (开始试用)： 1 位用户 — A
现在计算转化率
- 分步转化率
- 主页 → 注册 = 2 ÷ 3 = 66.7%
- 注册 → 试用 = 1 ÷ 2 = 50%
- 从开始的转化率
- 主页 → 试用 = 1 ÷ 3 = 33.3%
这种简单的数学是所有漏斗图的基础，无论您的数据多么复杂。
这些数字在漏斗中的样子
在 Metabase 中构建漏斗
要在 Metabase 中构建漏斗图，您可以使用查询构建器或 SQL。
首先确定代表漏斗中每个步骤的事件，例如 visited_homepage、signed_up 或 started_trial。
然后
- 通过计算
user_id汇总您的事件 - 按漏斗步骤分组， 例如
event_name以计算每个阶段的用户 - 可视化为漏斗图。
有关更高级的设置（例如组合不同表中的步骤或使用 SQL），请参阅我们的漏斗图指南。
自己尝试：示例 CSV
准备好将漏斗分析付诸实践了吗？
我们准备了一个您可以下载并自行探索的示例数据集。
此 CSV 包含用户事件数据，如 user_id、event_name 和 event_time，因此您可以使用您学到的步骤在 Metabase 中练习构建漏斗。
将 CSV 上传到 Metabase 并构建一个漏斗图，以查看用户在哪里流失以及转化率如何变化。
您最终会得到一个大致如下所示的漏斗
此练习依赖于预定义的示例数据集，但您也可以使用AI 数据集生成器生成自己的练习数据。
奖励：常见数据问题（以及如何解决）
以下是通常会出现的问题以及如何修复它们
- 缺少时间戳： 您需要它们来知道步骤顺序。如果缺失，请尝试使用创建日期或根据用户 ID 进行估算。
- 宽格式： 每位用户一行，包含多列（如
signup_date、trial_date、purchase_date）更难分析。您需要将其重塑为长格式，每行一个事件。 - 事件分散在不同的表中： 您的注册数据在一个表中，试用数据在另一个表中，购买数据在第三个表中。在开始分析之前，将它们连接到一个事件表中。
- 事件名称不一致： 有些事件称为
signed_up，另一些称为signup_success、signup_done或signup_win。选择一个命名约定并坚持使用。