转换分析

转换分析

转换不仅仅是"除以数字的数量"。这是一个可管理的系统：明确的定义和事件方案→正确的分母和时间窗口→细分和归属→价值关系（LTV/ROMI）→监控和实验。下方是一个框架，可从产品激活扩展到支付和营销漏斗。

1）定义和基本公式

漏斗事件：连续步骤（查看→点击→注册→验证→存款→目标动作）。

步骤转换： （\text {CR} {i\to j} =\frac {\text{完成}j\text {af}{}i} {\text{唯一实体到达}i}

转换端到端： （\text {CR} {0\to k} =\prod {s=0}^{k-1}\text {CR} {s\to s+1}

会计单位：用户/会议/设备/订单-明确提交。
时间窗口：步骤之间的限制（例如,注册→存款≤ 7天）。

2）护照指标（模板）

METRIC: `CR_REG2DEP_7D_v2`

定义：已登记的用户在7天内≥1存款的百分比。
单位：用户（user_id，master_id)。
窗口：从"ts_registration" 7 × 24小时。
例外：机器人/兄弟/测试帐户/副本。
默认细分市场：国家/地区、平台、吸引渠道。
资料来源："event_register"，"event_deposit"。
Guardrails：fresh≤1ch，coverage≥99％，FPR antifroda≤Kh。
版本/所有者/日记本。

3）事件图和数据质量

规范方案是："event_id"，"user_id"，"device_id"，"session_id"，"ts"，"type"，"payload"，"source"，"version"。
相似性："（source_id，checksum）"；校正日志。
清除：机器人过滤器（速度，头部，已知ASN），指纹标志，测试帐户。
身份："user_id ↔ device/email/phone"桥，用户的拆分/merge帮助。

4）正确分母： 频繁陷阱

Selection bias："在分母中只有昨天活跃"→ CR过高。
Survivorship：排除前一步的人-CR人为增长。
单位混合：分母是会话，分子是用户。
双重归因：一个成功归功于多个渠道。
平均平均值：CR按段平均而不是分子/分母聚合。

5）Pseudo-SQL： 带有窗口和唯一的漏斗

sql
WITH regs AS (
SELECT user_id, MIN(ts) AS ts_reg
FROM event_register
WHERE ts BETWEEN:from AND:to
GROUP BY user_id
),
deps AS (
SELECT user_id, MIN(ts) AS ts_dep
FROM event_deposit
GROUP BY user_id
),
eligible AS (
SELECT r.user_id, r.ts_reg, d.ts_dep
FROM regs r
LEFT JOIN deps d
ON d.user_id = r.user_id
AND d.ts_dep BETWEEN r.ts_reg AND r.ts_reg + INTERVAL '7 day'
)
SELECT
COUNT()                AS users_reg,
COUNT(ts_dep)              AS users_dep_7d,
COUNT(ts_dep)::decimal / COUNT()    AS cr_reg2dep_7d
FROM eligible;

下降步骤

sql
-- Пример: просмотр → регистрация → депозит (7d)
WITH base AS (...), -- ваш источник views AS (...), regs AS (...), deps AS (...)
SELECT
COUNT(DISTINCT views.user_id)                           AS step0_view,
COUNT(DISTINCT regs.user_id)                            AS step1_reg,
COUNT(DISTINCT CASE WHEN regs.ts BETWEEN views.ts AND views.ts + INTERVAL '24 h'
THEN regs.user_id END)                     AS view2reg_24h,
COUNT(DISTINCT CASE WHEN deps.ts BETWEEN regs.ts AND regs.ts + INTERVAL '7 day'
THEN deps.user_id END)                     AS reg2dep_7d;

6）队列和细分

队列：根据第一次活动的日期（注册/首次访问）形成→比较转换曲线。
细分市场：国家/频道/平台/OS/设备/内容/价格/合作伙伴。
按细分市场划分的漏斗：CR和在促销、发行、UX更改之前或之后下车。
公平：按敏感部分（道德/合规）检查错误/CR的区别。

7）归属： 谁"应得"转换

单击：最后/第一次点击-简单但扭曲长周期。
基于位置的：U形/线性/时间衰变。
数据驱动程序（Shapley/Markov）：通过序列评估通道的贡献。
重复控制：一个成功=一个学分（或股权）,算法的版本是固定的。

8）微转换和点击质量

微型步骤：查看启动、添加到购物车、KYC检查、填写表格50%。
流量质量：弹出率，插入会议，"有效"视图的比例以及颠簸模式。
价值关系：只有当与业务效应（LTV，GGR，Net）相关/因果关系时，微转换才有用。

9）转换与金钱的关系： CAC，LTV，ROMI

CAC：每单位转换的吸引成本（注册/存款/购买）。
ROMI： （\frac {\text{增量收入}{\text{营销成本}}-1）。
LTV加权转换：不按CR优先排序片段/频道,而是按预期价值排序。
因果关系：ROMI得分-通过A/B，DiD，合成控制；相关性还不够。

10）实验和uplift

A/B测试：随机化，MDE/电力，季节性和干扰会计。
度量：主要的CR+guardrails（投诉，后退，FPR对抗）。
Uplift模型：针对转换的增加而不是事件的概率；评估Qini/AUUC，uplift@k。

11）时间方面和窗口

回看/回看：曝光（点击查看）和转换/存款之间的窗口。
磁滞：不同的输入/输出阈值,用于打开/关闭促销回归器,以免出现"闪烁"。
日历：假期，薪水，大型活动是强制性的回归者/旗帜。

12）多设备和重复数据消除

跨字节：ID图形（cookie/device/IDFA/电子邮件/电话）。
一对一：用户一次计入一个目标活动（或按订单/付款）。
测试/寄宿：过滤的QA/算子/机器人列表-分母和分子之外。

13）可视化和报告

Step-bars/Sankey：步伐下降。
队列热卡：CR为1/3/7/14/30天。
桥梁图形：因子对CR变化的贡献（UX，促销，通道混合）。

Dash： fresh计时器,coverage事件,guardrails, alerts.

14）监视，SLO和Alertes

SLO新鲜度：更新时间≤ N分钟/小时。
质量守护者：机器人/品格激增，身份差异，封面下降。
Alerts： CR偏离季节预测、事件悬崖、错误上升/后退。

15）Pseudo-SQL： "最后不直接"归因"

sql
WITH touch AS (
SELECT user_id, channel, ts,
ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY ts DESC) AS rn
FROM session_touchpoints
WHERE is_direct = false
AND ts <= (SELECT first_conversion_ts FROM conversions WHERE conversions.user_id = session_touchpoints.user_id)
),
credit AS (
SELECT user_id, channel FROM touch WHERE rn = 1
)
SELECT channel, COUNT() AS conv, COUNT()::decimal / SUM(COUNT()) OVER() AS share
FROM credit
GROUP BY channel
ORDER BY conv DESC;

16）反模式

不带权重的国家/渠道平均CR。
单位（会话与用户）和临时区域的混合。
忽略公式和版本的定义（度量"漂浮"）。
"如何工作"窗口（不固定）→不可比的CR。
缺少bot/frod过滤器→过高的度量。
"最后的点击"归因是所有决策的唯一真理。

17）转换报告发布前的支票清单

• 指标护照：定义、单位、窗口、例外、来源、版本
• 事件方案被规范化，包括去势性/相等性
• Bots/Frod/QA帐户不包括在内；身份溷合
• 窗口和分母已记录；临时区已商定
• 部分/队列已验证；不变量（DAU ≤ MAU，日数=月份）满足
• 选择和描述归属；不包括双重学分
• 价值关系：添加了CAC/LTV/ROMI，计划了因果评估
• Dashbord：新鲜，覆盖，护栏；Alerta定制

18）迷你词汇表

CR（转换率）：完成目标操作的份额。
下降：在步骤之间"掉落"的份额。
Attribution：按触摸分配功绩的方法。
Cohort：按第一次活动的日期分组。
ROMI：市场投资回报（增量）。
Uplift：来自干预的转化增加。
Guardrails：风险限制因素（投诉、FPR, latency）。

结果

可靠的转化分析依赖于三个鲸鱼：正确的定义（分母/窗口/单位），数据学科（等效性，滞后性，对位性），价值关系（LTV/CAC/ROMI和因果关系）。通过在所述框架上构建漏斗、队列、归属和监控，您可以获得可以真正管理产品和营销的指标，而不仅仅是观察图形。