轉換分析

轉換分析

轉換不僅僅是「除以數字的數量」。這是一個可管理的系統：明確的定義和事件方案→正確的分母和時間窗口→細分和歸屬→價值關系（LTV/ROMI）→監控和實驗。下方是一個框架，可從產品激活擴展到支付和營銷漏鬥。

1）定義和基本公式

漏鬥事件：連續步驟（查看→點擊→註冊→驗證→存款→目標動作）。

步驟轉換： （\text {CR} {i\to j} =\frac {\text{完成}j\text {af}{}i} {\text{唯一實體到達}i}

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

會計單位：用戶/會議/設備/訂單-明確提交。
時間窗口：步驟之間的限制（例如,註冊→存款≤ 7天）。

2）護照指標（模板）

METRIC: `CR_REG2DEP_7D_v2`

定義：已登記的用戶在7天內≥1存款的百分比。
單位：用戶（user_id，master_id)。
窗口：從「ts_registration」 7 × 24小時。
例外：機器人/兄弟/測試帳戶/副本。
默認細分市場：國家/地區、平臺、吸引渠道。
資料來源：「event_register」，「event_deposit」。
Guardrails：fresh≤1ch，coverage≥99％，FPR antifroda≤Kh。
版本/所有者/日記本。

3）事件圖和數據質量

規範方案是：「event_id」，「user_id」，「device_id」，「session_id」，「ts」，「type」，「payload」，「source」，「version」。
相似性：「（source_id，checksum）」；校正日誌。
清除：機器人過濾器（速度，頭部，已知ASN），指紋標誌，測試帳戶。
身份：「user_id ↔ device/email/phone」橋，用戶的拆分/merge幫助。

4）正確分母： 頻繁陷阱

Selection bias：「在分母中只有昨天活躍」→ CR過高。
Survivorship：排除前一步的人-CR人為增長。
單位混合：分母是會話，分子是用戶。
雙重歸因：一個成功歸功於多個渠道。
平均平均值：CR按段平均而不是分子/分母聚合。

5）Pseudo-SQL： 帶有窗口和唯一的漏鬥

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;

下降步驟

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）隊列和細分

隊列：根據第一次活動的日期（註冊/首次訪問）形成→比較轉換曲線。
細分市場：國家/頻道/平臺/OS/設備/內容/價格/合作夥伴。
按細分市場劃分的漏鬥：CR和在促銷、發行、UX更改之前或之後下車。
公平：按敏感部分（道德/合規）檢查錯誤/CR的區別。

7）歸屬： 誰「應得」轉換

單擊：最後/第一次點擊-簡單但扭曲長周期。
基於位置的：U形/線性/時間衰變。
數據驅動程序（Shapley/Markov）：通過序列評估通道的貢獻。
重復控制：一個成功=一個學分（或股權）,算法的版本是固定的。

8）微轉換和點擊質量

微型步驟：查看啟動、添加到購物車、KYC檢查、填寫表格50%。
流量質量：彈出率，插入會議，「有效」視圖的比例以及顛簸模式。
價值關系：只有當與業務效應（LTV，GGR，Net）相關/因果關系時，微轉換才有用。

9）轉換與金錢的關系： CAC，LTV，ROMI

CAC：每單位轉換的吸引成本（註冊/存款/購買）。
ROMI： （\frac {\text{增量收入}{\text{營銷成本}}-1）。
LTV加權轉換：不按CR優先排序片段/頻道,而是按預期價值排序。
因果關系：ROMI得分-通過A/B，DiD，合成控制；相關性還不夠。

10）實驗和uplift

A/B測試：隨機化，MDE/電力，季節性和幹擾會計。
度量：主要的CR+guardrails（投訴，後退，FPR對抗）。
Uplift模型：針對轉換的增加而不是事件的概率；評估Qini/AUUC，uplift@k。

11）時間方面和窗口

回看/回看：曝光（點擊查看）和轉換/存款之間的窗口。
磁滯：不同的輸入/輸出閾值,用於打開/關閉促銷回歸器,以免出現「閃爍」。
日歷：假期，薪水，大型活動是強制性的回歸者/旗幟。

12）多設備和重復數據消除

跨字節：ID圖形（cookie/device/IDFA/電子郵件/電話）。
一對一：用戶一次計入一個目標活動（或按訂單/付款）。
測試/寄宿：過濾的QA/算子/機器人列表-分母和分子之外。

13）可視化和報告

Step-bars/Sankey：步伐下降。
隊列熱卡：CR為1/3/7/14/30天。
橋梁圖形：因子對CR變化的貢獻（UX，促銷，通道混合）。

Dash： fresh計時器,coverage事件,guardrails, alerts.

14）監視，SLO和Alertes

SLO新鮮度：更新時間≤ N分鐘/小時。
質量守護者：機器人/品格激增，身份差異，封面下降。
Alerts： CR偏離季節預測、事件懸崖、錯誤上升/後退。

15）Pseudo-SQL： 「最後不直接」歸因"

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

不帶權重的國家/渠道平均CR。
單位（會話與用戶）和臨時區域的混合。
忽略公式和版本的定義（度量「漂浮」）。
「如何工作」窗口（不固定）→不可比的CR。
缺少bot/frod過濾器→過高的度量。
「最後的點擊」歸因是所有決策的唯一真理。

17）轉換報告發布前的支票清單

• 指標護照：定義、單位、窗口、例外、來源、版本
• 事件方案被規範化，包括去勢性/相等性
• Bots/Frod/QA帳戶不包括在內；身份混合
• 窗口和分母已記錄；臨時區已商定
• 部分/隊列已驗證；不變量（DAU ≤ MAU，日數=月份）滿足
• 選擇和描述歸屬；不包括雙重學分
• 價值關系：添加了CAC/LTV/ROMI，計劃了因果評估
• Dashbord：新鮮，覆蓋，護欄；Alerta定制

18）迷你詞匯表

CR（轉換率）：完成目標操作的份額。
下降：在步驟之間「掉落」的份額。
Attribution：按觸摸分配功績的方法。
Cohort：按第一次活動的日期分組。
ROMI：市場投資回報（增量）。
Uplift：來自幹預的轉化增加。
Guardrails：風險限制因素（投訴、FPR, latency）。

結果

可靠的轉化分析依賴於三個鯨魚：正確的定義（分母/窗口/單位），數據學科（等效性，滯後性，對位性），價值關系（LTV/CAC/ROMI和因果關系）。通過在所述框架上構建漏鬥、隊列、歸屬和監控，您可以獲得可以真正管理產品和營銷的指標，而不僅僅是觀察圖形。