很感謝這位朋友非常認真的看了我的這篇文章

資料分析-結構比率歸因-定位異常原因

，並且提到了另外一個比較經典的問題：總量和不同步驟的轉化率定位。接下來我給大家簡單的描述一下這個問題以及我是如何分析的。

問題

上面的問題我們可以簡單以電商來舉例，我們把電商的轉化簡單的總結成下面幾個步驟，第一步：吸引使用者進入我們的營銷落地頁，第二步：使用者對同一商品的不同SKU進行比較，第三步：建立訂單，第四步：支付成功。經過不同的轉化之後，

我們核心關注點是最終支付成功的使用者。

問題：如果2月份支付成功D2環比1月份D1上升了，那麼我們怎麼能確定是因為2月份的落地頁人數A2環比1月份A1上漲比較多的原因，還是說2月份中不同步驟之間的轉化率上漲的影響更大呢？

分析

定義：

落地頁到商品選擇頁轉化率R1 = B/A

商品選擇頁到建立訂單轉化率R2 = C/B

建立訂單到支付成功轉化率R3= D/C

2月份支付成功D2環比1月份R0 = D2/D1

分析：

所以我們需要看R0變化的時候，是因為A2的變化更大還是因為R1/R2/R3的變化更大，這裡我們把R0進行拆解：

我們先來看看D2怎麼計算的：

D2=A2*（B2/A2）*（C2/B2）*（D2*C2） = A2*轉化率R12*轉化率R22*轉化率R32

同理D1：

D1=A1*（B1/A1）*（C1/B1）*（D1*C1） = A1*轉化率R11*轉化率R21*轉化率R31

這樣我們就能得到：

R0 = D2/D1

= （A2*轉化率R12*轉化率R22*轉化率R32）/ （A1*轉化率R11*轉化率R21*轉化率R31）

= （A2/A1）*（轉化率R12/轉化率R11）*（轉化率R22/轉化率R21）*（轉化率R32/轉化率R31）

透過上面的公式，我們能很清楚的看到支付成功的變化率R0由四部分組成：

落地頁變化：A2/A1，命名為W0

第一步轉化率的變化：轉化率R12/轉化率R11，命名為W1

第二步轉化率的變化：轉化率R22/轉化率R21，命名為W2

第三步轉化率的變化：轉化率R32/轉化率R31，命名為W3

那麼：

R0=W0*W1*W2*W3

最後：

透過上面的拆解，當R0大於1的時候，支付成功人數上升，我們就看W0/W1/W2/W3，哪一個最大，那麼就是對最後影響最大的。下降的時候同理。

寫在最後

目前這個拆解只能看到變化的排名，也就是隻能知道各個部分影響的大小，已經可以解決大部分問題，這樣上升和下降就能看具體哪一個影響更大。能指導我們某次活動是引流的影響大還是因為轉化率的提升影響更大。

但是具體影響多少還不得而知，等待後續繼續研究了。。。。