京公网安备 11010802034615号
经营许可证编号:京B2-20210330
1. 模型介绍
1898 年,美国有一个叫 Elmo Lewis 的人,提出了 漏斗模型的概念,后来被总结为 AIDA模型,也称为「 爱达」公式,首字母分别代表:
(1)注意 Attention
(2)兴趣 Interest
(3)欲望 Desire
(4)行动 Action
从吸引客户的注意,到引起客户的兴趣,再到产生拥有的欲望,最后形成购买的行动,每个环节都会有客户流失,越靠后的环节,客户数量往往就越少,画出来的图形,就像一个漏斗。
2. 应用举例
从销售漏斗图的形状,我们就能比较直观地看到每个环节的转化情况。通过横向或纵向的对比,发现业务中可能存在的问题,然后进一步分析原因,从而有针对性地提出解决问题的建议。
一个好的模型,可以促进沟通和行动,从而产生良性循环的好结果。
你可以根据自身业务的实际情况,细分为更多的环节。
下面是用 Python 绘制销售漏斗图的代码:
# 导入库
importpyecharts.options asopts
frompyecharts.charts importFunnel
# 定义数据
x_data = [ ‘目标客户’, ‘意向客户’, ‘订购客户’]
y_data = [ 100, 80, 20]
data = [[x_data[i], y_data[i]] fori inrange(len(x_data))]
# 画漏斗图
c = (
Funnel(init_opts=opts.InitOpts(width= “1000px”, height= “600px”))
.add(
# 系列名称
series_name= “”,
# 系列数据项
data_pair=data,
# 数据图形间距
gap= 2,
# 标签配置项
label_opts=opts.LabelOpts(is_show= True, position= “inside”, font_size= 18),
# 图元样式配置项
itemstyle_opts=opts.ItemStyleOpts(color= ‘#00589F’, border_width= 1),
)
.set_global_opts(
# 设置标题
title_opts=opts.TitleOpts(title= “销售漏斗模型”, pos_left= ‘center’,
title_textstyle_opts=opts.TextStyleOpts(font_size= 26)),
# 隐藏图例
legend_opts=opts.LegendOpts(is_show= False)
)
.render( “销售漏斗模型.html”)
)
3. 分析思考
在应用分析思维模型的时候,我们不要停留在问题的表面,而要透过现象看本质,思考模型背后的逻辑。
(1)过程重于结果
结果是由过程产生的,如果每个过程都做好了,那么结果通常不会太差。
(2)预防重于纠错
在问题发生之前,提前预测到可能出现的问题,并采取相应的预防措施,这比问题发生之后再进行纠错更加重要。
有一个「扁鹊三兄弟」的故事,据说扁鹊的大哥医术最高明,因为他能预防疾病的发生。
(3)该说的要说到
让过程变得制度化、规范化、程序化。
如果不能实行法治,那么过程就会变得随意。
(4)说到的要做到
凡是制度化的内容,都必须严格执行。
如果有制度却不执行,那么还不如没有制度。
(5)做到的要见到
凡是已经发生的过程,都要留下记录。
如果没有记录,那么就不利于管理决策。
(6)让流程标准化
在深入细致研究的基础上,借鉴优秀的经验,制定标准化的流程。
如果没有标准化的流程,那么就难以沉淀成功的经验。
小结
销售漏斗模型,是科学反映销售效率的一个模型,本质上是对销售过程的细化管理,可以帮助我们把流程标准化并沉淀下来。
最后,提醒一下: 任何一个分析思维模型,都不可能解决所有的问题。我们应该根据实际情况,把更多的时间和精力,用来灵活地选择和应用多种分析思维模型,从而做出更加科学的决策。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14