触达漏斗模型：从曝光到点击到转化的漏斗分层与流失率看板
触达漏斗是量化 AI 产品用户旅程的骨架。从曝光到最终转化，每一层都是用户决策的过滤网，而流失率则是判断各环节效率的核心信号。本章将定义漏斗各层指标口径、拆解维度、设计看板映射逻辑，并给出异常诊断与业务动作指南。
1. 指标定义与数据口径
触达漏斗包含 5 个核心层级，每层对应一个独立的量化指标。下层指标必须基于上层行为且满足归因窗口（默认 7 日点击归因，1 日浏览归因）。
| 层级 | 指标名称 | 数据口径（SQL 筛选条件） | 示例值 |
|---|---|---|---|
| L1 | 曝光量 | 广告/推荐位返回且进入用户可视区域（≥50% 像素停留 ≥1s） | 1,000,000 |
| L2 | 点击量 | 在曝光基础上，用户点击跳转至落地页（去重 user_id） | 150,000 |
| L3 | 访问量 | 落地页完全加载且会话时长 ≥3s（去重 session_id） | 80,000 |
| L4 | 留资量 | 完成表单提交或注册行为（含试玩、Demo 预约） | 30,000 |
| L5 | 转化量 | 完成核心事件（如付费订阅、API 调用激活、合约签署） | 10,000 |
口径注意：曝光必须区分“请求曝光”与“可见曝光”。AI 产品在信息流或对话流中，只有实际渲染到屏幕且满足可见条件的才算有效曝光，否则需使用
impression_visible 字段过滤。
各层流失率计算公式：
层间流失率（L1→L2） = 1 - (点击量 / 曝光量) → 示例：1 - (150k / 1M) = 85.0%
层间流失率（L2→L3） = 1 - (访问量 / 点击量) → 示例：1 - (80k / 150k) = 46.7%
层间流失率（L3→L4） = 1 - (留资量 / 访问量) → 示例：1 - (30k / 80k) = 62.5%
层间流失率（L4→L5） = 1 - (转化量 / 留资量) → 示例：1 - (10k / 30k) = 66.7%2. 维度拆解
同一漏斗在不同维度切片下表现差异巨大。至少需要按照以下四个维度进行拆解，才能定位瓶颈所在的“细胞”粒度。
- 渠道维度：付费广告（信息流 / 搜索 / 视频）、自然流量（SEO / 口碑）、AI 推荐流（智能助手、任务引导）。不同渠道的 L1→L2 流失率可能相差 20pp。
- 设备/平台：移动端 vs. 桌面端；iOS vs. Android vs. Web。移动端 L3→L4 流失率通常比桌面端高 8–12pp 因表单输入成本更高。
- 时段/周期：工作日 vs. 周末；早间 (6–9点) vs. 晚间 (19–22点)。晚间娱乐场景下 L2→L3 流失率更低，但 L4→L5 决策流失更高。
- 用户画像：新用户 vs. 老用户；行业属性（ToB 场景下按企业规模分层）。老用户的 L4→L5 转化率通常为新用户的 2–3 倍。
拆解看板配置原则：每个维度在下钻时保持漏斗层级完整，并使用“同环比”对比基准期（上周/上月/去年同期），避免因季节性波动误判。
3. 看板结构
漏斗看板由三部分组成：顶部筛选区、中部漏斗可视化、底部明细数据表。筛选区固定渠道、设备、时段三个切片器；漏斗图使用标准倒梯形，每层标注 指标值 + 占顶层比例 + 层间流失率；底部表格支持按维度展开计算各层绝对值和流失率。
下图展示了一个完整的 5 层触达漏斗实例，右侧标注了每层之间的流失率，底部说明框给出基准判断逻辑。
看板数据表映射结构：漏斗图下方配套明细表格，支持按维度下钻。以下为渠道维度的映射示例：
| 渠道 | 曝光 | 点击 | 访问 | 留资 | 转化 | L1→L2 流失率 | L2→L3 流失率 | L3→L4 流失率 | L4→L5 流失率 |
|---|---|---|---|---|---|---|---|---|---|
| 信息流 | 520,000 | 78,000 | 41,600 | 15,600 | 5,200 | 85.0% | 46.7% | 62.5% | 66.7% |
| 搜索 | 280,000 | 50,400 | 30,240 | 12,100 | 4,840 | 82.0% | 40.0% | 60.0% | 60.0% |
| AI 推荐流 | 200,000 | 21,600 | 8,160 | 2,300 | 960 | 89.2% | 62.2% | 71.8% | 58.3% |
| 总计 | 1,000,000 | 150,000 | 80,000 | 30,000 | 10,000 | 85.0% | 46.7% | 62.5% | 66.7% |
4. 异常解释
当某层流失率超出基准区间时，需结合维度下钻和用户行为日志定位根因。下表总结了各层常见异常模式：
| 异常层级 | 典型表现 | 可能原因 | 快速验证方法 |
|---|---|---|---|
| L1→L2 偏高 | 点击率 < 8% | 素材与目标人群不匹配；AI 推荐标题党导致曝光但无意图 | 对比不同素材的 CTR；检查推荐模型是否过度探索 |
| L2→L3 偏高 | 落地页跳出率 > 70% | 落地页加载 > 4s；内容与广告素材不一致；AI 对话流入口丢失上下文 | 使用 Web Vitals 测 LCP；检查落地页首屏与广告文案匹配度 |
| L3→L4 偏高 | 表单提交率 < 30% | 表单字段 > 6 项；缺少社交登录；AI 产品价值传递不清晰 | 热力图分析表单点击；A/B 测试减少字段数 |
| L4→L5 偏高 | 试用→付费率 < 20% | 试用时长不足；核心功能门槛高；AI 效果未在试用期充分展示 | 检查试用激活后的功能使用率；分析 P0 功能是否在 3 步内触达 |
注意伪异常：当某渠道流量突增但质量较低时，整体漏斗流失率会被“稀释”。此时需要按渠道分层看，不能直接对全量数据下结论。例如 AI 推荐流在拉新活动中曝光量翻倍，但 L1→L2 流失率从 85% 升至 92%，这可能是渠道结构变化导致的统计假象，而非素材问题。
5. 业务动作
基于触达漏斗各层的流失率信号，产品与增长团队可执行以下动作：
- L1→L2 优化：针对流失率 > 88% 的渠道，暂停投放并替换为高意向人群包；对 AI 推荐流，调整粗排模型阈值，减少无效曝光。
- L2→L3 优化：落地页首屏增加 AI 产品的“即时体验”组件（如在线 Demo、对话试玩），将首次价值感知时间压缩到 5s 内；技术侧确保 LCP ≤ 2.5s。
- L3→L4 优化：将表单替换为“一步授权”或“AI 智能预填”；对 ToB 产品，增加“企业 SSO 登录”选项，减少手动输入。
- L4→L5 优化：设计 7 天试用引导流程，在第 1、3、7 天发送 AI 洞察报告，展示产品核心价值；对未转化用户触发“挽回优惠券”或“专属顾问预约”。
动作优先级排序：按照“流失率绝对值 × 该层用户基数”的乘积排序。通常 L1→L2 虽然流失率高（85%），但用户基数大，优化 1pp 就能带来大量增量；L4→L5 流失率虽高，但基数小，应作为第二优先级。
6. 复盘分析
触达漏斗的复盘应遵循“三层归因”框架：
- 第一层：趋势归因。对比本周与上周各层流失率的走势，识别突然上升的层级。使用
DATEDIFF按日聚合，排除周末效应。 - 第二层：维度归因。在异常层级上，按渠道→设备→时段逐级下钻，找到贡献最大负向偏移的维度组合。例如 “信息流 + iOS + 晚间” 的 L1→L2 流失率较均值高 12pp。
- 第三层：行为归因。针对维度下钻命中的用户群，提取会话日志与事件序列。查看用户在流失前最后 3 个动作，建立“流失前兆事件库”（如“视频播放中断”“表单字段停留 > 30s”）。
复盘输出模板：每次复盘输出一张“漏斗健康度评分卡”，包含各层流失率、与基准的偏差、Top 3 负向维度、建议动作列表。该卡直接纳入产品周报，由增长团队跟踪执行。
-- 复盘 SQL 示例：按渠道+设备计算 L1→L2 流失率，并标记异常
SELECT
channel,
device_type,
SUM(impression) AS imp,
SUM(click) AS clk,
ROUND(1 - SUM(click) / NULLIF(SUM(impression), 0), 4) AS loss_rate,
CASE
WHEN 1 - SUM(click) / NULLIF(SUM(impression), 0) > 0.88 THEN '异常偏高'
WHEN 1 - SUM(click) / NULLIF(SUM(impression), 0) < 0.78 THEN '异常偏低'
ELSE '正常'
END AS loss_flag
FROM reach_funnel_daily
WHERE dt BETWEEN '2025-03-01' AND '2025-03-07'
GROUP BY channel, device_type
ORDER BY loss_rate DESC;通过以上指标定义、维度拆解、看板映射、异常诊断和业务动作的闭环，触达漏斗真正成为 AI 产品增长的可量化引擎，而不仅仅是可视化装饰。