互联网从业者对转化率这个指标肯定不陌生，我们经常会关注到转化率，如注册转化率、购买转化率等。这些转化率指标跟我们的网站运营息息相关：注册转化率可以衡量我们网站获取用户的能力；购买转化率可以衡量我们网站营收的能力，直接影响我们的营收。
假如有两个类似的电商网站，他们的流量规模差不多。如果其中一个网站的购买转化率比较高的话，那么他的营收一般来说是更高的。
一、影响转化率的三大因素
本文主要针对线上交易类网站，包括但不限于O2O、P2P、内容社区等网站。众所周知，影响转化的因素很多，不可能一一列举。根据以往的工作经验，我们可以从三大角度去分析：流量渠道、用户营销和网站/APP体验。
这三大因素其实是外部（渠道流量）、内部（用户营销）和内部（网站/APP体验）的关系。渠道流量是我们从网站外部获取的；用户营销是我们对于我们现有网站已经获得的或者是已有的用户，进行的一系列运营和营销工作；网站/APP体验是可以通过内部产品、设计、工程等部门来优化的，也属于内部因素。
二、流量渠道
第一个因素是渠道流量，主要分优选渠道和量化分配两步骤来解析如何提升转化率。
什么是“优选渠道”？
我们在营销或者运营的时候会选择多个渠道，在这些渠道中有好的渠道，也有差的渠道。渠道质量直接体现在转化率上，最终影响网站的营收。“优化渠道”即我们应该尽量选择质量好的渠道，放弃差的渠道，将一定的投放预算发挥其最大效果。
什么是”量化分配”？
在完成了第一步渠道优选后，假如你得到了10个质量比较好的渠道。那么这个时候，问题来了：在预算一定的情况下，10个渠道该如何进行资源的分配？以往，我们更多的是凭借经验或者业务上的理解，非常主观的进行渠道资源分配。如今，我们更加倾向从量化或者数学的角度，结合业务的理解，然后去考虑如何精准进行不同渠道的资源分配。
案例：某电商网站购买转化率
这是一个电商网站的全站购买转化率情况，我用GrowingIO的【漏斗分析】功能得到该网站每一步的购买转化情况，用户从首页到列表页，再到详情页，再到购物车，指导最终的支付成功。同时在红色方框内，有一个总的购买转化率——1.5%，实际上并不是很高。
在【漏斗分析】中选择【维度对比】，比较不同渠道过来的用户的转化功能。如下图，红色方框内显示的是访问来源1和访问来源2的每一步转化率比较。
我们可以看到，访问来源1和访问来源2，这两个渠道，他们的总体转化率都是非常低的。同时发现访问来源1，这一块的这个流量，却非常大。那么这时候，依靠我们业务的这个判断，可能会有两种情况：
第一种情况：这个渠道它本身质量比较差。
第二种情况：可能它是一个辅助渠道，这个渠道的投入，可能并不是很多，但是这个量却特别大。
针对这两种情况，我们应该分类解决问题。如果说这个渠道质量本来就比较差，但是量很大，我们能否考虑去优化这个渠道的投放，比如广告内容、关键字、落地页设计等等 ，并且观察一段时间。 假如说这个渠道质量并不差，但是只是一个辅助渠道，那么这个时候我们可以采取观望策略，观看其发展趋势以便后期优化。
当我们筛选完渠道后，剩下10个比较优质的渠道，那么这10个渠道该如何分配资源呢？下面是监测到的该网站从不同渠道来的流量情况。
结合业务经验，我们会知道搜索引擎渠道（如百度SEO和SEM）的客户匹配精度是比较好的，我们应该多投放一点。但是具体投放多少呢？我们需要通过数学方法来量化不同渠道和总体的转化率之间的关系，取最优解。
最上面的式子，转化率=F（渠道1_PV，渠道2_PV，···，渠道n_PV），说的是最终的转化率是各个渠道流量的函数结果，就是说我们要先确定转化率和各个渠道流量之间的一个函数关系。那么如何来确定这个函数关系呢，这个大家可以结合业务实际或者行业经验。
方法一：线性模型
比较简单易懂的就是线性模型，渠道流量和最终的转化固定比例，在图表上就是一条直线。当然，这是一种非常极端的情况。
方法二：时间序列
还有一种情况的话，它会呈现出一种季节周期波动的一种关系。可能在Q1、Q2，他们是一个上升的一个趋势，可能到了Q3、Q4就下降了。
同时它之前的那个转化率，跟我们现在的转化率也会有一个关系。这里面转化率t，指的就是我们现在的转化率。在时间序列公司中转化率t-1，这个t-1这个转化率指的是上一个周期的转化率。
找好渠道流量和总转化率之间的关系后，我们接下来就要去求解这个大F的值，这个大F，就是我们的转化率。同时，它有一个限定条件是我们的总花费M。
最终优化问题的解，是一个优化后的投放组合是一组系数，在数学上来讲就是一种系数，但实际业务上来讲的话，它是不同的一个投放的一个组合。
上图是渠道投放前后效果对比。左边是不同渠道的资源分配，右边是最终的转化率。2014年的所有渠道的投放组合（左边蓝色）的最终转化率（右边绿色）偏低；经过新一轮的渠道优化后，2015年所有渠道的投放组合（左边黄色）的最终转化率（右边橙色）大幅度上升。
这个案例说明了，在资源有限的情况下，通过渠道优选和量化分配，可以有效提升转化率。
三、用户营销
什么是用户营销？
其实就是我们对自己网站里的用户做的一系列运营的活动，包括拉新、激活或者唤醒这一类动作。通过这些活动，使得我们的用户反复的在我们的网站进行购买。而且这样的购买，是有效率的，而且这样的运营或者这样的营销是精准的。这样最后才能达到提高我们整体购买转化率的一个目的。
如何进行用户营销？
步骤一：确定业务场景，通过绘制用户画像，来找准我们的目标用户。
步骤二：在第一条的基础上，我们找到了目标用户之后，就要精准营销，就是所谓的激活或者唤醒，使得这部分目标用户，在我们的网站上进行购买，从而提高最终的转化率。
如何进行用户画像？
业内比较常用的一个用法，就是对这个用户价值度的分级。我们提到用户价值度的话，这个词实际上是比较含糊的，我们如何精准的去为这个价值度做一个分级？
我们借鉴业内常用的RFM模型：R是Recency，就是最近一次购买距现在的时间；F是Frequency指的是用户的购买频次；M是Monetary，指的是用户的购买金额。我们可以从这三个维度，对用户进行一个分级，我们可以把它分成8类，这8类可以涵盖我们想要说明的这个用户的价值。比如说，近期有购买或者有使用的这样高频次使用，同时高金额消费这样的用户，我们可以把它定义为我们网站，或者我们平台、APP的高价值用户。
通过这个划分，我们可以把自己的整体用户，分成不同的等级。但是想理解这个分类，还需要结合实际业务。
举一例子，假设我们现在是一个电商类的网站，现在举行一个促销活动卖比较贵的数码产品。那么这时候，我们就要找到这个高价值用户，向这部分用户做一些活动推送，而并不是向我们网站的全部用户做这个推送。原因是，高价值的客户购买我们新的数码产品的可能性更高，只有精准推送，才能节省成本，提高效率。
除了RFM模型分类，还可以用其他分类方法：
1）根据会员属性进行分类，如用户的性别、城市、设备、登陆次数等。
2）根据用户的活跃度进行分类，把用户分为未转化会员、新会员、活跃会员和沉寂会员。什么是未转化会员？就是指那些注册了，但是从来没有购买的用户。
3）根据用户的购买偏好，结合实际购买的场景，给他做一个分类。同时也可以根据用户的预定平台和推广渠道的敏感来给他分。
4）也有通过注册来源，比如说PC/APP/H5。假如说我们的网站中大多数会员通过APP端注册来的。那我们做一些激活活动的话，应该着重发力在APP，而不是选择在PC或者H5这样的端口。
四、网站/APP体验
无论是O2O、P2P还是内容社区等网站，一些常见而又重要的体验问题都会严重影响购买转化率，比如：支付环节的流畅性、页面是否简洁和操作是否容易、图片质量是否清晰、搜索是否精准匹配…….
1）支付环节的流畅性，假如支环节体验流畅的话，用户流失可能性会大幅降低；
2）页面简洁和操作容易，如像阿里巴巴、京东或携程这些大网站，页面按钮会非常多，但事实上，它们有时候反而会影响最终转化流程，因为这整个转化流程中，有太多点击按钮和出口，导致用户很容易流失；
3）图片质量，比如我们进行一个网站购买，很容易因为图片分辨率太低、打有水印、光线较差等因素影响我们产品的判断，而影响最终的购买转化；
4）搜索的精确匹配，比如用户搜索的是芒果，最终出来的却是芒果干或芒果糖等，实际上并没有精确匹配用户的需求，结果就是严重影响用户体验，导致用户需求没有得到满足而流失。
案例：某电商网站转化率
上图转化漏斗中，最后一步，点击购物车到点击支付的转化率特别低，但是为什么这么低？用户为什么明明点击了购物车，有购买意向，但是最终并没有支付成功？
普通的数据分析产品、粗糙的漏斗是找不到原因的，只能看到这步转化低，但是为什么呢，不知道。因而，产品经理也不知道如何做优化，市场运营人员不知道该从什么地方着手做调整。
我们用【用户分群】功能，把所有“进入购物车但并没有点击支付“的用户做个分群，看看这一步流失的人群，到底经历了一些什么事情。
分群之后，我们看下“用户细查”。
我们发现一个特别有趣的现象，这个分群里的某个用户打开了某个页面，在购物车栏点击了购买1，然后打算结算。但随后他发现自己没有登录、然后输入登录信息又发现没有成功，再点击忘记密码，进入找回密码页面。
关键问题是，按正常理解，在找回密码的页面上设置完密码后，就可以正常登录了。但这个用户又弹回来继续到忘记密码、找回密码，怎么会这样。然后我们亲自体验了一下，发现在修改密码这页有个BUG，就是没法修改密码，等于用户来来回回无法完成这一步，当然最终会导致用户的流失。
这样，通过漏斗对比、用户分群、用户细查，一步步做数据追踪，终于准确定位了问题原因，这样产品经理才能知道在哪里修改，否则，产品经理只能不停各种试错、各种猜测，不停浪费时间和精力做无用功。
五、总结
从三个大维度（渠道流量、用户营销、网站/APP体验）去思考如何提高购买转化率，然后再通过不同维度去细分，做更深入的分析，再结合业务，最终用数据不停驱动业务增长、增长再增长。
