上篇提到了一个实际的问题：如果支付成功用户环比上升了很多，我们怎么定位是因为营销活动带来了更多用户，还是说每一步的转化率变高了呢？我们研究了一套分析方法，具体的模型参考：数据分析工具--总量和转化率问题。
另外，基于最近的一个产品改动，我们也用了这个模型进行定位，很巧妙的解释了量上升的原因，所以，我打算给大家分享一下具体的案例，案例分为两篇：
- 第一篇也就是本篇，我们介绍经典场景，给大家讲解模型的用法。
- 第二篇会在下一篇讲到，主要是我们对其他优化产品评估的时候，怎么巧妙使用这个模型进行解释。
背景
产品
现假设我们是卖冰箱的，用户可以在淘宝上搜索冰箱，搜索之后就会出来一系列的结果，然后我们可以点击自己感兴趣的那个店和款式，选完之后，就是具体的商品了（容量/颜色等），下一步就是创建了订单，最后就是支付成功了。
异常
- 首先说明下面的数据，全部是随机编写的，主要为了说明这个模型的用法。若截图涉及侵权，请联系作者删除。
一般我们在公司会给产品运营做一系列的报表，其中有一套是用于监控每天订单量的趋势，以及环比的趋势，如下图一：
- 蓝色曲线是支付成功的用户数，我们看到7月12号用户量起来了，19号用户量又起来了。
- 从橙色线也能看出来，12号环比上升了一个台阶。
那么，问题来了，我们想知道12号和19号用户量起来的原因是什么呢？
分析
用户搜索之后，就会展示一系列的冰箱，假如我们就是监控了从营销页到最后的支付成功，具体的数据是：营销页用户数-商品选择页用户数-创建订单用户数-支付成功用户数。我们可以用这这些数据，做一个转化率的趋势图，如下图二：
- 步骤一转化率 = 商品选择页用户数/营销页用户数
- 步骤二转化率 = 创建订单用户数/商品选择页用户数
- 步骤三转化率 = 支付成功用户数/创建订单用户数
- 总转化率 = 支付成功用户数/营销页用户数
转化率趋势
通过图二，我们只能看到的是第一步和第三步转化率降低了，第二步转化率变高了。其实我们还可以看到一个数据就是营销页的UV变高了。但是，我们如何知道：
- 到底是营销页的UV变高带来的
- 还是第二步的转化率变高了带来了最后支付成功的用户数上升呢？
模型分析
因为总量的上升主要是12号和19号之后。所以，一般这种异常，我们会先和运营或是产品同学交流是不是做了什么，确认是改动带来的还是正常的波动，具体的异常分析框架见：数据分析-结构比率归因-定位异常原因
确认完了，我们可以先以12和19号的数据为例，看看如何使用这个模型，具体数据如下表一：
我们可以把2021年7月5和2021年7月12和2021年7月19营销页的UV，以及每一步的转化率列出来，还有支付成功的用户量。
- 我们看到表格中T12到Y15就是三天的量和转化率
- 黄色区域中：Z14是12号环比5号的比率102.2% = 10239/10023，Z15是19号环比12号的比率102.3%= 10470/10239，可以看出12号涨了2.2%，19号环比涨了2.3%
- 拆解12号（102.2%）和15号的比率(102.3%)。
- 102.2% = 105.2%*94.9%*110.2%*92.9%
- 102.3% = 104.4%*95.6%*101.1%*101.3%
- 第17和18行的比率是什么呢？我们以U15单元格的105.2%为例说明一下，其实就是105.2% =12号（105985）/5号（100774）,就是12号营销页的UV除以5号的。同理，V17的94.9%就是12号的第一步转化率除以5号的第一步转化率
- 建议读者把表一的数据输入一遍，自己计算一下，加深影响。
结论
最后，我们来解读一下：
- 12号涨了2.2%其实主要还是第二步转化率上升的比较多
- 19号上了2.3%主要是营销页的UV上涨了很多
这样，我们跟运营同学去解释就一目了然了
