很感谢这位朋友非常认真的看了我的这篇文章数据分析-结构比率归因-定位异常原因，并且提到了另外一个比较经典的问题：总量和不同步骤的转化率定位。接下来我给大家简单的描述一下这个问题以及我是如何分析的。
问题
上面的问题我们可以简单以电商来举例，我们把电商的转化简单的总结成下面几个步骤，第一步：吸引用户进入我们的营销落地页，第二步：用户对同一商品的不同SKU进行比较，第三步：创建订单，第四步：支付成功。经过不同的转化之后，我们核心关注点是最终支付成功的用户。
| 月份 | 落地页 | 商品选择页 | 创建订单页 | 支付成功 |
|---|---|---|---|---|
| 1月份 | A1 | B1 | C1 | D1 |
| 2月份 | A2 | B2 | C2 | D2 |
问题：如果2月份支付成功D2环比1月份D1上升了，那么我们怎么能确定是因为2月份的落地页人数A2环比1月份A1上涨比较多的原因，还是说2月份中不同步骤之间的转化率上涨的影响更大呢？
分析
定义
- 落地页到商品选择页转化率R1 = B/A
- 商品选择页到创建订单转化率R2 = C/B
- 创建订单到支付成功转化率R3= D/C
- 2月份支付成功D2环比1月份R0 = D2/D1
分析
所以我们需要看R0变化的时候，是因为A2的变化更大还是因为R1/R2/R3的变化更大，这里我们把R0进行拆解：
我们先来看看D2怎么计算的：
D2=A2*（B2/A2）*(C2/B2)*(D2*C2) = A2*转化率R12*转化率R22*转化率R32
同理D1：
D1=A1*（B1/A1）*(C1/B1)*(D1*C1) = A1*转化率R11*转化率R21*转化率R31
这样我们就能得到：
R0 = D2/D1
= （A2*转化率R12*转化率R22*转化率R32）/ (A1*转化率R11*转化率R21*转化率R31)
= (A2/A1)*(转化率R12/转化率R11)*(转化率R22/转化率R21)*(转化率R32/转化率R31)
通过上面的公式，我们能很清楚的看到支付成功的变化率R0由四部分组成：
落地页变化：A2/A1，命名为W0
第一步转化率的变化：转化率R12/转化率R11，命名为W1
第二步转化率的变化：转化率R22/转化率R21，命名为W2
第三步转化率的变化：转化率R32/转化率R31，命名为W3
那么：
R0=W0*W1*W2*W3
最后
通过上面的拆解，当R0大于1的时候，支付成功人数上升，我们就看W0/W1/W2/W3,哪一个最大，那么就是对最后影响最大的。下降的时候同理。
写在最后
目前这个拆解只能看到变化的排名，也就是只能知道各个部分影响的大小，已经可以解决大部分问题，这样上升和下降就能看具体哪一个影响更大。能指导我们某次活动是引流的影响大还是因为转化率的提升影响更大。
但是具体影响多少还不得而知，等待后续继续研究了。。。。
