也就是把购物的整个流程拆解成从选购商品到最终转化成购买的一个个子环节，用相邻环节的转化率/流失率来量化每一个环节的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率/流失率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的，整体漏斗模型的核心思想其实可以归为分解和量化。
漏斗分析其实是一种业务流程拆解和量化的思路，任何业务流程都可以按照这个思路来拆解，常见的业务漏斗模型还有很多：消费者行为AIDMA漏斗、用户生命周期的AARRR等。
通过漏斗分析我们大致可以定位到问题出现在哪个环节，但是，到底是什么这个环节的哪个部分出了问题，我们还需要进一步细分拆解定位问题症结所在。
在数据分析中，细分是数据分析的灵魂，没有细分拆解，就没有数据分析。
小虎期中考试的总成绩不好，细分一看，发现其他科目的成绩都不错，只有数学成绩特别差，只得了 40 分，而且三角函数一题都没有做对。
常见的细分方法有以下 5 种：例如本季度的销售额没有达标，可以按照以下思路进行细分：
- 按时间细分：哪个时间段的销售额出了问题？
- 按空间细分：哪个区域的销售额出了问题？
- 按过程细分：售前导购、购买体验还是售后服务的哪个过程出了问题？
- 按公式细分：GMV=流量*转化率*客单价，流量、转化率和客单价的哪个部分出了问题？
- 按模型细分：用户价值分层模型，不同价值的用户的销售额贡献，是哪类用户出了问题？
拆解的方式千千万，在运用细分拆解思维的过程中，要做到有的放矢，围绕数据分析的目标，找到合适的拆解方法，否则只能无头苍蝇一样到处乱撞。
另外，当发现数据异常时，尝试从不同的维度进行细分，这样既能锻炼数据分析思维，又能加深对业务的理解。
如果一个变量改变的时候，另一个变量也朝着相同的方向发生变化，那么我们就说这两个变量之间存在相关性。
分析一家商场的产品销量数据发现，尿布和啤酒的销量会出现大致相同的变化趋势，啤酒和尿布有什么关联呢？采访小虎的爸爸，他说自己下班后，给小虎的弟弟买尿布的同时，也会购买自己喜欢喝的啤酒。
相关性分析，就是寻找变量之间相互关联的程度，相关性一般通过相关系数衡量。最常用的是用于计算线性相关系数的Pearson相关系数，取值区间在1到-1之间。1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关。数据越趋近于0表示相关关系越弱。
