顾名思义，“漏斗” ，逐层递进，层层过滤。
在电商app场景下，最经典的为用户的浏览->点击->加购->下单 漏斗模型。
用漏斗模型进行数据分析的常用指标：
渠道:用户从哪种渠道 “引流”进入到app，例如google,facebook,tiktok等。不同渠道引入的用户 可能会带有不同的用户群体特征，例如google渠道可能是无心插柳的搜索用户，facebook更多为男性用户，tiktok可能是更年轻的用户等等。这在做数据分析时是需要考虑的重要因素PV (Page View):页面浏览量UV (User View):独立访问量。pv和uv一般作为同时观测的指标，防止出现作弊，异常流量。或者某些特殊偏好行为用户群体占比过大 导致pv或者uv值 异常等等。停留时间:页面停留的时间。比较重要的指标，需要技术配合进行相关埋点标记工作转化率:进入到下一个页面。核心观测主要跳失率:同流失率，“反悔”。在其他模型（用户全路径模型）下更为重要，表示某个页面对用户的“吸引程度"
四个环节的转化率在数据分析上有宏观上的指导意义，通过一些数据开发/报表手段 可以检测某个业务或者 维度下的 转化率趋势。
例如：建设一张分ios/android 并可下钻到不同app版本 的 四个转化率（浏览->点击转化率，点击->加购转化率，加购->下单转化率） 日趋势图报表。（注：最好使用柱状图同时展示转化率对应分母的绝对值或占比，便于观察某个版本的影响大小）
当发现某天浏览->点击 转化率 发生波动时，快速下钻查看不同app版本的转化率，如果是某个版本有大幅度下降，其他版本都正常。那可以推断为该版本问题，联系app开发人员进行”行为模拟“排查，可能是某个页面的点击按钮失效等原因。
以上只是举一个维度的案例，针对经常会发生异常的场景，BI可设计不同的下钻维度，便于业务方高效排查漏斗模型异常。
漏斗模型 不仅是需要宏观角度报表，更需要配合更多维度多场景的下钻报表，才能相对”自动化“定位问题，及时排除系统异常，让业务有更多时间聚焦于业务本身。以上面的例子为例，当所有app版本的转化率都是同一趋势下降时，那就可能是某个主页面的效果不佳，业务可能要审视自己的主页面的排版，活动氛围，跳转引导等问题，进行针对性优化。优化时同样可在 页面维度的转化率排行中 找到TOP页面 进行参考。
二.cohort 模型 ，同期群模型 （留存）