转化率涨了40%但用户还在流失：漏斗分析漏掉了什么

转化率涨了40%，用户却在大批量流失——这不是悖论，是漏斗分析的盲区。

Meredith Hursh最近做了一项研究，专门盯着那些"看起来一样"的用户。同一阶段、同一转化率，有人成了忠实用户，有人悄无声息地消失。她的发现挺扎心：漏斗位置根本解释不了结果差异。

漏斗 stage 相同，命运截然不同

传统分析把用户旅程切成三段：试用（trial）→转化（conversion）→留存（retention）。阶段越靠后，成功概率越高——这个假设听起来合理，数据却不买账。

Hursh 把同一 stage 的用户拎出来对比，发现行为模式天差地别。有人高频互动、深度使用，有人只是挂着账号刷存在感。漏斗视图里他俩是同一个像素点，实际价值可能差出一个数量级。

她用 PostgreSQL 搭了一套分析视图，再加上交互式仪表盘，专门追踪三个问题：同阶段用户为何结果不同？高互动真的等于高价值？运营结构（导师配比、session 设计）到底有多大权重？

互动频率≠成功概率，结构才是隐形杠杆

第二个发现更反直觉。不是互动越多就越好，而是互动发生在什么结构里。

Hursh 对比了不同 mentor 负载下的用户表现。导师带 5 个人和带 25 个人，同样的互动次数，转化质量完全不同。session 设计也一样——固定节奏 vs 自由预约，用户的行为轨迹和最终留存率呈现两种分布。

换句话说，运营结构不是背景板，是行为发生的土壤。土壤不同，同样的种子长出不同的东西。

从"发生了什么"到"为什么发生"

这项研究的核心转向很清晰：放弃把转化当终点，转而去理解用户互动如何随时间演化。

Hursh 在文中提到，她用仪表盘追踪 engagement signals 和 operational structure 的交叉影响。不是看用户到了哪一站，而是看他在这一站做了什么、和谁做、怎么做。行为数据比漏斗位置多了解释力，这不是说转化率没用，是说它不够。

她的结论直接挑战了行业默认假设。漏斗分析告诉你转化率 15%，但 15% 里哪些用户会续费、哪些会投诉、哪些只是误触，转化率本身不会说话。行为数据会。

最后留一个问题：你的产品里，有没有一群"同 stage 不同命"的用户，你至今不知道他们差在哪？