文：程季堃

路径是转化过程分析的重要环节。本文中所说的路径是指“网页/应用”端的用户在达成运营目标时，需完成的流程、步骤或程序等交互，基于时间戳呈现的序列关系。

最优路径设计则是在路径分析基础上，增加了最优化的考量：如何在多个业务目标下兼顾多个目标的达成，以及如何更好地平衡业务目标和用户体验。

所有的运营资源都可以形成路径，譬如页面、功能、活动、商品等主体。因而我们可以得出一条路径的重点要素包括：主体（即做什么）、顺序（即先做什么后做什么）、以及完成量（即需完成多少次）。

01、模式与因素

// 设计模式 //

路径设计模式常分为固定路径与个性化路径。

其中固定路径常为业务必需或习以为常的路径，如登录/注册流程、购物车流程、支付流程等，其作用主旨在让所有人体验相同；

而个性化路径常为用户角度触发的个性化推荐，如猜你喜欢/跟您类似/为您推荐等方式，其目的在于引导用户访问各类交互流程。当下大多数电商行业都是二者结合，部分仍以固定路径为主；而大多数传统行业主要多以固定路径为主。

// 设计因素 //

路径设计内容核心在于兼顾运营需求及用户体验，而核心真正侧重为企业运营需求。

设计因素首要关注的是竞争对手，尤其是行业TOP玩家作为因素考量；其次为内部指导性因素运营目标与辅助性技术支持；最终衡量的因素是用户体验接受度及满意度，当然该因素要结合和前些因素视情况而参考。

受到上述因素影响，加上路径自身属性与限制，其本身在设计上存在一定考量因素。如：判定达成一个目标是否存在多路径选择方式从而设计单一路径或多项路径；路径自身入口、分流、节点顺序与功能、长度、完整遍历耗时，以及赋予路径产品引导或体验、运营激励等类似功能策略后如何实现。

对于用户体验的衡量，则直观从数据上获得，包括特定类型用户的“真实路径”以及普遍“不同路径”的测试结果反馈，从而对路径设计优化提供支持。

02、最优设计实践

最优路径设计一直存在一个疑问：最短即最优？当然在特定场景下，是的。

而真实的最优路径应在满足运营目标的前提下（单一或多目标为运营核心），融合用户体验感与关注点，进行优化设计：

1、相同路径长度下改变路径内的“交互内容”，通过减少“无效”信息展示提高用户体验。我们常见类似业务流程场景：

需要用户参与多次促销活动，但活动内容根据用户喜好动态匹配
购物浏览过程中根据用户喜好展示用户最可能喜欢的内容
用户到访网站后自动展示最感兴趣的内容等等

通过个性化并依据细分的推荐方式，用于内容或部分内容可动态变化的节点，可尝试进行如下设计操作：

在落地页、个人中心依据最近一次互动的产品记录推荐用户最近互动的产品(类)
在产品详情页、购物车页、加入购物车时类推板块、订单历史页、收藏夹依据匹配标签或特征相似度推荐用户与最近互动产品类似的产品(类)
在个人中心、产品详情页、购物车页、加入购物车时类推板块依据聚类群体相似度或K-Nearest Neighbors(KNN算法)临近相似推荐与用户类似的其他用户正在互动的产品(类)
在产品详情页、购物车页、订单提交成功页、支付成功页依据频繁模式或/及序列模型的关联度推荐XX的用户也/又/再互动的产品(类)
在产品详情页、购物车页、加入购物车时类推板块、订单历史、收藏夹依据UCF算法(人以群分)、ICF算法(物以类聚)或其他模型CF算法^[1]推荐XX过的用户也喜欢的产品(类)
在首页、类目页、超市页、信息流页等类似列表陈列页基于点击/转化预测的LearnToRank推荐用户可能期望的产品(类)，即如猜你喜欢
在首页、类目页、超市页、信息流页等类似列表陈列页基于新老用户、是否为转化流程节点等细分信息推荐用户可能期望的产品(类)

2、相同路径长度下改变路径内的“交互顺序”或“提高交互效率”，提高用户在单个节点的体验。常见相关业务流程场景如：

站内搜索，即用户输入的同时自动联想出后续相关词
用户结账时根据历史购物结算方式默认设置 (亦可动态选择)，只需Double Check而无需重复性手动操作等等

通过个性化并依据群体喜好的推荐方式，用于交互顺序可动态变化，如页面位置点个性化，即以from、div、a标签为例，可进行如下设计操作：

在基于用户输入进行预测进而自动填充的文本框，如搜索框、地址栏中依据隐马尔可夫模型、序列关联模型进行内容的自动填充/联想/提示操作
在基于用户个性化或群体的默认设置内容的表单/下拉框/单复选框，如地址栏、支付方式栏中依据历史内容记录进行内容默认/预置设置

3、减少路径长度（“交互内容”也会减少），提高用户体验。普遍流程优化场景如：

缩减注册流程从6步至3步
用户加入购物车时推荐可以一起一键直接购买的产品，无需再返回网站再查找等等

通过个性化并缩减业务无效流程的优化方式，运用建模分析设计路径长度。如回归分析不同的“路径长度”对于转化量/率的影响、路径长度对转化的影响程度、从拐点、基线、区间找寻“适中”路径长度，可进行如下设计操作：

多页面组合流程中减少无效页面节点
多表单组合的单页面流程减少无效表单数量
多步骤组合的单表单页流程减少表无效单步骤或项目

4、基于不同的用户定义不同的路径，实现路径个性化。例如：新用户领样的路径是A → B → 领样（前面只要2步），老用户领样的路径是A → B → C → D → 领样（前面可以放4步）。这样基于不同个体/群体的路径实时性定义完成目标，从而实现总体目标最大化。用于路径可变的节点或链接即路径入口，如动态链接等，可进行如下设计操作：

基于用户属性分流，如新老用户、国家地域等

03、形成与评估

// 路径形成 //

优化设计过后，便是基于数据形成路径。通常我们从三类依据着手，包括：

1、原始数据的自定义统计

首先筛选/过滤符合条件的路径，可按需去重排序，按重要性排序，而后进行统计汇总，譬如Python中对特定对象(如CookieID)的groupby并汇总方式为list(注意保持序列)、Pypark中对特定对象(如CookieID)的groupby并汇总方式为collect_list(注意保持序列)。

2、基于序列关系模型得到关联关系

假设当前两个关联性强的产品，可以根据不同优化设计放在一起缩短路径并快速转化，或故意隔开延长路径并提供深入/扩散访问。

3、分析平台直接获取路径

譬如GA报告中“转化-多渠道漏斗-热门转化路径”相关可视化数据。

// 路径评估 //

获取路径评价最直观的方式则是从用户中直接获得反馈，如线上/线下问卷、访谈等方式做用户调研，但该方式存在海量调研、处理周期长及评论主观性等不足。因而常用直观数据评估方式，例如：

A/B(N)测试：对比路径可变元素对用户目标达成的影响

智能路径分析：如GA4中相关探索报告，可设置起始节点或终止节点，从而进行上下游、环节的价值衡量

漏斗分析：关注流程中转化/流失情况及步骤/整体所带来的转化价值

热力图/滚动图：探究用户对单页内设计的访问深度及关注偏好进而再通过建模分析深入评估路径表现，包括分析不同路径长度对转化量/率的影响，找到路径长度对转化量/率的影响程度，从而确定合适的路径长度。

最终路径与路径交织成网，从线上升到面的角度进行网络关系分析，通过社区发现、PageRank重要节点挖掘等算法探寻更高层级的路径集群关系/组合。

对“线级”路径评估分析可以从预设路经与实际路径的差异、主路径与分支路径的集群化或差异化、不同用户细分/渠道来源等多维度路径差异这些角度着手，进行短期指标，包括业务目标达成量/率及其他辅助性影响指标如停留时间、访问深度、事件交互量/率等的评估，或长期指标包括周期性留存量/率、活跃量/率、流失量/率的比较评估。最终可选取适用的可视化图形展示结果。

[1] CF算法即Collaborative Filtering Algorithm协同过滤算法，是一种在推荐系统中广泛使用的技术。该技术通过分析用户或者事物之间的相似性（“协同”），来预测用户可能感兴趣的内容并将此内容推荐给用户。https://en.wikipedia.org/wiki/Collaborative_filtering

如何通过“最优路径设计”更好的平衡业务目标和用户体验？