银行App的用户路径往往与产品经理预设的直线路径大相径庭。本文深度剖析路径分析的核心价值：从拿破仑东征图的历史渊源，到现代银行场景下用户反复绕路的行为逻辑，揭示如何通过桑基图捕捉那些"漏斗分析永远发现不了"的隐藏问题。特别拆解四种关键用法，带你看懂用户为何在风险说明与帮助中心之间反复横跳，以及如何用五步法将混乱的路径数据转化为产品优化洞见。
先给你看两组路径。
第一组，是产品经理画的：
首页 → 理财页 → 产品详情 → 风险测评 → 确认购买 → 支付成功
清晰，笔直，像教科书里的标准答案。
第二组，是真实数据里跑出来的：
首页 → 活动弹窗 → 返回首页 → 搜索栏 → 帮助中心 → 理财页 → 风险说明页 → 返回 → 退出
乱了。这不是用户在”使用产品”，这是在”迷宫里找出口”。很多人以为用户流失是因为”不想买”。
错。很多时候，用户流失是因为”走不明白”。漏斗分析告诉你”哪里掉了人”。但漏斗不会告诉你——用户在掉下去之前，到底在干什么。路径分析，补的就是这一环。这一篇，我们把”用户在干什么”这件事彻底说清楚。
一句话：路径分析是观察用户在产品里真实走过的每一步，看他们“从哪里来、去了哪里、最后停在了哪里” 。
注意几个关键词。
“真实走过的”。不是产品经理设计的路径，不是你以为用户会走的路径，而是数据里实实在在记录的路径。
“每一步”。从进入App到离开，中间所有页面跳转、所有行为事件，全部还原。
“从哪里来、去了哪里、最后停在哪里”。这是路径分析要回答的三个核心问题。
落到银行场景里，就是：
路径分析和漏斗分析，名字听起来像，功能其实很不一样。这是很多人混淆的地方。我直接上一个对比表：
举个具体的例子，你就清楚了。漏斗告诉你：某银行理财购买流程里，”确认购买 → 支付成功”这一步转化率只有38%。大量用户在支付页流失。但为什么？漏斗看不到。路径分析一看，发现大量用户的行为是这样的：
确认购买 → 风险说明页 → 帮助中心 → 常见问题 → 返回 → 退出
用户在支付前，反复查看风险说明，然后去了帮助中心，然后退出了。这说明什么？用户在担心费用问题，或者对风险提示不满意。 他没有获得足够的安全感，所以没付款。漏斗告诉你”支付这步有问题”。路径告诉你”用户在风险说明那里起了疑虑”。这两个信息，差了十万八千里。
核心：漏斗告诉你“哪里出问题”，路径告诉你“为什么出问题” 。
你可能觉得路径分析是个新概念。错了。这个方法论的历史，比绝大多数数据分析工具都长。
说到路径分析的可视化，就不能不提一个人——法国工程师查尔斯·约瑟夫·米纳德（Charles Minard） 。1869年，米纳德绘制了一张被后世称为”数据可视化经典之作”的图——《1812年拿破仑东征图》。这张图描绘了拿破仑入侵俄国的军事行动。但它不是一张普通的行军路线图。
米纳德用一条渐变的宽带，展示了拿破仑军队在进军（黄色）和撤退（黑色）过程中的兵力变化。线条的宽度代表军队人数。从图中可以清楚地看到，拿破仑带着四十万大军出发，经过漫长的俄國腹地，撤退返回法国时，线条已经细到几乎看不见——活着回去的只有一万多人。
这张图的革命性在于：它第一次用可视化手段展示了一个“流动过程”中的数量变化。人从哪里来，经过了哪里，最后去了哪里，每个节点的流量各是多少，一目了然。这，就是路径可视化最原始的雏形。
真正让”桑基图”这个名称流传下来的，是爱尔兰工程师马修·亨利·菲尼亚斯·里亚尔·桑基（Matthew Henry Phineas Riall Sankey） 。1898年，桑基在一篇描述蒸汽机能量效率的文章里，画了一张类似的流动图。图中箭头宽度代表能量大小，展示了能量在蒸汽机各个部件之间传输时的损耗情况。
桑基没有发明这种图——米纳德比他早了29年。但桑基第一次系统性地将这种”流动可视化”方法应用到了工程领域，于是后人用他的名字命名了这个图表类型。从那以后，桑基图被广泛用于各行各业：农业追溯农产品流向，社会学研究人口迁移，医学追踪病例发展。直到互联网时代，桑基图才真正找到了它的主场——用户路径分析。
早期的网站分析里，路径分析叫”Behavior Flow”（行为流）。Google Analytics（通用版，UA）最早在2005年前后引入了这个功能。它以页面为节点，展示用户从一个页面跳转到另一个页面的流量和比例。听起来很美好，但实际用起来问题一堆：页面数量一多，图形就乱成一团；只能看页面级别的跳转，看不到具体的行为事件（比如点击了哪个按钮）；加载速度慢，数据延迟严重。
2012年前后，Mixpanel和Amplitude这类行为分析工具崛起。与UA不同，它们是”事件驱动”的——把用户每一个动作（点击、浏览、滑动）都当成独立事件来记录。这意味着路径分析不再只能看”用户看了哪个页面”，而是能看到”用户在页面里做了什么”。
这个转变是本质性的。
2019-2020年，Google Analytics升级到GA4，废弃了原来的”用户流”报告，用”路径探索（Path Exploration）”取而代之。GA4的核心改变是：不再依赖页面浏览（pageview），而是把所有用户行为都当成事件（event）来处理。你点了一次按钮，是一个事件；你看了一秒页面，是一个事件；你在页面里滑了一下，是一个事件。这种事件级别的追踪，让路径分析的颗粒度提升了不止一个量级。
从页面流到事件流，从预设路径到自由探索——路径分析工具的演变，本质上是对“用户行为越来越复杂”这件事的适应。
核心的原因有三个。
在电商场景里，用户的购买路径相对线性：看到商品 → 点进去 → 加购物车 → 结算 → 付款。路径短，决策快，用户的”计划性”比较强。银行完全不是这样。理财购买不是”买一件衣服”，而是涉及资金安全、个人信息、风险认知、家庭财务规划等多重心理过程。用户在这个过程中会有大量的”停下来想一想”——看风险说明、查产品评价、比收益、问客服、跟家人商量。结果就是：银行用户的路径天生就是乱的。
你设计的是：
首页 → 理财 → 选产品 → 风险测评 → 购买
真实情况更可能是：
首页 → 看到推送 → 点进去 → 看完收益 → 去查了一下”这个产品安全吗” → 回来看风险说明 → 不知道怎么填 → 去帮助中心 → 回来接着填 → 退出 → 第二天重新来 → 又卡在同一个地方 → 算了不买了
这不是用户的问题。这是高信任成本决策的必然结果。
金融产品天然要求用户反复确认、反复比较、反复验证。这是行业特征，不是产品缺陷。
漏斗分析看到的是”有没有完成转化”。路径分析看到的是”绕了多少路才完成（或者没完成）”。绕路，是银行App最典型的路径特征。具体表现：
每一种”绕路”行为，背后都是一个没有被满足的信息需求，或者一个没有被解决的信任顾虑。某股份制银行做过一次理财购买路径分析，发现一个有意思的数据：完成购买的用户，在购买前平均访问了2.3次”产品详情页”。但没有完成购买的用户，同一指标的均值是6.7次。差了将近3倍。
这说明什么？反复回来看同一款产品的用户，不是在“认真考虑”，而是在“找不到足够的安全感”。 看第三次他还在犹豫，看第六次他已经开始烦躁了，最后选择放弃。
漏斗分析依赖预设路径。它只能看你”设计好的那些步骤”之间的转化。但用户的真实行为，往往会溢出你预设的路径——他们会跳到你没设计的页面，会用你没预料到的功能，会在你以为已经结束的地方重新开始。这些”意外”，只有路径分析才能发现。
一个典型案例：某城商行发现理财购买漏斗里”提交订单 → 支付成功”的转化率只有41%。以为是支付接口有问题，或者UI设计有bug。路径分析一看，发现大量用户在提交订单之后，没有直接去支付，而是跳转到了”费用计算器”页面，看完之后才返回去支付。
问题是：为什么他们要先看费用计算器？
进一步分析发现，费用计算器页面的入口设计有误导——用户在填写订单金额时，旁边有个”计算费用”的小按钮，用户误以为点了才能完成填写。结果填完之后发现页面跳走了，就以为订单作废了，很多人直接退出。这个Bug，漏斗分析永远发现不了。因为漏斗里根本没有”费用计算器”这个节点。
真正的产品问题，往往藏在预设路径之外。路径分析的价值，就是找到那些“你没有设计但用户走了”的路径。
问题：什么入口进来的用户质量最高？这个分析，是把”用户从哪个渠道进来”和”进来之后走了什么路径”结合起来看。在银行场景里，通常有这几类入口：
路径分析可以验证一个反直觉的结论：搜索渠道进来的用户，转化率往往高于推送渠道。
不是因为推送质量差，而是因为搜索用户的”主动性”本身就是一种信号——他主动来找你，说明他已经走过了前期的认知建立阶段。推送用户可能连”我要买理财”这个念头都是被一条推送唤起的。
所以，当你发现推送进来的用户路径特别长、绕路特别多，先别急着优化产品。先看看用户是不是本来就不够”ready”。
问题：用户在App里的行为习惯是什么？这是最基础的一种路径分析。看用户在核心路径上，有哪些共同的特征路径。银行理财场景里，有一个特别典型的行为路径：
浏览理财页 → 多次查看风险说明 → 查看收益计算器 → 查看历史净值 → 再看风险说明 → 加入自选
这条路径说明什么？用户对这个产品有兴趣，但在”安全”和”收益”之间反复权衡。如果你的产品设计里，风险说明和收益展示是分开的，用户就不得不来回跳转。每跳转一次，流失风险就增加一分。
行为路径分析的价值，就是发现这类”不流畅”的设计问题。
这是路径分析里最有洞察力的一块，也是最容易出成果的地方。绕路，指的是用户在某个节点反复跳转、重复进入、高频返回、频繁搜索。这些行为本身不是问题，当它们高频出现时，意味着用户在那里遇到了障碍。绕路的常见形态：
形态一：反复访问同一页面
产品详情页 → 返回列表 → 产品详情页 → 返回列表 → 产品详情页 → 退出
用户反复看同一款产品，说明要么内容不够有说服力，要么信息组织方式让用户找不到重点。
形态二：购买前高频访问帮助中心
购买确认页 → 帮助中心 → 常见问题 → 返回购买确认页 → 风险说明 → 帮助中心 → 退出
购买前密集访问帮助，说明用户在购买决策前还有疑虑没有被打消。
形态三：频繁使用搜索
列表页 → 搜索 → 列表页 → 搜索 → 列表页 → 退出
用户反复搜索，说明产品分类或导航没有帮他快速找到想要的东西。他放弃了浏览，转向主动搜索来定位目标。
形态四：高频返回首页
任何页面 → 返回首页 → 另一个页面 → 返回首页 → 又一个页面 → 返回首页
用户为什么总回到首页？可能是因为主导航不清晰，用户在陌生页面里找不到下一步该去哪，所以回到首页这个”安全基地”重新开始。
核心：用户绕路的地方，往往就是产品设计的问题。不是用户的错，是你的地图不够清楚。
问题：没有完成转化的用户，退出前最后看的是哪个页面？这个分析，是路径分析里最容易被低估的一种用法。大多数分析工具都会告诉你”用户在哪个页面退出了”，但路径分析会告诉你更关键的信息：用户退出前，是从哪个页面出发的，又经过了哪些页面才决定退出。同样是”在产品详情页退出”，情况可能完全不同：
同样的”退出”行为，背后是完全不同的用户心理状态。流失路径分析的核心价值，就是把”退出”这个冰冷的数据，还原成用户的心理决策过程。
路径分析不是拉一张桑基图就完事了。没有章法的路径分析，只会得到一堆”蜘蛛网”。分享一套经过实践验证的五步法。
没有目标的路径分析，是无效的分析。”我想看看用户怎么走的”——这是一个模糊的想法，不是分析目标。正确的分析目标应该是：
目标越具体，路径分析越有价值。 泛泛而谈的”用户路径分析”，最终只会产出一张谁也看不懂的图。
路径分析最大的陷阱，是把”所有行为”都放进来分析。用户的每一次点击、每一次滑动、每一次页面停留，都是行为事件。一个中等规模的银行App，每天的行为事件数量可能达到百万级别。如果把所有行为都纳入路径分析，你得到的结果就是一张密不透风的”神经网络图”——没有任何人能从中读出有效信息。只选核心行为、关键页面、转化节点。对于银行理财场景，建议的节点选择原则：
通常控制在8-12个核心节点，效果最佳。
这是路径分析里最考验洞察力的一步。拿到一张路径图，大多数人第一步是找”最粗的线”——这是用户走得最多的路径，看起来最重要。
错。
最粗的线，是你已经设计好的路径。用户本来就会那样走。真正值得关注的，是那些”意外的细线”：
某银行App的实际案例里，分析人员发现一个异常路径：大量用户从”基金详情页”跳转到了”国债产品页”。这不是他们设计的路径，但出现频率极高。
深入分析之后发现：用户在基金详情页里没有找到自己想要的信息（低风险、稳健收益），于是主动去搜索了另一个产品类型。
洞察：基金详情页缺少”稳健型基金推荐”的引导模块，导致高风险偏好的用户直接流失到其他产品类别。
路径分析到这里，只是描述了”用户做了什么”。但分析不能停在描述层面。路径告诉你的是“用户行为异常”，不是“问题原因是什么”。所以你必须往前走一步：提出假设。
常见的假设逻辑：
数据看到的是行为，业务理解看到的才是原因。
路径分析不是孤立存在的。它最有力的用法，是与其他分析方法组合。
路径 + 漏斗：先漏斗定位问题点，再路径追溯原因。
这是最经典的组合。漏斗帮你找到”哪里转化率低了”，路径帮你找到”用户在那里遇到了什么障碍”。执行顺序永远是：先漏斗，后路径。不要一上来就做路径分析。
路径 + 分群：不同用户，走不同路径。
新用户 vs 老用户的路径完全不同。高净值用户 vs 普通用户的决策逻辑完全不同。有过购买记录的用户 vs 第一次访问的用户，行为模式也完全不同。做路径分析时，必须按用户分群来看。某银行发现，整体理财购买路径里”帮助中心访问率”高达34%。但按用户分群一看，发现其中82%的”帮助中心访问”来自”首次访问的新用户”。老用户的帮助中心访问率只有7%。这意味着帮助中心的优化优先级是：专门针对新用户设计引导，而不是全面改版帮助中心。
路径 + A/B测试：发现问题，做实验验证。
路径分析能发现”哪里有问题”，但不能证明”改了就好了”。要验证假设，必须做实验。比如你发现用户在风险测评页大量跳转到FAQ，假设是”测评问题太专业，用户看不懂”。验证方法：设计一个简化版测评（减少专业术语，增加通俗解释），做A/B测试，对比两组的完成率。有数据支撑的假设，才值得投入改版成本。
用一个完整案例，把前面的所有方法论串起来。
某股份制银行App，理财购买转化率持续三个月环比下降。从年初的4.2%降到了2.9%。运营团队做了各种优化——改了UI、加了推荐位、做了新人红包——效果都不明显。
先上漏斗：
首页曝光 → 理财产品点击：18%
产品点击 → 风险测评进入：82%
风险测评 → 测评完成：61%
测评完成 → 购买确认页：54%
购买确认 → 支付成功：38%
最大的断崖有两个：
两个断崖，哪个更值得优先处理？
结合业务经验分析：测评完成率受产品复杂度影响较大短期内优化空间有限。支付转化率是最后一个环节，每提升一个百分点，都是纯增量，优先级更高。
锁定”购买确认 → 支付成功”这个环节，做路径分析。典型的流失用户路径：
购买确认页 → 风险说明页 → 返回 → 购买确认页 →
帮助中心 → 常见问题 → 返回 → 购买确认页 →
风险说明页 → 费用说明页 → 返回 → 退出
异常信号：
进一步分析这些用户的页面停留时长：
综合以上数据，提出三个假设：
假设一：风险说明文案过于官方、晦涩
用户平均停留28秒，远超正常阅读时长，说明用户在努力理解但看不懂。看不懂怎么办？去帮助中心找答案。
假设二：费用展示位置或展示方式有问题
用户在支付前专门去查费用说明，说明当前页面的费用信息不够显眼，或者用户担心有隐藏费用——这是一种典型的”账单shock”心理。
假设三：用户在“购买确认页”没有获得足够的“决策信心”
购买确认页是用户做出最后决策的地方。如果这个页面的设计没有给出足够的”安全感信号”（比如其他人买了多少、产品的历史口碑等），用户就会四处求证，最终因为反复求证反而放弃了。
基于三个假设，制定了三项优化措施：
优化一：重构风险说明页面
原来的风险说明是纯文本、一大段。用户读不懂，也懒得读。改为三个模块：
优化二：前置费用信息展示
把费用说明从”跳转查看”改为”默认展开”：费用计算公式+历史实际扣费区间（以具体数字呈现）。让用户在进入支付流程之前就看到完整的费用信息，消除”账单shock”的顾虑。
优化三：在购买确认页增加“安全信号”
改版上线后，支付转化率数据：
从金额维度看：同样的流量规模，月均理财销售额提升了约2700万元。
真正导致用户流失的，往往不是功能，而是”疑虑”。那个在风险说明页停留28秒的用户，他其实是想买这个产品的。他只是没有获得足够的安全感来做出最后的决定。每多犹豫一次，流失概率就增加一分。路径分析的价值，就是把这些”疑虑”从数据里挖出来，变成可以被优化的问题。
不是用户不优质，是你没有给他足够的理由留下来。
说完了怎么做，也得说说别怎么做。这是过来人的血泪经验。
拿到一个路径分析工具，第一反应是”我要把所有行为、所有页面都串起来看看”。
结果呢？
得到一张密密麻麻的”神经网络图”，线条交织、节点密布，恨不得把整个屏幕填满。然后发现：这张图谁也看不懂，包括你自己。
路径分析的核心原则：节点越少，洞察越清晰。你不可能同时分析所有路径。必须先确定分析目标，再围绕目标选择最关键的节点。
建议：每次路径分析，节点数量控制在10个以内。如果超过10个，说明你需要重新思考你的分析目标。
最粗的那条线，固然说明”大量用户走了这条路”。但这条路的转化率你可能是知道的——它本来就是你设计好的。真正的问题藏在异常路径里。
那些看起来”人少的线”，往往是洞察的富矿。一个只有5%用户走的路径，如果它是”非预期的”，就值得深挖。因为这5%的用户，可能代表了某类被你忽视的用户需求，或者某个你没有意识到的产品漏洞。
这是最常见的错误，也是最致命的一个。路径分析告诉你的是”用户做了什么”——他们访问了哪些页面，在哪里停留了多久，从哪个页面退出。路径不会告诉你的是”他们为什么这么做”。
“用户在支付前访问了帮助中心”——这是行为数据。
“用户访问帮助中心，是因为风险说明文案看不懂，对产品安全性有疑虑”——这是业务洞察。
从行为到洞察，中间需要的不是更多数据，而是对业务的深刻理解。
数据看到的是行为，业务看到的才是原因。
回到开头那个场景。
你设计的路径：首页 → 理财页 → 产品详情 → 购买。
用户真实走的路径：首页 → 活动页 → 返回首页 → 搜索 → 帮助中心 → 理财页 → 风险说明 → 退出。
你以为用户流失是因为”不感兴趣”。
真实原因是：他想在风险说明里找到”这个产品安不安全”的答案，但那段文案太晦涩了，他看不懂，去帮助中心找也没找到，最后烦躁了，关掉App，再也没回来。他不是不想买。他是走不明白。路径分析，就是让你看到那条”迷宫里的真实路径”。
不是评判用户走得对不对，而是问自己：我的地图够清楚吗？
本文由 @老徐的干货铺 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。