
目前,绝大多数B2C的转化率都在1%以下,做的最好的也只能到3.5%左右(比如以卖图书为主的当当)
我想,所有的B2C都会关心三个问题:究竟那97%去了哪里?自己的网站在什么环节变成了漏斗,让进来的客户像沙子一样一点点地流失?以及怎么检修隐藏的漏斗,减少漏水的速度?
数据,这个时候可以是一双眼睛,可以让我们看得一些蛛丝马迹。
一、分解B2C漏水的过程
大家只知道B2C的转化率不高,但是却不知道客户是怎么流失的。一群用户进来网站,他们经过首页、中间页、产品页、购物车以及结算等几个步骤,通常他们在这几个环节是怎么分批离开的呢?其实,这不是没有数据可查。
先给大家看一张图。
这个数据图,是我根据十几年的工作经验总结得到的,一般与实际情况相差不多。
图一意思就是说,假定400个客户到了你的网站,会到中间页(包括搜索頁、分类頁、促销頁)的只有320(60%~80%)个用户,点击进产品页的只有190个用户,最后辛辛苦苦走到购物车只有9%~13%的用户,这个时候还不能开心,因为并不代表用这些户会掏钱,留到最后会付钱的用户仅仅只有3%~5%。
更叫人难以接受的是,在这最终购买的3%~5%中(未包括支付成功),最后回头再次购买的,又要打一个大折扣。
在吐舌头惊讶B2C生意难做之后,大家可以检查一下自己网站的漏水数据。只有清楚了哪个环节漏水,才能补洞。
二、排查每个环节的漏洞在哪里
以下,我们按照漏水的顺序,一个环节一个环节摸下去。
1、三问首页
大部分B2C首页有20%以上的弹出率,可能许多人对这个数字都习以为常,认为非常正常。如果做得很细致的分析的话,可能就意外的收获。
先问第一个问题:每天来的新客户占多少?老客户占多少?新老客户的弹出率分别是多少?
我看了一下麦包包的数据,麦包包用了很多流量来支持网站首页,如果他们的弹出率很高,那也是很正常的。但是注意要问一句,新老用户的弹出率分别多少?这个是比较容易考验网站的基础能力,新客户的弹出率可以检验一个网站抢客户的能力。对于老客户来说,流程上的用户体验相对不是最讲究,这个就很考验Onsite Merchandising的能力,比如产品的质量和价格是否吸引人。
一般的来说,如果是一个新网站,拓展新用户比经营老客户更为重要的话,新老客户的比例最好是在6比4(甚至7比3),那么首页就要有一些手段偏向抓住新客户。
如果,新用户的弹出率非常高,或者是老用户的弹出率非常高,那么网站运营者就该反思,是不是网站首页的设计没有照顾到新客户或者老客户。
做了三年的B2C网站,建议分新老用户两个首页,已经在网站购买过的用户,没有必要再向它介绍网站,而是直接刺激他消费。
再问第二个问题,流量分几个大渠道进来,每个渠道的弹出率情况如何?
问完了之后,接下来可能发现从百度和谷歌进来的用户,弹出率可能差异非常大。而且今天主流B2C网站,都在费尽心思引进流量,比如凡客今天做很多促销,许多不是从“正门”(官网首页)进来,是“旁门”(LP促销页)进来,所以今天注意首页之外,还要看一下旁门。
针对自己的主要流量渠道排查下去,很容易发现,哪条渠道在漏水。找到了痛处之后,再找到相应的解决方法就不难了。
接着再问第三个问题, 首页被点击最多、最少的地方是否有异常情况?
在首页,点击次数异常的高、或者异常的低的地方,应该引起注意。
这里,在特别给大家分享一个好用的“规律”,一般来说,首页的“E”(以E字中间的“一”为界,上部是首页第一屏)部份是最抓用户眼球的地方,在这个“E”上如果出现点击次数较低的情况,就属于异常情况,应当注意,或者干脆移到“E”外面去;同理,如果在“E”的空白处出现了点击次数较高的情况,也可分析原因,可考虑要不要移到“E”上面来。
国内的B2C网站首页非常长,可能许多用户不会浏览到首页底部,所以“E”最下面的“一”就往往可去掉,变成了“F”规律。
2、中间页留客的三个技巧
先说一下美国用调查出来的现成数据,在B2C网站上的准买家,有18%的用户有找不到需要的产品的困难,有11%的用户找到了产品但是不自己想要的,这29%的用户基本会漏掉。
大部分用户进入首页之后开始找产品,第一是看促销,第二个看目录,第三是用搜索工具。其中,大概有60%~70%的用户是通过搜索+目录的方式走到产品页面。
同上,这三个渠道都要按照新老客户分开去看一下离开率,这里不做赘述。这里和大家分享一下三个技巧。
技巧一:怎么判断促销、目录和搜索是否成功,就看一下走到产品页的用户百分比是多少,哪一个渠道走得不好,就要改善。到底是怎么改进?一般来说,促销的原因与marketing的关系大一些,目录与采购组关联度大一些。
例如,拿产品目录来说,手机应该是按照品牌来分、功能分、还是按照价格来分?目录经理需要和采购经理密切沟通,了解市场情况。曾经,我去京东,京东有个做目录的经理问我,怎样做好一个产品目录?当时我说我也没答案,这个我研究了10多年,没有特别好的标准答案,只能是与凭借多年的市场经验。
如果一个网站前端的东西做不好,是营销的责任多一些。到中间页面,可以按照目录的转化率查一遍,转化率差的目录就要注意一下。
再说搜索,一般B2C网站是由目录经理+技术来做的。通过搜索工具找产品的用户,自己有精确的需求,那么除了搜索技术之外(此环节与产品经理的关系非常大),还要提供符合用户需要的产品。假想一下,如果一个用户搜索出来的页面只有3个产品,他肯定会判断这个网站的东西非常少,如果还不那么符合自己要求的话,离开率几乎是100%。
而多年做数据的经验告诉我,一般来说,在搜索页的第三页至第四页,用户还没有找到想要的产品,离开率就会很大。针对搜索页离开率比较大的页面,也有两个分享的技巧。
技巧二:在离开率高的页末尾,推荐给用户另外一个搜索路径,让用户换一条路找产品。
技巧三:对于那些找不到自己想要的东西的用户,乘他们脑子是空的时候,弹出一个菜单,告诉他们10个人就有9个人买了某某产品,可能就会把他整个思维重新激活,又可能留下。
技巧三比技巧二对用户的刺激大,但是也更冒险,如果对推荐的产品没有足够大的把握,用户可能转头就离开了。
3、产品页要特别留意用户停留时间
到了产品页,用户留不留,与产品描述、质量有非常大的关系。所以,要特别留心客户停留在产品页的时间,如果许多用户打开产品页不到1秒钟就走了,就要留意分析原因了。是不是这个产品没有吸引力?是不是产品描述不准确?要多问一些问题。
另外,和传统零售业喜欢提到的“碰撞率”相似,网站运营者应该了解哪些产品是被看了最终页,哪些没有被用户点看。
4、购物车里多少产品没有付款?
但是并没有下单付款。
许多用户把产品放进购物车,但是并不付款。找产品部负责人,为什么这么多用户放在购物车里却不付款?这对于一个B2C网站来说,是一个很严重的事情。
这里有三个点值得一提。
一是,许多B2C网站,等用户要下单,提醒“请先注册”,30%的人可能会选择离开。这真的非常狠的一刀,从站外把用户引进来好不容易跋山涉水到了这一步,竟然还要给用户一刀送他离开,多少B2C网站思考过是否必要设立这一“提醒”?
二是,如果找不到用户不付款的原因,可以直接给几个用户电话访问。
三是,分析同时被放在购物车的产品之间关联性。
总之,到了购物车,是网站自己和自己比,定性的多,定量的少。
三、B2C的顾客也有生命周期
传统零售企业,很难知道,客户在一段时间内购买了多少次产品、买的是什么价位,但是电子商务公司可以很清楚知道用户的购买行为。
对于用户规模很大的B2C来说,很有必要把用户分为三个阶段:以3个月为限(有些垂直网站要6个月至一年),只购买够一次的用户、一个月购买过2到8次的用户、购买过8次以上的用户(每个网站可以根据自己的情况定次数,这里的数据是一般的规律)。
B2C网站从0到1,可以说明拉客能力。当一个客户进来,如何做1到x(X的具体数字,垂直网站和综合有区别,企业在不同阶段,X也会变)也十分重要,不同阶段的用户的维护方法是不一样的。今天看很多网站,从1次到3次,会有50%以上用户就不回头流失了,而到了5-8次以上流失率便放慢了。(文章来源:CDA数据分析师)
如何从1做到X,还有许多可讨论,只是这篇文章集中介绍的是从0到1的转化,所以在这里就不展开了。但是有一定是非常肯定的是,大部分用户只有第一次购物体验非常好才会回来重复购买。所以说,做好了从0到1,从1到X就已经成功了一半了。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01