京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
CDA数据分析师 出品 作者:李诗怡 四层结构 · 零件与房子 · 六大易错点 一、什么是指标体系 定义:指标体系是整套完整框架 ...
2026-10-13写在开头 先还原一个你大概率见过的场面。 立项会上有人说:我们得做用户画像。 于是团队关进会议室,白板写满便利贴,两小时后 ...
2026-10-13 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-10-13在统计学与数据分析研究中,相关性分析分为数值变量分析与分类变量分析两大类。针对身高、销量、分数等连续数值变量,通常采用皮 ...
2026-10-12在Power BI可视化分析体系中,常规表格仅能展示枯燥的数值数据,存在数据对比不直观、强弱规律不突出、维度交叉分析低效等问题。 ...
2026-10-12 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-10-12在传统零售行业同质化竞争激烈、大众营销转化率持续走低的背景下,依托经验与直觉的粗放式营销逐渐失效。美国塔吉特百货(Target ...
2026-10-10随着智能客服、数字化服务、用户精细化运营的快速普及,传统零散、非标准化的客户服务数据与业务体系逐渐难以支撑高效服务治理。 ...
2026-10-10 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-10-10CDA数据分析师 出品 作者:李诗怡 定义区别 · 场景举例 · 指标分类 · 计算方法 知识体系总览 模块 包含内容 一、核 ...
2026-10-09在数据分析工作流中,业务数据大多存储在各类关系型数据库内,例如MySQL、PostgreSQL、SQLite等。Pandas是Python生态中主流的数 ...
2026-10-09在数字化精细化运营时代,海量用户存在需求差异、行为差异、价值差异与偏好差异。如果企业采用“一刀切”的统一营销、统一服务、 ...
2026-10-09 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-10-09指标体系是企业数字化分析、业务监控、经营决策的核心基础框架,是将零散数据转化为可衡量、可对比、可落地业务价值的关键体系。 ...
2026-10-08随着市场竞争日趋饱和,同质化低价竞争逐渐陷入内卷僵局,传统以价格、渠道、促销为核心的营销模式边际效益持续递减。在此背景下 ...
2026-10-08 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-10-08你有没有想过,手机里点外卖、刷社交软件、转一笔账,背后到底是谁在替你"记着账"? 答案其实很简单:数据库,以及跟它对话的那 ...
2026-10-07CDA数据分析师 出品 作者:李诗怡 一、数据分析四大思维 1. 对比思维:没有对比就没有分析 核心观点:单独一个数字没有意义,有 ...
2026-10-05Kimball 是方法,星型模型是它产出的形状。 很多人把"Kimball vs 星型模型"当成一道选择题——这本身就是个误会:Kimball 是动词 ...
2026-10-05写在开头 老板在微信上甩来一句: "帮我看下为什么销量跌了。" ” 你回工位,打开 SQL,开始写。查订单表、拉近三个月、按 ...
2026-10-03