转化优化的实际效果

首先看看我的一个客户，他们的品类是快消服装。

优化结果如下（我和团队伙伴们从1月4日开始接手客户的数据分析和优化，所以数据视图也是从那个时候才开始建立的）：

图：一个月后，从2月起，转化率有了明显起色（移动端，流量占比约全站80%）

Mobile端的电子商务转化率（他们的GA设置是完成全部付费并且客户回到“thank you page”或者“confirmation page”才算一个转化，所以实际转化高于GA设置）。从图中可以看到，优化大约1个月之后，转化率大约提升了40%-50%（以1月份的转化率为基数）。而且之后稳定在这个更高水平的平台上。

首先展示Mobile端的情况，是因为他们的流量Mobile占绝大多数。相信大部分跨境电商的朋友也类似。如果看全部流量（mobile + PC）的转化率，也明显提升了。

图：全站的转化率也明显增长，主要是移动端转化率增长所致

不过，你可能认为对跨境电商而言，1月份是淡季，2月份自然也会增长。不过，其实今年情况很特殊。今年的2月份比1月份更不容易。首先2月份也不是旺季，不会比1月好多少，其次2月份还有中国年，大家也都是要休息的，而且我还休息了两周。所以，所有的优化都得在1月份落地，2月份才能有提升。

其实，另外一个朋友的数据可以佐证，2月份并不容易，从他的数据可以看到，明显2月份转化率是下降了。

所以，参考大家的数据之后，我很有成就感，这意味着一系列为了实现优化的组合拳确实很有效果。

那么，如何分析又如何优化能达到这样的效果呢？

第一步：关键数据的追踪部署要做好

安装了用户行为和数据的相关监测工具，不必然意味着你能获得相关的关键数据。

有一些核心步骤应该在安装好监测工具之后继续对工具进行非常重要的配置。否则这个工具无法为你发挥应有的分析和优化作用。这些关键的部署包括：

多个关键转化和转化步骤的部署，包括：最终购买、注册和登录、优惠券领取和消耗等。
做多个不同过滤的数据视图（view），这一步很重要，因为未来的各种测试也是在不同的view中进行的。我会按照mobile、PC、User-ID等进行区分
高级电子商务监测——实在太重要了，能够实现很多GA默认不能提供的数据分析。
事件监测，对于分析很多交互性的操作非常重要。
另外，我还会在不同的view中，根据需要，把所有的产品页、所有的品类页做成页面集群（就是变成一个页面）。
User ID追踪设置和代码部署，主要用来分析注册用户的行为和跨设备的行为。

第二步：主要KPI的诊断

一般来讲，我会有10-20项的诊断列表。一项一项的检查。这20项做完，基本上一个站的情况就很清楚了。在9月1日、2日的宋星大课堂上，我跟大家详细介绍这些项目。

在这个项目中，主要KPI包括：

各主要页面类型的PV占比
核心转化过程的每一步的转化率
复购率
注册率/订阅率
单位新有效流量的成本
流量转化率
……

引起我注意的主要有几个数据。

1. 商品详情页PV（item PV）占总的网站的PV的比例，约45%，偏低。表明商品本身的吸引力可能不足够高，或者没有给与足够的流量直接引导到商品页。超过50%比较正常。当然，这个值可以人为控制，方法是直接给详情页更多流量就好，但这个方法在我们弄清楚一些状况前肯定不会直接采用。至于是什么状况，我们后面再述。

2. 商品详情页到购物车页面的转化（加购率），不到5%（4.8%左右）。这个值其实取决于不同品类。快消服装这种，靠的是多种样式、打新、爆款，所以5%不能说很差。有些品类，3C，应该能到8%-10%，或者更高。当然跟商品价格的关系也很大。

3. 添加购物车之后的放弃率很高，超过75%。这个地方很值得关注。

4. 支付率大概是80%左右，到了4月份降低了一点，大概75%~80%之间。这个指标优化空间不大。

5. 商品的复购率很低，5%左右。我前几天写完的一篇文章（时光流逝，互联网运营的经典指标还剩下几个？http://www.chinawebanalytics.cn/times-fly-and-kpi/）中，强调了复购率的重要性。5%左右的复购率有多种原因，最主要还是商品本身，但并不意味着你除了改良商品之外，就没有什么别的事情可做了，事实上在营销上有很大可做的空间。

6. 注册率/订阅率：1.5%以下。这个太低了点。

7. 流量成本这一块，暂时不考虑优化，较为成熟的且已经持续较长时间的广告投放，无论是在facebook上，还是在Google上，最好不要擅动。

8. 流量转化率，不是一个指标能描述，这里就不提具体数值了。但是后面我们在分析中，发现了很有价值的优化线索。

至于跳出率什么的，在之前的文章我已经说了，没有以前那么重要了。但它作为配合用的辅助分析指标，我们还是会看。

这些数据让我对这个网站的生意有了较为初步直观的认识：

购物车放弃率要首当其冲的优化
加购率也应该提升
复购率偏低，要优化
增加用户注册或者订阅的概率

这四条我们分析的结论，又可以分为两部分，前两个是一个部分，直接提升转化率；后两个也提升转化率，但比较间接，需要花费更长时间，而第四个则非常间接。增加用户注册或者订阅的概率，为我们提供了跟客户未来保持联系的可能性，如果稍加合理利用，能够提升复购率，并进而增加转化率。

第三步：定义优化工作的优先级

目标明确了，我们定义工作优先级。这一块的方法大家很容易忽视，造成头痛医头脚痛医脚。但实际上非常有章可循。

优先级的定义原则一般是：

后端优先于前端
全局性的修改优先于局部性的修改
流量的优化先于站内的优化
……（还有一些其他原则就略过了）

当然，这些原则背后都是什么道理，在什么时候可以打破这些原则，限于篇幅我就不讲了。如果大家参加这次宋星大课堂（http://www.chinawebanalytics.cn/songxing-course-in-shenzhen-201809/），我会详细以案例说明这些原则及背后的原因。

第四步：着手优化购物车放弃率

立即着手改进购物车放弃率，不仅仅是因为它的表现不好，也是因为它处在转化后端——更加重要的位置上，而且它还是一个典型的全局性的优化。

与其说是降低购物车的放弃率，不如说是增加用户点击“check out”按钮的几率——硬币的两面罢了。

影响购物车check out的因素有哪些？我们列出一张表，包含两列。一列是正面的促进作用的，一列是负面的影响的。

基于这些内容，我们对购物车页面做了大刀阔斧的改变。不仅设计了新的内容、提示与转化引导，以及，非常重要的，我们甚至对购物车及之后的流程做了修改。这一修改是基于两类不同的人群，以帮助其中一类人群实现更加自由高效的check out。

然后，当然的，我们做AB测试。

购物环节的AB测试要比较小心，这里面有一些坑，因为不像页面的AB测试，这个AB测试要测试的是流程，所以最好主转化进程上的一系列的页面都做AB分开，并且，要根据A和B分别搭建转化漏斗以咨比较。不过，更关键的地方在于，AB页面的URL并不能不同，否则之前建立的总转化漏斗就不能用了。因此这里要做一定的技术处理。限于篇幅，就不展开了，大课堂上跟大家详述。

增长的效果我自己都有些感觉震撼。

你可以看到在优化前后，购物车的流失率从接近80%降低到67%，即购物车转化率实际提升了50%左右，受惠于这一变化，最终转化率也提升了50%。

我觉得优化也好，现在时髦的说法“增长”也好，没有太多秘密，取决于对业务数据的准确把握，对商业的深入思考（这个部分不可能由数据解决，而是要有营销和运营的商业思考能力），以及较好的执行能力。谈到执行能力，其实很多时候不是团队的执行能力不好，而是执行的方向没有找对——在这一点上，我们肯定需要依赖数据。数据分析的好，执行能力是不会有问题的。