电商分析：如何减少“放弃购物车率”？

每次双11刚刚结束，朋友圈里就晒起了各自的待发货快递数量，不得不感慨大家的购买力真是太强了！但与此同时，也有不少人告诉我，他们在最后关头“悬崖勒马”，放弃了本来堆砌满满的购物车。

为什么会放弃下单呢？原因有很多。有些人是因为实在没精力去搞清错综复杂的优惠规则，于是索性不买了；有些人是在最后一刻三思了一下自己的冲动消费，于是犹豫了；甚至有些人纯粹是因为时差的原因错过了下单时间。

这些“放弃购物车”的行为显然是电商平台们不乐意看见的，因为这意味着在此之前那些所有促使你转化的努力都白做了。由此诞生了一个专门的指标来测量这些“放弃购物车”的行为，它就是“购物车放弃率”。

购物车放弃率是指废弃的购物车的数量与总购物车或完成交易的数量的比例。放弃率专指网络虚拟购物车。虽然消费者在实体商店很少放弃所要购买的物品，但是，放弃虚拟购物车里的商品是很常见的。典型的线上零售商购物车放弃率高达60%到80%。

如何减少“购物车放弃率”呢？如何识别出是哪些因素和环节导致了用户放弃购物车，从而改进这些环节呢？

有一种实用而有效的方法被广泛地应用在电商行业，帮助各大公司通过数据分析来减少放弃率，它就是——点击流分析（Clickstream Analysis）。

点击流反应的是用户行为和体验

提高用户体验和满意度是实现线上业务成功的重要环节。有很多分析方式和专业的受众研究旨在帮助提高电商业务与消费者之间的相关性，希望线上陈列的商品和信息是足够吸引消费者下单的，相关性越高，就越容易导致用户最终的转化。

电商网站的访问者往往会沉浸于一种我们称之为“虚拟的橱窗购物”模式行为中，当中的过程包括了对商品进一步广泛地探索，点击产品进行详细查看，以及对比不同的产品和价格。在很多情况下，尽管用户可能会花费多达30分钟的时间浏览网站上的产品，但实际上只有很少一部分用户实际发生了购买转化。

人们经常习惯把自己浏览过的产品一一加进购物车，但最后又什么都不买就离开了网站。来自表格分析平台Formisimo的报告表明，周六和周日通常是一周中购物车放弃率最高的两天。在这两天中，购物车放弃率几乎高达90%。

一份2014年由视觉网站优化平台VWO在美国1,000名消费者中进行的电子商务调查揭露了消费者购物车遗弃的几个原因。其中第二大原因是要求用户在结账前必须要在网站上创建一个在线账户。这被很多用户视为一种具有绑定性质的强迫行为，而导致他们最终选择放弃购买。

根据Baymard Institute针对结帐易用性的一项研究统计数据显示，复杂的结帐流程占用户放弃结账原因的12％。所以，为了给客户提供一个方便、无障碍且无忧的电商体验，电商平台必须要确保用户结帐过程中有一个流畅和便捷的体验。此外，一些个性化的提供和相关的商品推荐也是鼓励访客完成购买的重要因素。

点击流分析具体可以分析什么？

为了确保电商网站拥有稳定增长的转化率和销售量，电商品牌可以利用点击流分析来实现这一目标。点击流分析的解决方案可广泛适用于不同规模的电商业务，并且操作成本不高。营销专家和数据分析师仅需通过查看网站的点击流数据、顾客历史购买数据以及产品数据就能进行。

点击流分析能为电商企业提供很多有价值的洞察，比如在不同产品页面上花费的时间、网页跳出率以及其他重要指标。通过此，电商企业可以知晓“顾客浏览了哪些不同的产品”以及“顾客最常搜索的产品类别”。

通过查看顾客的历史购买数据，电商分析师还可以评估出顾客的购买偏好、可接受价格区间、不感兴趣的购买激励手段等信息。这些数据可以为电商企业提供有关顾客偏好的重要洞察，特定的产品数据还可以告诉分析师哪些产品受欢迎和畅销。

点击流分析还可以探索价格和产品评分的变化趋势将如何影响网站访问者的购买决策。一个简单的A/B测试方案可以帮助电商企业从点击流分析中获得很有价值的洞察。

点击流数据还可以与其他电子商务分析因素（例如我们在开头提到的购物车放弃情况）相结合进行更综合、有效的深入分析，找出用户流失的原因。

个性化推荐助力电商销售

在深入分析顾客网购数据和产品数据之后，促进电商销售策略的下一步往往就是分析点击流(Clickstream Analysis)。就如前面所提，分析师可以借此发现访客浏览过的产品和这些产品所在的价格区间。举个例子，该数据可能揭示了一位访客搜寻了价格在$90-$130之间的高级时装。通过和历史数据进行对比，可以发现这位顾客经常购买$100左右的高级时装。

借助市面上的一些分析工具，电商分析师可以基于顾客ID将顾客行为数据与产品数据库相关联，然后根据顾客访问的行为特征建立定制化的顾客细分。由于分析的角度不同，可以根据各种规则进行各种不同的顾客分类，比如流失用户与留存用户、新用户与老用户、单次购买用户和二次购买用户。分析不同顾客对商品的不同喜好，明确哪些商品更加符合用户的预期，继而为其进行个性化推荐。

所以当一名顾客访问电商网站时，电商分析师根据对方的顾客ID就可以进行实时的点击流分析，并基于历史购买数据和先前点击数据，为顾客展示其他相关产品清单。需要注意的是，细分是用于比较的，比较是为了反映差异进而做出调整优化的，细分的最终目的还是指导运营决策，这才是数据分析的价值体现。因此在做顾客细分前，需要明确业务层面的需求，确定点击流分析的目的。

实时点击率和历史数据的战略组合能帮助电商网站进行二次营销或交叉销售，迅速提高转换率。结合点击流分析和历史数据之后，零售店能发现到一位现有顾客如何搭配购买产品，由此了解到顾客的多种需求。因此电商人可以进行交叉销售(Cross-Selling)，向正在浏览或者已经购买A产品的客户推销B产品，帮助电商网站为顾客进行个性化推荐，同时降低遗弃购物车的情况、从而促进销售。

总而言之，深入分析点击流数据和顾客浏览习惯不仅能通过交叉销售(Cross-Selling)和追加销售(Up-Selling)增加转换率，还有其他业务成效。电商可以利用这些洞见优化数字营销支出和消费者旅程的各环节，以及提升整体在线购物体验。