跳出率分析就是把全站一个跳出率按来源、设备、落地页拆开,再按各片比其余部分多出的跳出数排序,这样改的是真正有问题的一两片,而不是平均数。8,000 次会话、跳出率 50.25% 的示例里,两个「来源加设备」格子包含了全部多出的跳出,其中一个落地页占了大头。
读完你会知道
- 按来源、设备、落地页拆开再交叉;平均数会掩盖构成,辛普森悖论甚至会让趋势反转
- 按实际跳出减预期跳出排序,不按比率排;每一片都和其余部分比
- 动手前先看区间:1,500 次会话 70% 站得住,30 次会话 70% 站不住
跳出率分析到底要做什么?
跳出率分析,就是把全站一个跳出率按来源、设备、落地页拆成若干片,一直拆到那一片贡献了大部分「多出来的跳出」为止。全站数字只告诉你哪里不对劲,拆开以后才知道在哪。
先确认统计口径,因为各工具不一样。谷歌 GA4 帮助页把「有互动的会话」定义为:持续超过 10 秒、记录了关键事件,或至少有两次页面或屏幕浏览;跳出率是「没有互动的会话所占的百分比」。TapCub 把跳出算作「恰好一次浏览、没有自定义事件」的会话,用跳出会话数除以会话数。一个读者在一篇文章上停了四分钟,按第二种口径算跳出,按第一种不算。所以在跨工具比数字之前,先写明你的报表用的是哪种口径。跳出和退出怎么区分,见 跳出率和退出率的区别;怎么降低见 如何降低跳出率;这一篇只讲先找原因。
为什么只看全站跳出率不够?
平均数会掩盖结构。全站 50% 可能是每个页面都在 50%,也可能是一个页面 80% 拖累其余。两种情况的做法正好相反:前者要重做整个体验,后者只需要修一个页面。
平均数还可能指错方向。伯克利录取率研究(Bickel、Hammel、O'Connell,《科学》1975)说明的辛普森悖论就是:合并数据里的趋势,在分组里反转或消失,原因是各组的规模和构成不同。跳出数据经常撞上这一点:手机整体比桌面差,部分原因是手机拿到了更多高跳出渠道的流量,而不是手机端坏了。
所以方法就三条:先拆再下结论;按「多出来的跳出数」排序,不按比率;确认这一片够大、值得信。
算例:拆 8,000 次会话
示例数据:一个营销站点一个月 8,000 次会话,其中 4,020 次跳出,跳出率 4,020 ÷ 8,000 = 50.25%。
第 1 步,按来源。 先切来源。
| 来源 | 会话数 | 跳出数 | 跳出率 |
|---|---|---|---|
| 自然搜索 | 4,200 | 1,860 | 44.3% |
| 付费 | 2,400 | 1,500 | 62.5% |
| 邮件 | 800 | 270 | 33.8% |
| 社交 | 600 | 390 | 65.0% |
第 2 步,按设备。 手机 4,200 次会话、2,460 次跳出(58.6%);桌面 3,800 次会话、1,560 次跳出(41.1%)。相差 17.5 个百分点,看着像手机问题。
第 3 步,来源 × 设备。 相信结论之前先把两刀交叉:
| 来源 | 设备 | 会话数 | 跳出数 | 跳出率 | 按 50.25% 的预期 | 多出的跳出 |
|---|---|---|---|---|---|---|
| 自然搜索 | 桌面 | 2,400 | 960 | 40.0% | 1,206 | −246 |
| 自然搜索 | 手机 | 1,800 | 900 | 50.0% | 904.5 | −4.5 |
| 付费 | 桌面 | 900 | 450 | 50.0% | 452.2 | −2.2 |
| 付费 | 手机 | 1,500 | 1,050 | 70.0% | 753.7 | +296.3 |
| 邮件 | 桌面 | 500 | 150 | 30.0% | 251.2 | −101.2 |
| 邮件 | 手机 | 300 | 120 | 40.0% | 150.8 | −30.7 |
| 社交 | 手机 | 600 | 390 | 65.0% | 301.5 | +88.5 |
「预期」是会话数 × 全站跳出率,「多出的跳出」是实际跳出减预期。多出来的部分全在两片里:付费手机(+296)和社交手机(+89)。自然搜索手机是 50.0%,和全站平均几乎一样,所以问题不在手机本身,而在一个落到手机上的付费活动。
第 4 步,在问题片里按落地页拆。 付费手机的 1,500 次会话落在两个页面:
| 落地页 | 会话数 | 跳出数 | 跳出率 | 95% 区间 |
|---|---|---|---|---|
| /offer | 1,000 | 800 | 80.0% | 77.4% 到 82.4% |
| /pricing | 500 | 250 | 50.0% | 45.6% 到 54.4% |
800 + 250 = 1,050,和第 3 步对得上。仅 /offer 一个页面,就比按自然搜索桌面基线(40%)应有的跳出多出 800 − 1,000 × 40% = 400 次。如果修改后 /offer 降到 55%,跳出减少 800 − 550 = 250 次,全站跳出率变成 (4,020 − 250) ÷ 8,000 = 47.1%,其他地方一点没动。
各片多出的跳出数
示例站点,8,000 次会话先看哪一片,怎么定?
按多出的跳出数排序,不按比率。40 次会话 65% 的比率只多出约 6 次跳出;5,000 次会话 55% 的比率多出约 240 次。
经验规则:
- 算出每一片的预期跳出数(会话数 × 整体或「其余部分」的跳出率)。
- 用实际跳出数减去它。
- 从大到小排,只处理前一两片;尾部大多是噪声。
示例里,付费手机以外的其余部分是 2,970 ÷ 6,500 = 45.7%,付费手机是 70.0%。拿一片去比「其余所有」,比拿它去比一个包含自己的总数更干净。
一片要多少会话才可信?
多到你重新切数据时比率不再乱跳。比例的 95% Wilson 区间是个快速检查。付费手机(1,500 次里 1,050 次)区间是 67.6% 到 72.3%,明显高于全站 50.25%。同样 70% 的比率如果只有 30 次会话,区间大约是 52% 到 83%,撑不起任何决定。
实用建议:
- 会话数不到约 100,比率只当线索,下个周期再核实,不算结论。
- 两片只有在区间不重叠、或差距相对两边都很大时才拿来比。
- 至少看一个完整周期(一周起,理想是两周),工作日和周末都要包含。
找到那一片之后做什么?
那一片告诉你在哪,原因还得另查。按症状对照检查项:
| 症状 | 可能原因 | 检查什么 |
|---|---|---|
| 一个落地页偏高,其他正常 | 广告或链接的承诺和页面不一致 | 对比活动文案和页面标题,看人们点在哪 |
| 某来源下某设备偏高 | 该设备上的版式或速度问题 | 用手机打开页面,看该设备的页面性能和错误 |
| 一个来源在所有地方都高 | 流量意图低,或活动标记错误 | 检查 UTM 标记和关键词、投放位置清单 |
| 某一天起整体上升 | 发版、埋点变更或故障 | 查那天的埋点改动或错误峰值 |
| 跳出高但停留很长 | 读者在一页里就得到了答案 | 结合停留时长,这可能是「好跳出」 |
最后一行很重要。内容页如果一次把问题答完,跳出率就是个差的评判标准,应改看停留时长和是否达成目标。
| 症状 | 可能原因 | 检查什么 |
|---|---|---|
| 一个落地页偏高,其他正常 | 广告或链接的承诺和页面不一致 | 对比活动文案和页面标题,看人们点在哪 |
| 某来源下某设备偏高 | 该设备上的版式或速度问题 | 用手机测试,看该设备的页面性能和错误 |
| 一个来源在所有地方都高 | 流量意图低或活动标记错误 | 检查 UTM 标记和关键词、投放位置清单 |
| 某一天起整体上升 | 发版、埋点变更或故障 | 查那天的埋点改动或错误峰值 |
| 跳出高但停留很长 | 读者在一页里就得到了答案 | 结合停留时长,可能是好跳出 |
一次把问题答完的内容页,更适合用停留时长和目标达成来评判,而不是跳出率。
在 TapCub 里怎么做这套分析?
还拿上面「付费手机有问题」的示例。在 TapCub 里,同样的路径是:
- 从来源开始。 在 网站统计 › 来源 里,渠道和 UTM 页签每行都有访客、会话、浏览量、跳出和时长。点「付费」那一行,把它加成筛选条件。
- 加上设备。 筛选打开后进入 网站统计 › 受众,看设备类型那一行:每种设备都显示跳出,点一种设备就加成第二个筛选。这就是第 3 步里「来源 × 设备」那一格。
- 找到页面。 打开 网站统计 › 页面:入口页页签按落地路径列出进入的会话数,访问页页签有跳出率一列。两个一起看,因为一个页面的跳出率也包含从别处后来才到这里的会话。示例里 /offer 会以 80% 凸显出来。
- 看人们在上面做什么。 在访问页或入口页的一行,可以打开该路径的点击图,位置是 全端分析 › 行为分析 › 热力图;如果你打开了会话回放(默认关闭),还能看到单次访问。
- 改完之后观察。 在 配置 › 日期标注 里给这次发版标一个日期,再用同样的筛选视图对比前后各两周。
TapCub 把「一次浏览、没有自定义事件」算作跳出,所以如果你的页面在滚动或播放视频时会触发自定义事件,这些会话就不再算跳出。和其他工具对比时要记得这一点。TapCub 不替你修页面,只告诉你该修哪一片。
跳出率分析最常见的错误有哪些?
- 只看比率。 小片段加极端比率会占据排名,用多出的跳出数和区间。
- 拿一片和包含它的总数比。 要和其余部分比。
- 口径混用。 一个工具按互动会话算的跳出,和另一个工具按单次浏览算的跳出不是一回事。
- 忽略页面速度。 慢页面在手机上更容易跳出,核心网页指标按第 75 百分位评估,LCP 2.5 秒、INP 200 毫秒、CLS 0.1(web.dev),要在问题片上检查。
- 把内容页的跳出当失败。 要结合停留时长。尼尔森诺曼集团分析 205,873 个页面发现,用户常在 10 到 20 秒内离开,最初几秒决定了人们读不读下去。
- 只切一次。 直到下一刀不再解释更多多出的跳出,才停下。
FAQ
什么是跳出率分析?
就是把全站跳出率按来源、设备、落地页等拆开,再按各片比其余部分多出的跳出数排序。目的是在动手改之前,先找出解释大部分问题的一两片。
怎么分析跳出率?
先按来源切,再按设备切,再交叉,然后在最差那一格里打开落地页。用实际跳出减预期跳出给各格排序,对小片段看区间,并与其余部分比较。示例里两格贡献了全部多出的跳出。
应该先分析哪些分段?
先看来源、设备和落地页,因为这三刀最常改变结论,也是团队能动手改的。只有这三刀之后仍有多出的部分没被解释时,再加新老访客、国家或活动。
跳出率高一定不好吗?
不一定。一个一次就把问题答完的页面,比如联系页或短文章,跳出率高也能完成任务。要结合停留时长和是否达成目标来判断。应该修的是本来要把人带到下一页、却高跳出的页面。
要收集多久的数据才能下结论?
至少一整周,让工作日和周末都在内,并且每片会话数够多、区间足够窄;约 100 次会话是下限,越多越好。发版或埋点变更之后要重新切一遍。
资料来源
- Google Analytics 帮助。互动率和跳出率:有互动会话的条件,以及跳出率为未互动会话占比。核对日期 2026-11-20。
- Nielsen Norman Group。用户在网页上停留多久?:分析 205,873 个页面,前 10 秒起决定作用。核对日期 2026-11-20。
- web.dev。Web Vitals:第 75 百分位评估,LCP 2.5 秒、INP 200 毫秒、CLS 0.1。核对日期 2026-11-20。
- P. J. Bickel、E. A. Hammel、J. W. O'Connell。伯克利研究生录取中的性别偏见,《科学》187 卷,1975:合并数据里的规律在分组中不成立。
这篇文章对你有帮助吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

