TapCub 正式上线:统计、分析、客服一个平台免费用
数据分析

结算漏斗分析:找出流失订单的那一步

一份分步骤的结算漏斗分析,带完整算例:计算每步流失、按设备拆分、检验差距是否真实,并按多出的订单数给修复排序。

许安 发布于 2026 年 11 月 21 日 8 分钟阅读 数据分析
示例数据:10,000 个查看购物车的会话里,2,580 个完成购买(25.8%)。支付步骤只留住了到达这里的买家的 65.0%。示例数据

结算漏斗分析要找出订单在哪一步流失、在哪类买家身上流失,以及每个缺口值多少订单。把步骤写成已完成的动作,算出每步的转化率和流失人数,按设备拆开,检验差距是真的,再按多出的订单数而不是图看起来多难看来给修复排序。

读完你会知道

  • 统计已完成的动作(已填配送、已填支付),并先写下统计单位、窗口和排除项
  • 把偏弱的那一步按设备和入口拆开,行动前先用 z 检验确认差距(|z| 大于 1.96)
  • 按多出的订单数排序:示例里手机端在支付步骤追平桌面,每月值 +239 单

结算漏斗分析回答什么问题

结算漏斗分析只回答一个问题:订单在哪一步、在哪类买家身上流失,每个缺口值多少订单? 漏斗图只是上半场,下半场是一张按订单数排好序的缺口清单,让你知道先修哪一处。

它比一般的漏斗复盘窄:从买家有了购物车开始,到订单确认结束。买家为什么走(运费等意外费用、强制注册、银行卡被拒)在如何降低结算放弃率里讲过;工具对比在漏斗分析工具里。本文讲两者之间的做法:五个步骤、一个算例、一次显著性检验。

定义步骤和计数规则

步骤要写成买家完成某件事时触发的事件,不是页面打开时触发。Google 的 GA4 电商文档为结算推荐这一串事件:view_cart、begin_checkout、add_shipping_info、add_payment_info、purchase。配送事件带 shipping_tier(如标准配送、次日达),支付事件带 payment_type,purchase 带 transaction_id。如果你的商店已经在发这些名字,直接沿用;没有的话,用 /checkout/shipping 这样的页面路径当步骤也行。

然后定好四条计数规则并写下来,因为它们会改变后面每个数字:

  1. 统计单位。 按人还是按会话。按人加窗口时,周一放弃、周三付款的购物车算成功;按会话则周一算流失。
  2. 窗口。 从第一步起多久内的购买还算数。零售常用 7 天,按你真实的购买周期来定。
  3. 顺序。 严格(步骤之间不能有别的事件)、有序(中间可以有别的事件)或任意顺序。结算步骤通常用有序。
  4. 排除项。 先去掉测试订单、内部流量和已知机器人,否则漏斗顶部会虚高。

计算每步转化率和流失订单数

每一步需要三个数:到达人数、相对上一步的转化率、这一步流失的订单数(上一步人数减去本步人数)。

示例数据:某月有 10,000 个会话查看了购物车。

步骤到达相对上一步本步流失相对购物车
view_cart10,000——全部
begin_checkout6,20062.0%3,80062.0%
add_shipping_info4,96080.0%1,24049.6%
add_payment_info3,22465.0%1,73632.2%
purchase2,58080.0%64425.8%

复算一行验证方法:3,224 ÷ 4,960 = 65.0%,4,960 − 3,224 = 1,736 人流失。购物车到购买是 2,580 ÷ 10,000 = 25.8%。

这里有两点要读出来:

  • 流失人数最多的是购物车到结算之间的 3,800 人。那是购物车行为(随便看看、比价),不是结算摩擦,不要把它并进结算优化。
  • 在结算内部转化率最低的是支付步骤:填完配送信息的买家里,只有 65.0% 继续提交了支付。那是 1,736 人,是购物车之后最大的流失。

整体转化率看不出这一点。一个 25.8% 的总数,掩盖了比其他步骤都弱的支付环节。

app.tapcub.com

查看购物车 → 购买

一个月

view_cart

10,000

begin_checkout

6,200

add_shipping_info

4,960

add_payment_info

3,224

purchase

2,580

有 1,736 位买家在填完配送后没有提交支付,是结算内部最大的流失。
示例数据
示例数据:10,000 个查看购物车的会话里,2,580 个完成购买(25.8%)。支付步骤只留住了到达这里的买家的 65.0%。

动手修之前先按设备和入口拆开

某一步偏弱只是症状,下一个问题是谁偏弱。把同一个漏斗按会改变结算行为的维度拆开:设备、新老客、游客还是已登录、国家、支付方式。

示例数据:同一个月按设备拆分。

步骤手机相对上一步桌面相对上一步
begin_checkout3,720—2,480—
add_shipping_info2,79075.0%2,17087.5%
add_payment_info1,67460.0%1,55071.4%
purchase1,25675.0%1,32485.4%

合计和上一张表对得上(3,720 + 2,480 = 6,200;1,256 + 1,324 = 2,580),说明拆分一致。手机从 begin_checkout 走到 purchase 的比例是 1,256 ÷ 3,720 = 33.8%,桌面是 1,324 ÷ 2,480 = 53.4%。手机每一步都更弱,差距最大的是支付步骤(60.0% 对 71.4%)。

也要按入口拆:把买家带来的渠道或活动。某一步整体看着弱,可能只是某个活动带来的人本来就不打算买。

步骤手机:相对上一步桌面:相对上一步
已填配送信息75.0%87.5%
已填支付信息60.0%71.4%
完成购买75.0%85.4%
开始结算 → 购买33.8%53.4%

示例数据:一个月内,手机开始结算 3,720 次,桌面 2,480 次。

行动之前,先确认这个差距是真的

分群比总数小,有些差距只是噪声。用两比例 z 检验:统计量是两个比例之差除以它的标准误,使用合并比例(公式见 NIST/SEMATECH 电子手册):

z = (p1 − p2) ÷ √( p × (1 − p) × (1/n1 + 1/n2) ),其中 p = (x1 + x2) ÷ (n1 + n2)

示例数据:支付步骤,手机 2,790 人中 1,674 人(60.0%),桌面 2,170 人中 1,550 人(71.4%)。

  • 合并比例 p = (1,674 + 1,550) ÷ (2,790 + 2,170) = 3,224 ÷ 4,960 = 65.0%
  • 标准误 = √(0.65 × 0.35 × (1/2,790 + 1/2,170)) = 0.0136
  • z = (0.600 − 0.714) ÷ 0.0136 = −8.4
z超过 1.96,说明在常用的 5% 水平上显著,这个差距是真的。如果某个分群只有 40 个买家,同样的百分比差距算出来的z会远小于 1.96,那就先等数据。统计量本身的解释见检验统计量。

把缺口换算成订单数,排出修复清单

按订单数排序:假设弱势分群在这一步追平强势分群、其他步骤不变,能多出多少订单。用上面手机和桌面的比例:

如果手机在这一步追平桌面算式每月多出订单
配送步骤(87.5%)3,720 × 87.5% × 60.0% × 75.0% − 1,256+209
支付步骤(71.4%)2,790 × 71.4% × 75.0% − 1,256+239
最后一步(85.4%)1,674 × 85.4% − 1,256+174
三步全部追平3,720 × 53.4% − 1,256+730

三个单步收益相加不等于 730(209 + 239 + 174 = 622),因为各步会连乘:修好一步,下一步面对的基数就变大。用单步数字排序,把合并数字当作上限。

支付步骤排在首位,值 +239 单。这个数字可以直接和修复成本比较:如果一单毛利是 60,239 单大约每月 14,340。最后一步(+174)常常是技术问题,如报错或银行卡被拒,重新设计之前先查有没有故障。

确认漏斗没有骗你

修复上线前,先排除看起来像流失的测量问题:

  • 事件缺失。 如果 add_payment_info 只在刷卡时触发,用钱包付款的买家就会被当成放弃者。拿同一段日期的漏斗购买数和订单系统对比;差距超过几个百分点,说明有事件漏了。
  • 重复购买。 刷新确认页可能让 purchase 触发两次,按 transaction_id 去重。
  • 跳转到支付服务商。 买家离开你的域名再回来时,会话或来源可能断开。确认返回页还是同一个访客。
  • 机器人。 自动化流量会加购但从不付款,只统计真人。
  • 窗口太短。 30 分钟的窗口会把午饭后才付款的买家算成放弃者。

在 TapCub 里做这套分析

拿示例里手机端的支付缺口,在 TapCub 里走一遍。

  1. 建漏斗。 在 全端分析 › 行为分析 › 行为分析 选漏斗视图,把步骤加成事件名或页面路径(2 到 20 步)。设窗口(默认 7 天,最长 180 天),计数保持默认的去重方式。最多可加 5 个排除事件,比如取消订单事件。
  2. 读结果。 每一步显示人数、相对第一步的比例、相对上一步的比例、流失和距上一步的中位耗时,最大的一处流失会被标出。点某一步可以打开在这里流失的人。
  3. 按设备拆开。 用第一层分组(保留进入人数最多的 10 组)。漏斗没有对比周期选项,要比较修复前后,就用两个日期范围各跑一次。
  4. 查报错。 监测 › 错误 列出错误组和受影响会话。在 全端分析 › 智能运营 › 监控 给 error_rate 建监控,飙升时通知你;它只通知,不会替你处理。
  5. 看几段回放。 会话回放 默认关闭,管理员打开后输入内容会被遮盖,填卡号那一步要放进排除路径。

TapCub 负责衡量漏斗,不做 A/B 测试,也不改你的结算页。修复在你的商店里做,下一个周期再跑同一个漏斗。

常见问题

什么是结算漏斗分析?

它是把从购物车到订单确认的每一步画出来,找出买家在哪里离开,按设备等分群拆开流失,再估算每个缺口值多少订单。产出是一张排好序的修复清单,而不只是一张图。

结算漏斗有哪些步骤?

常见的顺序是:查看购物车、开始结算、填写配送信息、填写支付信息、完成购买。Google 的 GA4 电商文档推荐用这些名字的事件。可以按你真实的结算流程增减步骤,但每一步都应是买家完成的动作。

怎么计算结算某一步的流失?

流失 = 上一步人数减本步人数,步骤转化率 = 本步人数 ÷ 上一步人数。示例里 4,960 人填了配送、3,224 人填了支付:3,224 ÷ 4,960 = 65.0%,流失 1,736 人。

为什么手机端的结算流失更高?

通常如此:示例里手机完成了 33.8% 的结算,桌面是 53.4%。常见原因是表单太长、没有提供钱包支付、键盘遮住输入框、支付页太慢。先在手机端按步骤拆开,看是哪一步,再查同一分群的报错。

应该先修哪一步?

在确认差距显著、数据没有缺事件之后,修「弱势分群追平强势分群后多出订单最多」的那一步。示例里就是手机端的支付步骤,每月约 239 单。

资料来源

归档:数据分析

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。

许安

客户体验顾问

关注在线客服、访客沟通与自助服务,分享常见问题的处理思路和可复用流程,让每一次沟通更清晰有效。

看看是哪一步结算在流失订单

用事件或页面路径建漏斗,按设备拆开,并打开每一步流失的那些人。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie