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:
- 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。
- 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。
- 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。
- 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_cart | 10,000 | — | — | 全部 |
begin_checkout | 6,200 | 62.0% | 3,800 | 62.0% |
add_shipping_info | 4,960 | 80.0% | 1,240 | 49.6% |
add_payment_info | 3,224 | 65.0% | 1,736 | 32.2% |
purchase | 2,580 | 80.0% | 644 | 25.8% |
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。
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
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_checkout | 3,720 | — | 2,480 | — |
add_shipping_info | 2,790 | 75.0% | 2,170 | 87.5% |
add_payment_info | 1,674 | 60.0% | 1,550 | 71.4% |
purchase | 1,256 | 75.0% | 1,324 | 85.4% |
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。
- 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。
- 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。
- 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。
- 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。 - 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
- Google,衡量电商(GA4 事件):结算推荐事件和参数。核对日期 2026-11-21。
- NIST/SEMATECH 统计方法电子手册,两个比例的比较:合并 z 检验统计量和判定规则。核对日期 2026-11-21。
- Baymard Institute,购物车放弃率统计:50 项研究的平均购物车放弃率 70.22%;美国买家的结算放弃原因。核对日期 2026-11-21。
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。

