TapCub 正式上线:统计、分析、客服一个平台免费用
增长与运营

转化分析:怎样找出访客在哪里、为什么没有转化

用一个月的示例数据走完七步转化分析:按渠道和设备拆分,分开流量结构和转化率,判断哪些变化只是噪声,再找出弱势群体在漏斗哪一步流失。

奥利弗·里德 发布于 2026 年 11 月 20 日 10 分钟阅读 增长与运营
示例数据:每月 30,000 个会话。桌面端从 4.00% 升到 4.40%,手机端从 1.00% 升到 1.20%,但手机端会话占比从 40% 升到 60%,所以总转化率从 2.80% 降到 2.48%。示例数据

转化分析把转化率拆成背后的渠道、设备和漏斗步骤,让你看清访客在哪里流失、哪个群体变了。先定好一个转化和一个分母,比较两个时段,按渠道和设备拆分,分开流量结构和转化率,确认变化不是噪声,再沿弱势群体内部的漏斗往下查。下面这个月的示例里,总转化率降了 0.32 个百分点,而六个分组全都持平或上升。

读完你会知道

  • 总数可以在每个分组都上升时下降:示例里结构效应拖累 0.60,转化率贡献 +0.28,净值 −0.32
  • 渠道和设备要一起拆,不要一次只切一刀;行动之前,每个变化先对照 95% 区间
  • 漏斗从弱势群体和健康群体的差异处开始看(这里是商品浏览和加购),不要一上来就查结算

什么是转化分析?

转化分析是把一个转化率拆开,看它由哪些访客群体、哪些步骤构成,从而说清转化在哪里流失、哪个群体发生了变化。全站一个转化率只能回答「整体怎么样」,回答不了「该修哪里」。下面的方法分七步:定好口径、设基线、按渠道和设备拆分、分开结构效应与转化率效应、判断变化是不是噪声、沿弱势群体内部的漏斗往下查、再找原因。

它和转化追踪不同:后者讲的是把事件正确记下来;它也和转化漏斗优化不同:后者从你已经知道该改哪一步开始。本文讲的是两者之间的诊断,用一个月的示例数据走完全程。

第一步:只定一个转化、一个分母

先选一个转化(下单、注册、预约演示),打开报表之前把分母写下来。同一个事件,除以不同的分母,得到的「转化率」不一样:

  • 按会话: 转化数 ÷ 会话数。同一个人多次回访会被多次计入分母。
  • 按访客: 完成转化的人数 ÷ 去重后的人数。一个人无论来几次都只算一次。

两种都没错,混着用才错。下面的示例统一以会话为单位,所有数字都用它。如果同事从另一张报表引来一个转化率,先问清分母,再比较。

还要决定排除什么。自动化流量占比很大:Imperva《2025 年恶意机器人报告》显示,2024 年自动化请求占全部网页流量的 51%。机器人混进分母,所有转化率都会偏低、趋势也更抖。只统计真人会话。

第二步:设基线和对比窗口

转化分析是比较,所以需要两段长度相同、可比的时间:这个月对上个月;业务有季节性时,用本周对去年同一周。别拿含大促的一段去比不含大促的一段。

本文后面都用这组示例数据:一家网店,连续两个月各 30,000 个真人会话。

第 1 个月第 2 个月变化
会话数30,00030,0000
订单数840744−96
转化率(订单 ÷ 会话)2.80%2.48%−0.32 个百分点(相对下降 11.4%)

标题数字说转化下降了 11.4%。后面几步回答为什么。

步骤做什么经验规则
1. 定口径一个转化、一个分母,只算真人比较数字前先写下分母
2. 基线两个长度相同、可比的时段不要拿大促期去比平常期
3. 拆分渠道 × 设备,同时看会话占比交叉着切,单刀会藏住原因
4. 分解转化率效应 vs 结构效应Σ 占比₂ × Δ转化率,Σ Δ占比 × 转化率₁
5. 查噪声每个分组算 95% 区间区间重叠就不要报告变化
6. 漏斗把弱势和健康分组逐步对比从转化率不同的那一步开始
7. 找原因入口页、滚动、点击、回放写成可检验的假设,再测试

文中示例数据:每月 30,000 个会话。

第三步:按渠道和设备拆分

渠道和设备是最先要试的两刀,因为它们在访客意图和页面表现上差别最大。把同样两个月拆三种看法,比较每个群体的转化率和会话占比。

按设备:

设备第 1 个月会话第 1 个月转化率第 2 个月会话第 2 个月转化率
桌面端18,0004.00%(720 单)12,0004.40%(528 单)
手机端12,0001.00%(120 单)18,0001.20%(216 单)

两个设备的转化率都升了,总数却降了。手机端的会话占比从 40% 升到 60%。再把渠道和设备交叉,因为单独一刀可能把原因藏起来:

分组第 1 月会话第 1 月转化率第 2 月会话第 2 月转化率
社交付费,桌面端3,0002.00%1,8003.00%
自然搜索,桌面端9,0004.00%6,0004.40%
邮件,桌面端6,0005.00%4,2005.00%
社交付费,手机端3,0000.50%7,5000.60%
自然搜索,手机端6,0001.00%6,0001.50%
邮件,手机端3,0001.50%4,5001.80%
全部30,0002.80%30,0002.48%

六个分组全部持平或上升,总数却下降。只按渠道看又是另一幅画面:邮件从 3.83% 降到 3.34%(9,000 个会话 345 单,之后 8,700 个会话 291 单),可它在两种设备上都没有变差。社交付费的手机端会话从 3,000 涨到 7,500,占第 2 个月全部流量的 25%(之前是 10%),而它的转化率只有 0.6%。

第四步:分开结构效应和转化率效应

总数变动只有两种原因:各群体自己的转化率变了(转化率效应),或者流量向转化率更低的群体移动了(结构效应)。按设备拆分算出两项:

  • 转化率效应 = Σ(第 2 月占比 × 转化率变化)= 0.40 × (4.40 − 4.00) + 0.60 × (1.20 − 1.00) = 0.16 + 0.12 = +0.28 个百分点
  • 结构效应 = Σ(占比变化 × 第 1 月转化率)= (0.40 − 0.60) × 4.00 + (0.60 − 0.40) × 1.00 = −0.80 + 0.20 = −0.60 个百分点
  • 合计 = +0.28 − 0.60 = −0.32 个百分点,和标题数字一致。

读法是:页面对每类访客略有进步,流量结构拖累的幅度是进步的两倍多。没有什么「坏了」,要问的是新增的这批流量值不值得买。总数和每个子群体方向相反的现象叫辛普森悖论。最有名的真实案例是 Bickel、Hammel 和 O'Connell 1975 年对 1973 年伯克利研究生录取的研究:男性总体录取率 44%,女性 35%,但分院系看并不存在对女性的偏见。通用概念见辛普森悖论词条。

结构效应也是要保留分组、不能只停在「手机端更差」的原因。手机端并没有变差,是更多流量从一个在手机上转化很差的来源进来。

app.tapcub.com

转化为什么下降:转化率效应与结构效应

示例数据,转化率百分点
转化率效应(每种设备都转化得更好)+0.28 个百分点
结构效应(手机流量变多)−0.60 个百分点
净变化−0.32 个百分点
示例数据
示例数据:每月 30,000 个会话。桌面端从 4.00% 升到 4.40%,手机端从 1.00% 升到 1.20%,但手机端会话占比从 40% 升到 60%,所以总转化率从 2.80% 降到 2.48%。

第五步:判断变化是不是真的

小分组会随机波动。一个只有 15 单的转化率,页面没改,月与月之间也可能大幅摆动。用比例的 95% 区间;NIST 工程统计手册推荐 Wilson 形式,样本小时也不失真。

检查第 1 个月第 2 个月结论
全部流量,2.80% 对 2.48%2.62–2.99%2.31–2.66%差 0.32 个百分点,95% 区间 0.06–0.58,z = 2.4:真实但幅度不大
社交付费手机端,0.50% 对 0.60%0.30–0.82%0.45–0.80%区间几乎完全重叠:不要报告「提升」
自然搜索手机端,1.00% 对 1.50%0.78–1.28%1.22–1.84%几乎分开:很可能是真实提升

由此得到两条规则。其一,区间和上月重叠的分组,涨跌都不要庆祝,也不要去查。其二,全部流量的下降能被看出来,只是因为每个月背后有 30,000 个会话;流量只有十分之一时,同样的降幅就是噪声。

第六步:沿弱势群体内部的漏斗往下查

现在取最关键的分组,也就是第 2 个月的手机端社交付费,把它的漏斗和一个健康的邻居(手机端自然搜索)对比:

步骤社交付费,手机端自然搜索,手机端
会话7,5006,000
看了商品3,000(40.0%)3,300(55.0%)
加入购物车180(占看商品的 6.0%)330(10.0%)
开始结算90(50.0%)165(50.0%)
完成购买45(50.0%)90(54.5%)
整体0.60%1.50%

差距出在前两步:到达商品页的比例是 40% 对 55%,加购比例是 6% 对 10%。结算几乎一样。如果你从结算页开始查,会在一个并不是差别所在的步骤上花几周。购物车到购买是 45 对 180,即 25%,也就是 75% 的购物车被放弃;Baymard 汇总 50 项研究得到的平均记录弃购率是 70.22%,这家店在这一步接近正常水平。

投入之前先估算收益:把手机端社交付费从 0.6% 提到 1.0%,价值是 7,500 × 0.4 个百分点 = 每月 30 单,约让总转化率 +0.10 个百分点。

第七步:找原因,然后测试

数字只告诉你在哪里,不告诉你为什么。早期流失的常见嫌疑有三个:广告承诺和落地页内容对不上、手机商品页又慢又别扭、商品网格把优惠藏起来了。改任何东西之前,先为每个嫌疑收集证据:

  • 把弱势群体的入口页和健康群体的入口页对比。如果所有广告都落到一个很长的分类页,这是最先要查的线索。
  • 看手机访客在这个入口页点哪里、滚动到多深。
  • 回放这个群体的几条会话,看他们离开之前做了什么。

如果流失发生在结算环节,Baymard 对美国网购者的调查列出的弃购原因有:额外费用过高占 40%,送达预估太慢占 20%,被迫注册账户占 18%,结算太长或太复杂占 17%,正好可以当检查清单。这些数字描述的是放弃结算的人,不是早期流失,所以别拿去解释上面的商品页差距。

把假设写成可检验的一句话,例如「手机端社交付费访客离开,是因为落地页打开是商品网格而不是广告里的那件商品」。修好之后,用同样的分母,对同一个分组做前后对比。

在 TapCub 里怎么做

拿上面的示例网店,用 TapCub 现有的报表走同样的七步。

  1. 定目标。 在网站统计 › 目标里,为下单创建事件目标。那里的目标转化率是完成目标的去重访客数除以区间内的去重访客数。数据报表里的转化率是转化数除以会话数,两者不能直接比较,选一个并写下来。
  2. 对比两个时段。 设好日期范围,把对比切到上一周期。机器人和 AI 爬虫单独在一张报表里统计(网站统计 › 机器人),不会混进分母。
  3. 按渠道和设备拆分。 在网站统计 › 来源里,「渠道」页签给出每个渠道的访客、会话和转化。点一行就是筛选,其他报表随之收窄到该渠道。在目标页选中某个目标行,也能把它的转化按来源、入口页、国家和设备拆开。
  4. 跑漏斗。 在全端分析 › 行为分析 › 行为分析里,建一个由落地页、商品浏览、加购、开始结算、购买组成的漏斗。拆分只保留最大的 10 个分组,也没有对比周期选项,所以每个日期范围各跑一次。每一步都给出相对第一步和相对上一步的转化率,最大的流失会被标出来。
  5. 找原因。 在全端分析 › 行为分析 › 热力图里打开入口页(点击、滚动到达、元素),如果你已经打开了会话回放(默认关闭),也可以回放。

TapCub 不做 A/B 测试,也不分流,所以修复方案的测试要在你自己的工具里做;TapCub 负责用同样的目标和分群衡量前后变化。

转化分析常见错误

  • 停在总数。 示例里总数下降,而六个分组都持平或上升。
  • 一次只切一刀。 只看设备得到「手机端变多」,只看渠道得到「邮件下降」,交叉之后才看到手机端的社交付费。
  • 相信小分组。 一个会话分别是 3,000 和 7,500 的分组,订单从 15 涨到 45,仍在噪声范围内。
  • 分母混用。 一张报表用访客,另一张用会话。
  • 从结算页开始查。 结算是最显眼的一步,却常常不是各分组差别所在。
  • 没有证据就下解释。 在热力图或回放证实之前,「手机端体验」只是猜测。

常见问题

什么是转化分析?

它是把转化率拆成分组和漏斗步骤,找出访客在哪里流失、哪个群体发生了变化的过程。你比较两个时段,按渠道和设备拆分,并检查变化来自转化率还是流量结构。

转化下降时先分析什么?

先核对口径和分母,再比较两个时段里各渠道、各设备的流量占比。流量结构变化比页面问题更容易确认,示例里净变化 −0.32 个百分点中,结构效应就占了 −0.60。

怎么知道某个分组的变化不是随机的?

给每个时段的转化率算 95% 区间,看有没有重叠。示例里社交付费手机端的 0.50% 和 0.60% 几乎完全重叠,而全部流量的降幅区间是 0.06 到 0.58 个百分点。

应该看多少个分组?

先看渠道、设备以及两者的交叉,示例里是六个格子。再多的切法会把订单拆成太小的组,读不出结论,只有前几刀解释不了原因时才加。

转化分析能告诉我访客为什么不转化吗?

它告诉你在哪里、是哪些人。原因需要行为证据(滚动、点击、回放),以及事后经过测试的修复。

资料来源

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。

奥利弗·里德

产品体验专员

关注产品易用性、使用路径与功能采用,通过具体场景拆解从首次体验到持续使用的关键环节。

在一处按渠道和设备拆分转化

目标、渠道转化、带拆分的漏斗,以及弱势页面的热力图,机器人单独统计。

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