TapCub 正式上线:统计、分析、客服一个平台免费用
数据分析

CRO 分析:优化的每一步该用哪些数据

CRO 分析把行为数据变成可测试的假设。五步流程,附带移动端与桌面端漏斗、解释每处流失的证据,以及按出结论的时间给测试排序的样本量检查。

林舟 发布于 2026 年 11 月 21 日 9 分钟阅读 数据分析
示例数据:6,000 次移动端访问的转化率是 1.4%;同一个网站桌面端是 4.2%。仅购物车这一步追平桌面端,就能多出约 39 个订单。示例数据

CRO 分析就是用你的行为数据找出访客在哪里流失、形成一个原因,并判断它值不值得测试。按设备拆分漏斗找到步骤和人群,用点击、回放、错误和速度去解释,再写出带证据、人群和数字的假设。

读完你会知道

  • 假设的质量取决于挂上的证据:一个步骤、一群人和一个你能指出的原因
  • 示例中移动端转化率 1.4%,桌面端 4.2%;仅购物车到结算一步追平桌面端就值 +40 个订单
  • 按出结论的时间给测试排序:同样 +25% 的提升,商品页要 0.7 个月,结算要 4.1 个月

什么是 CRO 分析,它到哪里结束?

CRO 分析是转化率优化里“动手之前”的那一段:用你自己的行为数据,找出访客在哪里流失,形成一个原因,再判断这个原因值不值得做一次实验。它在实验开始的地方结束。转化率优化指南讲整个体系,CRO 审计讲一次性的检查;本文讲中间这几步:从数据到假设。

整个流程有五步,每一步需要不同类型的数据:

步骤问题需要的数据
1. 定义什么算转化,分母是谁?一个转化事件和一个分母
2. 定位访客在哪里流失,是哪些人?按步骤的漏斗,再按设备和来源拆分
3. 解释为什么在那里流失?点击、滚动、回放、表单事件、错误、速度
4. 提假设做什么改动能解决这个原因?一条和证据挂钩的书面假设
5. 估量以我们的流量能测出效果吗?基线转化率和样本量

这个顺序的意义在于:假设的质量,取决于你能给它挂上多少证据。“把按钮做大一点”是一个点子;“移动端访客到了购物车,但 60% 没有开始结算,而且他们点的是运费文字,不是按钮”才是假设。即使精心设计,多数点子也会失败:Bing 的一个团队报告说,他们测试的点子里,能推动预期指标的不到三分之一。证据和估量,就是把有限的测试名额花在最可能赢的点子上的办法。

分析之前,哪些数字要先定下来?

三个决定会影响之后的每个数字,所以先写下来:

  1. 一个转化事件。 购买、开始试用或提交线索。选业务真正靠它赚钱的那个。
  2. 一个分母。 会话、访客还是人。同样的流量,按访客算的转化率比按会话算的高,因为回访的人只算一次。
  3. 真人过滤。 爬虫和 AI 机器人会访问页面但从不转化。如果它们在分母里,你的转化率会比实际低,页面看起来比实际差。

整个分析里保持这三项不变。如果中途改了分母,前后对比衡量的就是口径,而不是网站。

怎么找到漏点?按设备拆分漏斗

全站漏斗会藏起最有用的事实:漏点通常只属于某一群人。把同一个漏斗按设备拆开,逐步对比。

示例数据:一个月 10,000 次访问,其中移动端 6,000,桌面端 4,000。

步骤移动端相对上一步桌面端相对上一步
访问6,000—4,000—
商品页2,40040.0%1,80045.0%
购物车60025.0%66036.7%
结算24040.0%39059.1%
下单8435.0%16843.1%
整体转化1.4%4.2%

整体上,10,000 次访问带来 252 个订单,转化率 2.5%。这个数字掩盖了三倍的差距:移动端 1.4%,桌面端 4.2%。移动端占 60% 的流量,却只带来三分之一的订单(252 个里的 84 个)。

要选先改哪一步,就问:如果移动端在这一步追平桌面端、其他步骤不变,能多出多少订单:

  • 商品页到购物车(25.0% → 36.7%): 6,000 × 40% × 36.7% × 40% × 35% = 123.2 个订单,+39.2。
  • 购物车到结算(40.0% → 59.1%): 6,000 × 40% × 25% × 59.1% × 35% = 124.1 个订单,+40.1。
  • 结算到下单(35.0% → 43.1%): 6,000 × 40% × 25% × 40% × 43.1% = 103.4 个订单,+19.4。

前两步价值差不多,第三步只有一半。光靠漏斗的数据说不清为什么,这就是下一步。

app.tapcub.com

移动端访问 → 订单

一个示例月份

访问

6,000

商品页

2,400

购物车

600

结算

240

下单

84

移动端在到购物车之前流失 75% 的商品页浏览者,桌面端是 63.3%。
示例数据
示例数据:6,000 次移动端访问的转化率是 1.4%;同一个网站桌面端是 4.2%。仅购物车这一步追平桌面端,就能多出约 39 个订单。

哪些数据能解释人为什么离开?

漏斗告诉你在哪里,别的数据告诉你为什么。选数据前,先把问题和证据对上:

如果漏斗显示……去看什么能确认原因
某一页损失很大该页的点击图和滚动图点击落在不是链接的文字上;多数访客根本没滚动到按钮
有人狂点或重复点按狂点数据,再看这些会话的回放按钮看起来可点却没反应,或小屏幕上被一层东西盖住
表单那一步损失表单提交数和该步停留时间开始的多、提交的少,在某一步停留很久
刚付款或提交就掉了这些页面的错误报告同样的页面和设备上错误激增
移动端远低于桌面端移动端页面速度第 75 百分位的最大内容绘制超过 2.5 秒、交互到下一次绘制超过 200 毫秒,或布局偏移超过 0.1
人们停下来问问题该页的在线客服或客服咨询同一个问题反复出现(发货时间、退货、价格)

速度这一行用的是 Google 的核心网页指标阈值:页面要合格,最大内容绘制要在 2.5 秒内,交互到下一次绘制不超过 200 毫秒,累计布局偏移不超过 0.1,每项都取页面加载的第 75 百分位,并按移动端和桌面端分开看。只有移动端掉、而且移动端指标不合格,就应该先怀疑速度,再怀疑设计。

怎么把数据变成假设?

每个假设用一句话写成四个部分:

因为[证据],我们相信[改动]会[推动这个指标]对[这一群人]。我们会在[结果和时间窗口]得知结果。

用示例来说,假设热力图显示移动端访客在商品页上点的是配送文字,回放里他们又往上滚动去找送达日期。假设就写成:

因为到达购物车的移动端商品页会话里,有 61% 先点了配送文字(示例),我们相信把送达日期放在价格旁边,会把移动端访客的商品页到购物车转化率从 25.0% 提高到 31.3%。我们会在每个版本累计 810 位访客后得知结果。

重要的是你能指出的证据、单一的人群和要核对的数字。没有人群或数字的假设无法被证伪,也就教不会你任何东西。把假设和结果记成日志,免得重测已经失败的点子。

这个点子值得用你的流量去测吗?

测试需要足够的人,才能分清真实变化和噪声。对转化率来说,常用的双侧计算(显著性 5%、检验效能 80%)是:

每个版本所需人数 n = (1.96 + 0.84)² × [p₁(1 − p₁)+ p₂(1 − p₂)] ÷ (p₂ − p₁)²

示例数据:移动端每一步都以相对提升 +25% 为目标,按 50/50 分流。

步骤基线 → 目标每个版本所需人数该步骤每月人数出结论需要几个月赢了多出的订单
商品页到购物车25.0% → 31.3%8082,4000.7+21
购物车到结算40.0% → 50.0%3856001.3+21
结算到下单35.0% → 43.8%4862404.1+21

如果 25% 的提升是真的,三步都会多出 21 个订单,因为任何一步提升 25%,最终的 84 个订单都会乘以 1.25。它们的区别在于多久能知道结果。商品页的测试大约三周就有结论;结算的测试需要四个月的移动端流量。所以先测商品页,接着处理购物车这一步,结算则通过修复明显的问题(错误、速度)来解决,而不是靠实验。如果出结论的时间比你愿意等的时间长,要么瞄准更大的改动,要么跳过测试直接修复。

步骤基线 → 目标每个版本所需人数出结论需要几个月
商品页到购物车25.0% → 31.3%8080.7
购物车到结算40.0% → 50.0%3851.3
结算到下单35.0% → 43.8%4864.1

示例数据:移动端流量,相对提升 +25%,显著性 5%,检验效能 80%,50/50 分流。

怎么确认改动有效?

实验在你的测试工具里跑,结果也在那里读;分析工具用来看它周围的护栏指标。

  1. 按计划的样本量看主指标。 不要因为第 4 天曲线好看就提前停;偷看就停会抬高“假赢”的概率。
  2. 看护栏指标。 你改动那一步的下一步、客单价、退款或投诉率。如果商品页到购物车上升,后面几步却下降,整体可能是负的。
  3. 看同一个人群。 假设针对的是移动端访客,就要评判移动端,而不是全站总数,因为全站总数会被没动的 40% 流量稀释。
  4. 标记上线日期。 在图表上标注这个日期,让之后的读者知道改了什么、什么时候改的,并且对比前后相同的星期几,因为星期分布会影响转化。

在 TapCub 里怎么跑这套流程?

还是上面的移动端数字。TapCub 衡量漏斗和背后的行为;它不做 A/B 测试,也不分流,所以实验本身在你自己的测试工具或发布流程里跑。

  1. 建漏斗。 在 全端分析 › 行为分析 › 行为分析 建一个从商品页浏览,经购物车、结算到下单事件的漏斗。每一步显示人数、相对上一步的比率、流失和距上一步的中位耗时,并标出最大的流失。按设备拆分,就能重现上面的表。
  2. 打开最大流失背后的页面。 在 全端分析 › 行为分析 › 热力图 选页面和设备。点击、狂点、滚动到达和元素几个页签,显示人们点在哪里、在哪里重复点、滚动到多深。热力图需要开启全埋点,而全埋点需要 Pro 套餐。
  3. 看几个会话。 会话回放默认关闭;打开之后,在 全端分析 › 行为分析 › 会话回放 打开流失人群的会话。
  4. 查错误和速度。 监测 › 错误 列出错误分组和受影响会话,监测 › 性能 显示真实用户的核心网页指标,可以确认或排除技术原因。
  5. 标记改动并对比。 在 配置 › 日期标注 里把这次发布标在图表上,再到 全端分析 › 行为分析 › 事件分析 对比前后相同的星期几,它的对比选项可以按星期对齐(漏斗本身没有对比期)。如果开了聊天组件,去读从这个页面发起的对话,看有没有反复出现的问题。

FAQ

什么是 CRO 分析?

CRO 分析就是用行为数据找出访客在哪里没有转化、形成一个原因,并决定哪个假设值得测试。它涵盖漏斗、按设备和来源拆分、点击、滚动、回放、表单、错误和速度,在实验开始的地方结束。

CRO 最该看哪些分析报表?

先看按设备和来源拆分的漏斗,找到步骤和人群,再用热力图、回放、表单事件、错误和页面速度去解释。其他报表只有在会改变你选哪个假设时才有意义。

怎么根据数据写 CRO 假设?

写一句话:因为这个证据,我们相信这个改动会推动这个指标,对这群人,并在这个结果上得知。证据、人群和数字,是让假设可测试的部分。

做 CRO 测试需要多少流量?

取决于基线和你想检测的提升幅度。显著性 5%、检验效能 80% 时,把 40% 提到 50% 每个版本约需 385 人,把 25% 提到 31.3% 约需 808 人。开始前先算出来。

每个点子都要测吗?

不用。只测那些出结论的时间在你耐心范围内、赢了又有意义的点子。对明显的故障,比如错误或很慢的移动端页面,直接修复,之后再监控漏斗。

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。

林舟

产品体验专员

关注产品体验、功能使用与增长实践,喜欢把复杂流程拆成清晰步骤,让分析结果更容易用到日常决策中。

在一处找到步骤和原因

按设备拆分的漏斗、点击和滚动热力图、会话回放、错误分组和真实用户页面速度,都在同一个项目里。

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