– HACK#83 "Measure the Checkout Process"
相比網站其他環節的分析與優化,對網上支付流程的分析和優化所帶來的收益要多很多。
對於在線零售的電子商務網站而言,在需要優化的各個環節中支付流程是最重要的。幸運的是它很容易分析,而且通過詳細的分析後進行優化也是非常可行的。按照下面這個簡單的步驟,從第一天開始實施後,就能讓你認識到一些優化措施帶來的變化,從而能讓零售商追加他們的投資。
第一步:建立基線
首先第一步是要建立一個分析的基線,周期性的有效監控支付流程。這裡有兩個基礎的指標需要跟蹤趨勢,它們提供了一個很好的分析基線:
● 同一訪問 分析期間內(例如一個財政月),在一次訪問內完成支付的比率:
包含支付完成感謝頁面的訪問次數 / 包含支付流程中第一個頁面的訪問次數
● 跨訪問 分析期間內(購物者完成購買商品的平均時間周期),跨訪問完成支付的比率:
到達支付完成感謝頁面的訪問者數 / 到達支付流程中第一個頁面的訪問者數
在支付流程漏斗分析中,你應該深入的了解每一個步驟,並觀察每一步都發生了什麼。在支付流程的每一步驟中你都應該注意以下指標:
● 到達此步數:到達每個步驟的訪問次數
● 潛在銷售額:每步的潛在銷售合計(基於留在購物車中的商品數和遺棄購物車的商品數)
● 到達下步數: 進入到下一購買步驟的訪問次數
● 完成率:通常表示為繼續購買商品的訪問百分比,或者依然還在進行該購買過程的訪問百分比
● 離開漏斗率:離開支付流程,但依然還訪問網站的訪問百分比。
● 離開網站率:離開支付流程,並且同時離開網站的訪問百分比。
● 潛在流失額:離開結帳流程的銷售額。
需要記住的是,監測支付流程僅僅是“監測多步驟流程”的一種特殊情況。網站分析報告中通常會在一個報表列出支付流程中的每一步及上述對應指標值。(參照下表)
支付流程漏斗分析報表
對於上面的每一步驟,你可以了解到客戶進行購買商品、或者不再支付、甚至直接離開網站的情況。此外,關於失去這些客戶的財務影響也一目了然。看完上面的網站分析報告,你很可能會說:“這個報告實在是太好了,但是我怎樣才能防止大量的客戶從支付流程中流失呢?”
第二步:診斷問題
接下來你需要診斷都是哪些問題導致了上面描述的損失。診斷分析的關鍵在於,發現用戶在哪些地方停止前進,又去向了哪裡。在多數場合下,圍繞發生這些動作的根源你能做出一些假設。
診斷支付流程的終極數據就是點擊流數據了,通過對點擊流數據的分析,來展示用戶在這一過程中每一步的准確路徑。將這些動作劃分成以下幾個情況是非常有用的:
● 直接從網站退出
● 前進到流程的某個後續步驟。如果該步驟沒有多個可選後續步驟,只會進入下一步。
● 後退到前面某個步驟
我們建議你作成一個帶有指標並涵蓋支付流程每一步的頁面路徑圖。雖然你可能已經知道大的問題點所在,但是現在你應該更詳細了解到是什麼導致了這些損失,以及是否是相反的或者是流程以外的行為導致了這個問題。下一個問題或許你會問“糟糕的是什麼?”
大多數網站分析工具提供商都能提供一些路徑分析報告(參照下圖),為你提供了可視化的全面診斷支付流程的數據。這些報告是前面支付流程漏斗分析報表展示的信息的變通,用來凸顯支付流程中某個頁面的問題,在這個例子中,可以發現用戶進入“支付步驟一:登錄”後是不是都進入到“支付步驟二”中;離開支付流程的用戶又都流向了哪些頁面。
基於單次會話(訪問)的頁面點擊流報告
類似於這樣的報告和可視化信息能夠幫助你更好地診斷例如在上表中凸顯的問題。對於這種將信息可視化的能力,你會對它的價值而感到驚訝,例如在上面的支付流程路徑分析報告中你可以發現:
● 沒有按照預期的方式跳轉。比方說,用戶進入支付環節後,有9.2%的用戶又回到“查看購物車”頁面;返回首頁也有162次訪問。
● 發生錯誤的環節。例如,跳轉到密碼錯誤頁面有4436次,到忘記密碼頁面的979次。
總結
總的來說,監控並優化支付流程的方法非常簡單明了:
1、 制定好測量基准後監控大的趨勢。
2、 監控用戶在流程的每一步的行為來找到問題關鍵點。
3、 更深入的挖掘和確定如果客戶不繼續前進將會去哪,以及假想一下為什麼他們會出現這些行為,從而界定這些損失有多大。
4、 大多數的場合,對特定用戶組的行為提供一個更深入的分析,又能確保他們所做的任何行為對另一個分組的利益產生影響的變化,分別分析每個客戶的分組就顯得更為有意義。典型的分組包括形成對比的新訪客與再訪客、大多數最有價值的客戶、通過營銷活動進入的客戶、對分類能夠產生高額的客戶等等。
5、 同時使用轉化率和交易金額,獲得按照既定路徑訪問的客戶的銷售情況。
6、 根據投資回報的效果,為優化網站的支出列出優先關系。
7、 嘗試所能做的一切來彌補網站的漏洞。
8、 衡量這些修改所產生的影響,持續重復以上的這些步驟。
最後,如果你已經熟練掌握持續優化流程,你應該很快能夠在支付流程中作出雖然細微但是很重要的優化。
- Brett Hurt and Eric T. Peterson