分析B2C网站数据

  “如果你的用户转化率每天达到了5%。那么请举手!”如果这样问中国所有的B2C网站。结果没有一个人举手了。

  现在,大部分B2C的转化率都在1%以下,做的最好的也只能到3.5%左右。

  我相信所有的B2C都会关心以下三个问题:究竟那97%去了哪里?自己的网站在什么环节出现了问题,让进来的客户这么快的流失?以及怎么减少漏水的速度?

  数据,这个时候可以是一双眼睛,仔细分析之后我们可以看出蛛丝马迹。

  一、分解B2C漏水的过程

  大家只知道B2C的转化率不高,但是却不知道客户是怎么流失的。一群用户进来网站,他们经过首页、中间页、产品页、购物车以及结算等几个步骤,通常他们在这几个环节是怎么分批离开的呢?其实,这不是没有数据可查。

  先给大家看一张图。

  这个数据图,是我根据十几年的工作经验总结得到的,一般与实际情况相差不多。

  图一意思就是说,假定400个客户到了你的网站,会到中间页(包括搜索頁、分类頁、促销頁)的只有320(60%~80%)个用户,点击进产品页的只有190个用户,最后辛辛苦苦走到购物车只有9%~13%的用户,这个时候还不能开心,因为并不代表用这些户会掏钱,留到最后会付钱的用户仅仅只有3%~5%。

  更叫人难以接受的是,在这最终购买的3%~5%中(未包括支付成功),最后回头再次购买的,又要打一个大折扣。

  在吐舌头惊讶B2C生意难做之后,大家可以检查一下自己网站的漏水数据。只有清楚了哪个环节漏水,才能补洞。

  二、排查每个环节的漏洞在哪里

  以下,我们按照漏水的顺序,一个环节一个环节摸下去。

  1、三问首页

  大部分B2C首页有20%以上的弹出率,可能许多人对这个数字都习以为常,认为非常正常。如果做得很细致的分析的话,可能就意外的收获。

  先问第一个问题:每天来的新客户占多少?老客户占多少?新老客户的弹出率分别是多少?

  我看了一下麦包包的数据,麦包包用了很多流量来支持网站首页,如果他们的弹出率很高,那也是很正常的。但是注意要问一句,新老用户的弹出率分别多少?这个是比较容易考验网站的基础能力,新客户的弹出率可以检验一个网站抢客户的能力。对于老客户来说,流程上的用户体验相对不是最讲究,这个就很考验Onsite Merchandising的能力,比如产品的质量和价格是否吸引人。

  一般的来说,如果是一个新网站,拓展新用户比经营老客户更为重要的话,新老客户的比例最好是在6比4(甚至7比3),那么首页就要有一些手段偏向抓住新客户。

  如果,新用户的弹出率非常高,或者是老用户的弹出率非常高,那么网站运营者就该反思,是不是网站首页的设计没有照顾到新客户或者老客户。

  做了三年的B2C网站,建议分新老用户两个首页,已经在网站购买过的用户,没有必要再向它介绍网站,而是直接刺激他消费。

  再问第二个问题,流量分几个大渠道进来,每个渠道的弹出率情况如何?

  问完了之后,接下来可能发现从百度和谷歌进来的用户,弹出率可能差异非常大。而且今天主流B2C网站,都在费尽心思引进流量,比如凡客今天做很多促销,许多不是从“正门”(官网首页)进来,是“旁门”(LP促销页)进来,所以今天注意首页之外,还要看一下旁门。

  针对自己的主要流量渠道排查下去,很容易发现,哪条渠道在漏水。找到了痛处之后,再找到相应的解决方法就不难了。

  接着再问第三个问题, 首页被点击最多、最少的地方是否有异常情况?

  在首页,点击次数异常的高、或者异常的低的地方,应该引起注意。

  这里,在特别给大家分享一个好用的“规律”,一般来说,首页的“E”(以E字中间的“一”为界,上部是首页第一屏)部份是最抓用户眼球的地方,在这个“E”上如果出现点击次数较低的情况,就属于异常情况,应当注意,或者干脆移到“E”外面去;同理,如果在“E”的空白处出现了点击次数较高的情况,也可分析原因,可考虑要不要移到“E”上面来。

  国内的B2C网站首页非常长,可能许多用户不会浏览到首页底部,所以“E”最下面的“一”就往往可去掉,变成了“F”规律。

  2、中间页留客的三个技巧

  先说一下美国用调查出来的现成数据,在B2C网站上的准买家,有18%的用户有找不到需要的产品的困难,有11%的用户找到了产品但是不自己想要的,这29%的用户基本会漏掉。

  大部分用户进入首页之后开始找产品,第一是看促销,第二个看目录,第三是用搜索工具。其中,大概有60%~70%的用户是通过搜索+目录的方式走到产品页面。

  同上,这三个渠道都要按照新老客户分开去看一下离开率,这里不做赘述。这里和大家分享一下三个技巧。

  技巧一:怎么判断促销、目录和搜索是否成功,就看一下走到产品页的用户百分比是多少,哪一个渠道走得不好,就要改善。到底是怎么改进?一般来说,促销的原因与marketing的关系大一些,目录与采购组关联度大一些。

  例如,拿产品目录来说,手机应该是按照品牌来分、功能分、还是按照价格来分?目录经理需要和采购经理密切沟通,了解市场情况。曾经,我去京东,京东有个做目录的经理问我,怎样做好一个产品目录?当时我说我也没答案,这个我研究了10多年,没有特别好的标准答案,只能是与凭借多年的市场经验。

  如果一个网站前端的东西做不好,是营销的责任多一些。到中间页面,可以按照目录的转化率查一遍,转化率差的目录就要注意一下。

  再说搜索,一般B2C网站是由目录经理+技术来做的。通过搜索工具找产品的用户,自己有精确的需求,那么除了搜索技术之外(此环节与产品经理的关系非常大),还要提供符合用户需要的产品。假想一下,如果一个用户搜索出来的页面只有3个产品,他肯定会判断这个网站的东西非常少,如果还不那么符合自己要求的话,离开率几乎是100%。

  而多年做数据的经验告诉我,一般来说,在搜索页的第三页至第四页,用户还没有找到想要的产品,离开率就会很大。针对搜索页离开率比较大的页面,也有两个分享的技巧。

  技巧二:在离开率高的页末尾,推荐给用户另外一个搜索路径,让用户换一条路找产品。

  技巧三:对于那些找不到自己想要的东西的用户,乘他们脑子是空的时候,弹出一个菜单,告诉他们10个人就有9个人买了某某产品,可能就会把他整个思维重新激活,又可能留下。

  技巧三比技巧二对用户的刺激大,但是也更冒险,如果对推荐的产品没有足够大的把握,用户可能转头就离开了。

  3、产品页要特别留意用户停留时间

  到了产品页,用户留不留,与产品描述、质量有非常大的关系。所以,要特别留心客户停留在产品页的时间,如果许多用户打开产品页不到1秒钟就走了,就要留意分析原因了。是不是这个产品没有吸引力?是不是产品描述不准确?要多问一些问题。

  另外,和传统零售业喜欢提到的“碰撞率”相似,网站运营者应该了解哪些产品是被看了最终页,哪些没有被用户点看。

  4、购物车里多少产品没有付款?

  但是并没有下单付款。

  许多用户把产品放进购物车,但是并不付款。找产品部负责人,为什么这么多用户放在购物车里却不付款?这对于一个B2C网站来说,是一个很严重的事情。

  这里有三个点值得一提。

  一是,许多B2C网站,等用户要下单,提醒“请先注册”,30%的人可能会选择离开。这真的非常狠的一刀,从站外把用户引进来好不容易跋山涉水到了这一步,竟然还要给用户一刀送他离开,多少B2C网站思考过是否必要设立这一“提醒”?

  二是,如果找不到用户不付款的原因,可以直接给几个用户电话访问。

  三是,分析同时被放在购物车的产品之间关联性。

  总之,到了购物车,是网站自己和自己比,定性的多,定量的少。

  三、B2C的顾客也有生命周期

  传统零售企业,很难知道,客户在一段时间内购买了多少次产品、买的是什么价位,但是电子商务公司可以很清楚知道用户的购买行为。

  对于用户规模很大的B2C来说,很有必要把用户分为三个阶段:以3个月为限(有些垂直网站要6个月至一年),只购买够一次的用户、一个月购买过2到8次的用户、购买过8次以上的用户(每个网站可以根据自己的情况定次数,这里的数据是一般的规律)。

  B2C网站从0到1,可以说明拉客能力。当一个客户进来,如何做1到x(X的具体数字,垂直网站和综合有区别,企业在不同阶段,X也会变)也十分重要,不同阶段的用户的维护方法是不一样的。今天看很多网站,从1次到3次,会有50%以上用户就不回头流失了,而到了5-8次以上流失率便放慢了。

  如何从1做到X,还有许多可讨论,只是这篇文章集中介绍的是从0到1的转化,所以在这里就不展开了。但是有一定是非常肯定的是,大部分用户只有第一次购物体验非常好才会回来重复购买。所以说,做好了从0到1,从1到X就已经成功了一半了。

时间: 2024-10-28 16:52:00

分析B2C网站数据的相关文章

网站数据分析:多维交叉分析 排查网站数据异常

中介交易 SEO诊断 淘宝客 云主机 技术大厅 我们在进行数据分析的时候,大部分时间都在使用趋势分析.比较分析.细分分析这三类方法,但其实还有一个方法我们也会经常使用--交叉分析,尤其是在排查数据异常的问题时,交叉分析就能展现其强大的威力.另外要跟大家说声抱歉的是博客的更新频率可能没有那么频繁了,但是尽量每个月至少能发布一篇,希望文章的质量有所保证,还是欢迎大家留言讨论,能够发起一些有趣的话题,一起拓展在网站数据分析方面的思路. 什么是交叉分析? 交叉分析是指对数据在不同维度进行交叉展现,进行多

用户研究:分析B2C网站用户为什么只看不买

如果你在运营一个在线购物网站,加入购物车是一个我们都期望的动作,但是一个巨大的漏斗恰恰在此后发生.这叫做Shopping Cart abandonment(购物车舍弃). 是漏斗,也是金矿 设想一下,如果你在运营一个在线购物网站.你花费了很多的时间和金钱去做搜索引擎优化,花费了很多的推广资金,维持着几十人上百人甚至上千人的产品研发.市场.设计.客服团队,甚至还投入了大量的资金去做物流.仓储,但是你必须得承认并接受一个巨大的漏斗每日在你的网站上发生. 那就是从访客到真正采购完毕的漏斗. 来到网站

分析B2C转化率:B2C网站数据分析流程

文章描述:电子商务B2C数据分析全流程. "请举手!如果你的用户转化率每天达到了5%."如果这样问中国所有的B2C网站. 结果是,一个举手的人都没有. 目前,绝大多数B2C的转化率都在1%以下,做的最好的也只能到3.5%左右(比如以卖图书为主的当当) 我想,所有的B2C都会关心三个问题:究竟那97%去了哪里?自己的网站在什么环节变成了漏斗,让进来的客户像沙子一样一点点地流失?以及怎么检修隐藏的漏斗,减少漏水的速度? 数据,这个时候可以是一双眼睛,可以让我们看得一些蛛丝马迹. 一.分解B

分析:服装行业B2C网站之网络营销

中介交易 SEO诊断 淘宝客 云主机 技术大厅 我之前写过两篇文章:<B2C网站搜索引擎优化分析与诊断方案>和<B2C网站搜索引擎优化解决方案>,由于数据属于公司资料,不得已被撤下,这次文章的主题依旧是B2C网站,不过我将行业细分了一下,主要针对服装行业B2C平台的网络营销进行分析.可能只是一少部分,但我会陆续连载,把当前的服装行业所在电商领域中处于什么样的一个状态进行阐述,这篇文章是分析方案,后面我会提到诊断方案和解决方案,以个人观点宏观的去解析服装行业B2C网站的网络营销之现状

网站数据收集、整理、分析的方法和技巧

中介交易 SEO诊断 淘宝客 云主机 技术大厅 任务要求: 2010年10月18日中午12:00,入门任务第二期的任务开始,任务如下,对当前网络下的所有链接平台进行数据的收集整理和分析. 任务目的: 这次任务主要是锻炼我们的是几个力:执行力,耐力,分析能力,吃苦能力,这个是考验一个人工作是不是有耐心,会不会去动脑做事情,在收集的过程中,总是复制,粘贴这些枯燥无味并且重复性的工作,也是对一个人体力和眼力的考验.这个工作在第一个任务中也有对这方面的考验. 收集平台和整理平台可以说是另外一个力:苦力,

如何分析网站数据让网站seo明朗化

做seo优化,关键字排名很重要,但是对于行业性网站来说,单单只有排名是不够,如果你关键字上来了,却没有流量和收益,那等于做了无用功.说白了网站只所以做优化就是为了给网站带来流量,更是为了赢利.那怎么样才能达到这样效果呢?之前我们说过如何分析网站更有利于网站优化,而现在所说的是通过网站优化对网站数据进行分析,把seo做到最好. 1.蜘蛛日志,也就是蜘蛛爬过你网站的所留下的痕迹(数据),看看蜘蛛抓取了哪些页面,没抓取哪些页面,抓取了多少相同页面等.当你知道了这些数据之后,你就得像办法怎么让蜘蛛访问哪

网站数据分析:分析的前提—数据质量3

中介交易 SEO诊断 淘宝客 云主机 技术大厅 前面的两篇文章--分析的前提-数据质量1和分析的前提-数据质量2分别介绍了通过Data Profiling的方法获取数据的统计信息,并使用Data Auditing来评估数据是否存在质量问题,数据的质量问题可以通过完整性.准确性和一致性三个方面进行审核.这篇文章介绍最后一块内容--数据修正(Data Correcting). 数据审核帮助我们发现数据中存在的问题,而这些问题有时候可以利用一些方法就行修正,从而提升数据的整体质量,数据修正就是为了完成

网站数据分析:分析的前提—数据质量1

中介交易 http://www.aliyun.com/zixun/aggregation/6858.html">SEO诊断 淘宝客 云主机 技术大厅 数据质量(Data Quality)是数据分析结论有效性和准确性的基础也是最重要的前提和保障.数据质量保证(Data Quality Assurance)是数据仓库架构中的重要环节,也是ETL的重要组成部分. 我们通常通过数据清洗(Data cleansing)来过滤脏数据,保证底层数据的有效性和准确性,数据清洗一般是数据进入数据仓库的前置环

网站分析:用数据辅助设计-搜索中的实践

中介交易 SEO诊断 淘宝客 云主机 技术大厅 设计时不能单凭经验和直觉,因为涉及到的目标人群.场景.操作习惯的不同.为了获取更准确.有效的信息去辅助.检测设计,设计师会选择定性(用户访谈.焦点小组)和定量(调研问卷.网站数据分析)的方式进行用户研究.其中"网站数据分析"这一方式不需要花费较长的时间及人力成本,同时避免了用户及环境等不稳定因素对分析结果造成的干扰.只要具备精准及适用的数据,我们应优先选择这一方法辅助设计. 通常我们可以获取到哪些数据呢? 1. 网站数据 搜索常见的数据如