Audyt lejka konwersji w sklepie internetowym — checklista

Audyt lejka konwersji to kontrola jednej drogi klienta, oparta na poprawnych zdarzeniach i odtworzonym zakupie. Wynik powinien wskazać, gdzie użytkownik traci możliwość lub motywację do kolejnego kroku, jaki jest na to dowód i jak sprawdzić proponowaną zmianę. Sama lista „dobrych praktyk” nie odpowiada na te pytania.

Poniższa checklista dotyczy ścieżki od karty produktu do zakupu w sklepie internetowym. Dla sklepu z innym celem zamień zakup na główne zdarzenie, na przykład wysłanie zapytania. Jeśli chcesz najpierw oszacować skalę problemu z koszykami, zobacz rachunek porzuconych koszyków.

Najpierw określ zakres i mianownik

Zapisz początek i koniec ścieżki, badany okres oraz segment: urządzenie, źródło ruchu, nowy lub powracający klient. Nie łącz wszystkich wizyt w jeden wskaźnik, jeśli użytkownicy mają różne cele. Wejście z poradnika i wejście na kartę produktu są innymi punktami startowymi.

Sprawdź, czy zdarzenia analityczne odpowiadają rzeczywistym działaniom. W GA4 typowe etapy e-commerce to view_item, add_to_cart, begin_checkout i purchase; w razie potrzeby także add_shipping_info i add_payment_info. To zdarzenia rekomendowane przez Google, ale sam fakt ich nazwania nie gwarantuje poprawnego wdrożenia. Wykonaj zamówienie testowe i porównaj identyfikator oraz wartość transakcji z systemem sklepowym.

Wskaźnik przejścia etapu licz jako liczbę sesji, które osiągnęły kolejny etap, podzieloną przez liczbę sesji z etapu poprzedniego, przy tej samej definicji sesji i okresu. Jeśli raport jest oparty na użytkownikach lub zdarzeniach, nazwij mianownik inaczej. Nie odejmuj liczby zdarzeń purchase od liczby zdarzeń add_to_cart i nie nazywaj wyniku liczbą porzuconych osób: jeden klient może dodać produkt kilka razy.

Checklista: test, dowód, następny krok

To są testy diagnostyczne, nie uniwersalne progi. Na przykład długi formularz może być problemem, ale dopiero obserwacja błędów i odpływu pokaże, czy jest problemem w tym sklepie. Podobnie niski udział przejść z karty produktu do koszyka może wskazywać na brak rozmiaru, cenę albo ruch o niskiej intencji.

Jak odróżnić objaw od przyczyny

Jeżeli raport pokazuje odpływ na etapie płatności, nie zakładaj od razu, że winny jest przycisk „Zapłać”. Najpierw sprawdź, czy płatności są dostępne, czy podsumowanie nie zmienia kosztu i czy powrót po błędzie zachowuje dane. Dopiero potem sformułuj hipotezę.

Przykład zapisu, który nadaje się do pracy: „Na telefonie, po wyborze dostawy cena rośnie bez wcześniejszej zapowiedzi; w nagranym przebiegu klient wraca do koszyka. Hipoteza: pokazanie kosztu dostawy przed checkoutem zmniejszy odpływ na etapie wyboru dostawy. Metryka główna: udział zakupów w sesjach z begin_checkout; kontrolna: wartość zamówienia i błędy płatności”. To hipoteza, nie obietnica wzrostu.

Badania użyteczności Baymard dotyczące checkoutu pomagają wskazać możliwe tarcia, ale nie zastępują sprawdzenia Twojego sklepu. Publiczne przykłady takiego rozdzielenia obserwacji od testu są w audycie mobilnym Answear i audycie lejka Koleo.

Jak ustalić kolejność zmian

Przy każdej obserwacji zapisz: etap, liczbę osób dochodzących do etapu, jakość dowodu, koszt wdrożenia i ryzyko ubocznego wpływu. W pierwszej kolejności napraw błędy uniemożliwiające zakup i błędy pomiaru. Potem sprawdzaj hipotezy dotyczące tarcia. Zmiana widoczna na wielu ekranach nie musi mieć większego wpływu niż jeden błąd blokujący płatność.

Po zmianie powtórz tę samą ścieżkę i porównaj metryki w tym samym segmencie. Przy mniejszym ruchu potraktuj wynik jako sygnał do dalszej obserwacji, a nie dowód przyczynowy. Jeśli chcesz dostać taką listę z priorytetami dla jednej konkretnej ścieżki, zobacz zakres audytu lejka lub napisz.