竟然不知道用戶細查，難怪你的用戶轉化率還在降低！

我們每天都會遇到各種轉化率的問題，如電商行業關注的購買轉化率、網站的註冊轉化率等等，其中很多運營者都會遇到轉化率低的問題。那麼如何解析背後的原因，下一步又該做什麼呢？面對這些問題，我們又該如何去思考。

大家平時會從很多渠道獲得很多看似「完美」的解決方案，那些方案看似很美，是不是真的有用呢？很多時候，問題和答案是不可複製的；一個方案在這裡適用，但是在別的地方不一定適用。所以，我們真正需要的得到完美解決方案的思路，不僅僅是解決某一個問題的方法，而是如何思考的過程。

今天我們將用「如何提升顧客轉化率」這個問題來更好解釋闡釋這個方法。

【解決問題「三步走」】

第一步：理解你的問題

一個看似合理的問題，你不一定理解它的本質。很多人都會忽略這一步，雖然簡單，但至關重要，它決定了後面我們能否一步一步地找到解決方法。在這個過程中，我們可以問自己一些問題，幫助我們更好的理解問題。比如：這個問題是什麼，如何定義，具體是什麼，是否能描述出來。對行動有什麼指導性的意義。

以「活躍度」為例，什麼是活躍度？如何定義活躍度？

到底是用戶來過你的網站就算活躍還是需要使用某些特定的功能，還是用戶訪問的時長？事實上，這些都有可能。對於電商網站來說 ，用戶活躍度一般指用戶瀏覽商品個數；對於人力資源SaaS行業，用戶活躍度一般指瀏覽和下載簡歷的個數；對於內容類社區，用戶活躍度一般是瀏覽和訪問時長。

理解「用戶活躍度」的最終目是提高轉化，與核心轉化路徑聯繫起來，形成瀏覽商品——點擊購買——付款成功的完整路徑，確保我們在一開始就走上了能產生有效結果的道路。

第二步：問題空間的分類

在理解你的問題的基礎上，我們需要對問題進行分類，分類處理。

在這裡，我們推薦MECE分析法；ME是MutuallynExclusive的簡程，即相互獨立；CE是CollectivelynExhaustive的簡稱，即完全窮盡。MECE分析法就是對一個議題能夠做到不重疊不遺漏的分類，藉此把握問題的核心，並解決問題的方法。

以SaaS企業客戶簽單為例。用MECE就客戶簽單問題進行分類，就成為新客戶簽單和老客戶續單兩類問題。這樣一來，問題就明朗了。

第三步：假設檢驗

在每個問題分類上充分調動你的行業神經，提出合理的假設，運用可靠的數據和有效的工具進行檢驗。在這個過程中，我們可能遇到很多個分類，每個分類有很多的假設；有的時候我們需要用行業經驗對假設進行優先順序排序，優先處理那些可能對結果產生巨大影響的問題，在全面性和有效性中做出權衡。

【案例：購買轉化】

下面我們運用以某在線旅遊商城為例，跟大多數電商平台一樣，商城網站有商品詳情頁、立即購買按鈕、訂單填寫頁面和提交訂單按鈕（下圖左側）。這一系列頁面形成了一個核心路徑，即瀏覽-購買-付款。

分析該平台的購買轉化情況，不容樂觀。從瀏覽商品到點擊立即結算，轉化率才3.1%；從點擊結算到最終支付成功的，轉化率才4.2%。如此低的轉化率，到底是怎麼造成的；這樣就回到我們上面講的「三步走」分析問題的方法。

第一步：理解問題，什麼是轉化率

在這個案例中，轉化率是完成支付的人數 除以 進入訂單頁面的人數。為了提升轉化率，只能是增加完成支付的人數，也就是減少支付頁面的客戶流失率。這樣一來，提升轉化率的問題變成了如何減少流失率的問題，問題的根源也就明細了：客戶在支付頁面流失的原因是什麼。

第二部：問題空間分類，客戶流失原因的類別

客戶為什麼會流失？按照MECE分析法，我們將客戶離開分成主動離開和被動離開兩種。被動離開，可能是因為突然斷網、電腦死機等客觀原因，不可掌控；所以不是我們關注的要點。

客戶主動離開的情況，有兩種可能。一是產品和用戶需求不匹配，導致客戶沒有完成支付意願。二是產品需求和用戶匹配，但是客戶最終也沒有完成支付，這是我們需要優先關注的。為什麼產品和客戶需求是匹配的，最後客戶還是沒有完成支付呢？

有沒有可能是我們的支付頁面設計的不夠友好呢？帶著這個猜想，我們需要可靠的數據和有效的工具來驗證我們的假設。

第三步：假設檢驗，用藉助「用戶細查功能」

我們選取了一個未完成支付的客戶，藉助GrowingIO的「用戶細查」功能（內測中）來詳細觀察這位客戶在該商城上的軌跡。

上面最左邊的是該用戶第一次進入該平台時的動作，該客戶打開頁面，瀏覽了旅遊商品頁，點擊了購買，並提交支付頁面，但是最終卻直接退出了，沒有確認支付。第二次，這個客戶又重新進來，瀏覽旅遊商品，選擇了另外一個商品，提交支付，最後又是在支付頁面退出了。第三次這個客戶又進來，瀏覽了另外一個旅遊商品，提交支付，最終還是沒有完成支付，這次客戶完全退出。

通過GrowingIO的「用戶細查」功能，我們不難發現，客戶每次都在支付頁面退出，然後又重新選擇新的旅遊商品。業務人員結合實際，不難理解：客戶選擇旅遊商品是一個反覆的過程，包括旅遊時間、酒店套房、交通安排、參觀景點等等。客戶在提交訂單後容易再次更改自己的選擇（可能受到親朋好友的推薦或者考慮到新的因素，跟我們在網上買東西是一樣的道理），如果訂單的支付頁面無法修改訂單內容或者返回上一頁修改訂單，用戶最終會放棄支付或者直接退出，導致支付轉化率過低。

驗證了之前「支付頁面不友好」的假設後，下面就是技術人員改進頁面的工作了，後期繼續觀測支付轉化率數據，進一步優化網頁設計。

【課程總結】

在實際業務中，我們遇到問題的時候，要思路清晰。

首先要結合業務場景具體定義你的問題，然後利用MECE分析方法給問題分類，提出相應的假設，根據經驗對不同問題假設進行優先順序排序，優先處理重要的問題。最後，藉助可靠的數據和有效的工具，對假設進行檢驗。

*本文根據3月8日GrowingIO網路公開課上授課內容編輯整理，作者是GrowingIO商務分析師鄭平原。

_______________________________

GrowingIO是新一代用戶行為數據分析產品，如果你是以下三種人，關注我們，免費註冊：

如果你是數據工程師，卻在不務正業配置地埋點代碼，關注我們，立刻減少加班；

如果你是產品經理，但是不知道如何分解KPI等指標，關注我們，精準識別用戶；

如果你是業務主管，苦惱於銷售額和佔有率增長乏力，關注我們，讓客戶高效下單。

_________________________________

關注微信公眾號 GrowingIO ，獲取更多用戶行為數據分析乾貨。

推薦閱讀：