数据分析 · 转化漏斗 · 作品集案例
电商购买转化漏斗分析与优化建议
基于 Retailrocket 电商数据集（275 万真实用户行为事件）
分析周期：2015年5月3日 至 2015年9月18日（137 天）
1. 背景与分析目标
业务背景：电商平台的核心商业指标是成交总额，而成交总额 = 流量 × 转化率 × 客单价。当流量增长放缓时，转化率是最值得投入的着力点。本次分析通过拆解购买转化漏斗，定位流失最大的环节，并提出可验证的优化方案。
分析目标：
- 量化购买漏斗每一步的转化率与流失率，找到最大流失点
- 对流失用户做行为特征分析，推断流失原因（归因分析）
- 提出可执行的优化假设，并设计验证方案（对照实验）
2. 数据说明
| 项目 | 说明 |
|---|---|
| 数据来源 | Retailrocket 电商推荐系统数据集（Kaggle 公开数据，知识共享零保留协议） kaggle.com/datasets/retailrocket/ecommerce-dataset |
| 数据背景 | 由电商个性化推荐服务商 Retailrocket 采集的真实电商客户网站行为日志，经用户标识匿名替换、商品标识匿名化处理后公开 |
| 数据规模 | 2,756,101 条行为事件 · 1,407,580 名独立访客 · 137 天 |
| 事件类型 | 浏览商品 2,664,312 次 / 加入购物车 69,332 次 / 完成购买 22,457 次 |
| 原始数据结构 | 5 列：时间戳（毫秒级）、访客标识（匿名用户）、行为类型、商品标识、订单号（仅购买有值） |
| 分析工具 | Python（pandas 数据处理库 + matplotlib 绘图库） |
| 漏斗口径 | 商品级严格有序漏斗：同一访客对同一商品，按时间顺序依次完成 浏览 → 加购 → 购买 |
口径选择理由：采用商品级严格口径比用户级口径更严谨——不仅要求用户的行为按时间有序，还要求三步行为关联到同一商品（通过商品标识匹配验证）。该口径排除了"浏览 A、加购 B、购买 C"等跨商品路径的干扰，使转化率更贴近真实的单品转化效率。
3. 漏斗全景：数据结果
1,404,179
浏览过商品的用户
32,158
浏览并加购同一商品的用户
9,559
完成同一商品完整路径的用户
0.68%
整体购买转化率
| 漏斗步骤 | 用户数 | 步骤转化率 | 整体转化率 | 流失人数 | 流失率 |
|---|---|---|---|---|---|
| 1. 浏览商品 | 1,404,179 | — | 100% | — | — |
| 2. 加购同一商品 | 32,158 | 2.29% | 2.29% | 1,372,021 | 97.71% |
| 3. 完成购买 | 9,559 | 29.73% | 0.68% | 22,599 | 70.27% |
核心发现：最大瓶颈不在支付环节，而在「浏览 → 加购」——97.71% 的用户在浏览商品后没有把任何商品放入购物车。这一步流失了近 137 万人，直接决定了后续所有环节的用户数天花板。相比之下，「加购 → 购买」29.73% 的转化率在电商行业属于正常水平（行业常见 20%–30%）。
4. 归因分析：为什么浏览 → 加购流失这么严重？
4.1 时间维度：不是流量质量问题，是持续性的产品问题
按周拆分漏斗后可以看到：19 个完整周里，「浏览 → 加购」转化率始终在 1.7%–2.5% 区间低位波动，即使周流量从 7.2 万增长到 9.7 万，转化率也没有随之改善。这说明低加购率不是某个广告渠道带来的不精准流量造成的偶发现象，而是产品体验本身存在的问题。
4.2 用户行为特征：73% 的流失用户是"看一件就走"
对 137 万「浏览但未加购」用户的行为特征分析发现：
- 73% 的流失用户整个周期只浏览了 1 件商品，人均浏览 1.7 件——这是典型的"看一眼就走"行为，指向进来的用户和看到的商品是否对口或商品详情页本身是否有说服力的问题，而非价格或支付问题。
- 加购后才流失的用户平均浏览了 6.2 件商品、加购 1.6 件，说明他们有明确的购物意图，流失原因更可能在结算流程繁琐或价格犹豫。
- 完成购买的用户人均加购 2.6 件，显著高于加购后流失用户的 1.6 件——加购的商品越多，购买的可能性越大，浏览和加购多件商品说明用户购买意愿很强。
4.3 决策时长：77.5% 的购买发生在首次浏览后 1 小时内
购买用户从首次浏览到完成购买的中位时长仅 0.2 小时（约 12 分钟），77.5% 在 1 小时内成交，90.4% 在 24 小时内成交。留给产品引导用户下单的时间窗口非常短——用户要么很快被说服，要么很快离开，这说明优化动作必须在用户浏览时就立刻生效。
5. 优化建议（按优先级排序）
最高优先级 · 攻克主瓶颈：把「看一件就走」变成「多看一件」
针对 73% 只浏览 1 件商品即流失的用户：
① 商品详情页增加「相似商品 / 搭配推荐」模块——数据显示 73% 的用户只看了一件商品就离开，在详情页直接推荐相似商品，是让用户从「看一件就走」变成「多看一件」最直接有效的手段；
② 详情页首屏突出影响购买决策的关键信息（价格、库存、加购按钮固定在屏幕底部随时可点）。
针对 73% 只浏览 1 件商品即流失的用户：
① 商品详情页增加「相似商品 / 搭配推荐」模块——数据显示 73% 的用户只看了一件商品就离开，在详情页直接推荐相似商品，是让用户从「看一件就走」变成「多看一件」最直接有效的手段；
② 详情页首屏突出影响购买决策的关键信息（价格、库存、加购按钮固定在屏幕底部随时可点）。
中等优先级 · 根据用户加购了几件商品，做不同的引导
加购 2 件以上的用户购买概率显著更高。对只加购 1 件的用户推荐满额凑单 / 组合优惠引导；对加购未购用户在 1 小时黄金窗口内推送提醒或限时优惠。
加购 2 件以上的用户购买概率显著更高。对只加购 1 件的用户推荐满额凑单 / 组合优惠引导；对加购未购用户在 1 小时黄金窗口内推送提醒或限时优惠。
较低优先级 · 恢复 70.27% 的加购流失
加购 → 购买还有 2.3 万人流失。具体手段：购物车页提前展示运费与总价、加购后降价提醒、简化结算步骤。此环节优先级低于最高优先级，因为它影响的人数少一个数量级。
加购 → 购买还有 2.3 万人流失。具体手段：购物车页提前展示运费与总价、加购后降价提醒、简化结算步骤。此环节优先级低于最高优先级，因为它影响的人数少一个数量级。
6. 如何验证：对照实验设计
| 要素 | 设计 |
|---|---|
| 实验假设 | 商品详情页增加「相似商品推荐」模块，可将浏览→加购转化率从 2.29% 提升至 2.54%（提升 0.25 个百分点） |
| 实验分组 | 按访客标识随机 50/50 分组，对照组=现有详情页，实验组=详情页+推荐模块 |
| 核心指标 | 浏览→加购转化率（最重要的指标）；人均浏览商品数（辅助观察指标） |
| 底线指标 | 加购→购买转化率不得显著下降（防止推荐分散了注意力反而降低了购买） |
| 判定规则 | 实验组浏览→加购转化率提升 ≥ 0.25 个百分点，且加购→购买转化率未下降 → 实验组全量；否则继续调整方案 |