آیا خروج کاربران پس از مطالعه یک پست وبلاگ مسئله‌ای حیاتی است؟ شاید نه. اما اگر سایت شما یک فروشگاه آنلاین باشد و مشتری در مرحله پرداخت فرآیند خرید را ترک کند، موضوع کاملاً متفاوت است. این امر به معنای از دست دادن درآمد است. در این مقاله، اهمیت تحلیل صفحات خروجی در Google Analytics 4 (GA4) را بررسی خواهیم کرد. با استفاده از این اطلاعات ارزشمند، می‌توانید تجربه کاربری را بهینه‌سازی کرده و در نهایت، نرخ تبدیل را افزایش دهید.
همچنین تفاوت بین نرخ خروج و نرخ پرش را روشن خواهیم ساخت. در پایان، چندین نمونه از تحلیل صفحات خروجی در قیف فروش را بررسی کرده و راهکارهایی برای بهبود عملکرد سایت ارائه خواهیم داد.
صفحات خروج در GA4
صفحات خروج در Google Analytics 4 (GA4) صفحاتی هستند که کاربران پس از بازدید از آنها، از سایت خارج شده و سشن آنها به پایان میرسد این صفحات نشان می‌دهند که چند بار آخرین ایونت یک سشن بر روی یک صفحه رخ داده است.
نرخ خروج درصدی از سشن هایی است که بر روی یک صفحه به پایان رسیده‌اند. این نرخ با تقسیم تعداد خروج‌ها بر تعداد کل سشن ها محاسبه می‌شود. به عبارت دیگر، صفحه خروج آخرین صفحه‌ای است که کاربر در یک سشن مشاهده میکند. هر بار که یک صفحه به عنوان آخرین صفحه یک سشن ثبت شود، مقدار متریک نرخ خروج به میزان ۱ افزایش می‌یابد. شناسایی این صفحات به شما کمک میکند تا نقاط ضعف در مسیر کاربری را شناسایی کرده و بهبودهای لازم را برای افزایش تعامل و کاهش ترک سایت اعمال کنید.
تفاوت نرخ خروج و نرخ پرش در آنالیتیکس ۴
نرخ خروج و نرخ پرش دو شاخص کلیدی در Google Analytics 4 هستند که اطلاعات ارزشمندی درباره رفتار و تعامل کاربران ارائه می‌دهند.
نرخ خروج درصدی از سشن هایی را نشان میدهد که با ترک یک صفحه خاص پس از مشاهده چندین صفحه پایان می‌یابند. در مقابل، نرخ پرش درصد سشن هایی است که پس از مشاهده تنها یک صفحه به پایان می‌رسند.
هر دو شاخص نشانگر پایان یک سشن هستند؛ با این حال، نرخ خروج بر کاربران با تعاملات چند صفحه‌ای تمرکز دارد و از این رو برای تحلیل صفحات خروج و شناسایی موانع احتمالی تبدیل بسیار مفید است.
لازم به ذکر است که گرچه تمام پرش‌ها به دلیل ترک سایت پس از مشاهده تنها یک صفحه، به عنوان خروج نیز محسوب می‌شوند، اما تمامی خروج از صفحات به معنای بانس شدن کاربر نیستند. این تفاوت زمانی مشخص می‌شود که کاربر بیش از یک صفحه را مشاهده کرده باشد.
تفاوت اصلی بین نرخ پرش و نرخ خروج در این است که آیا صفحه آخر بازدید شده، اولین و تنها صفحه بازدید شده نیز بوده است یا خیر. در صورتی که کاربر تنها یک صفحه را مشاهده کرده باشد، آن بازدید به عنوان بانس ریت طبقه‌بندی می‌شود.
به همین دلیل، انتظار می‌رود نرخ خروج در صفحه ای که بعد از خرید موفق نمایش داده می شود، بالا باشد. اما وجود نرخ خروج یا پرش بالا در مراحل قیف فروش که هدف جذب مشتریان بالقوه یا نهایی کردن خرید است، نشان‌دهنده مشکلات احتمالی در طراحی و تجربه کاربری است که نیازمند بررسی دقیقتر می‌باشد.
چگونه صفحات خروجی را در GA4 پیدا کنیم؟
در حال حاضر، گزارش‌های استاندارد گوگل آنالیتیکس 4 امکان مشاهده صفحات خروجی را فراهم نمی‌کند. با این حال، پیش‌بینی می‌شود که در آینده این متریک به گزارش‌های استاندارد اضافه شود.
در نتیجه، تنها روش موجود برای مشاهده گزارش صفحات خروجی GA4 در حال حاضر، استفاده از گزارش‌های Explore و ایجاد یک گزارش سفارشی است.
ساخت گزارش صفحات خروج در آنالیتیکس ۴
ساخت گزارش اکسپلور در Google Analytics 4 امکان تحلیل بهتر و دقیقتر از صفحات خروج را برای ما فراهم میکند. با ایجاد یک گزارش اکسپلور، می‌توان دایمنشنی مانند مسیر صفحه یا نام صفحه و متریک هایی همچون Exits را اضافه کرد تا درکی جامع از عملکرد صفحات به دست آورد.
برای تحلیل عمیق‌تر داده‌ها، می‌توان از دایمنشن هایی مانند دستگاه، مرورگر یا سورس مدیوم استفاده کرد تا الگوها را شناسایی و مسیر کاربر را بهینه کرد.
مراحل زیر برای شناسایی صفحات خروج در GA4 قابل اجرا است:
- وارد حساب Google Analytics 4 شوید.
- از منوی سمت چپ، گزینه Explore را انتخاب کنید و یک گزارش Explore جدید ایجاد کنید.
- در تب “Variables”، دکمه “افزودن دایمنشن” را کلیک کنید.
- دایمنشن های “Page path + query string” را به گزارش اضافه کنید.
- معیار “Exits” را به گزارش اضافه کنید.
- برای سفارشی‌سازی گزارش، از دایمنشن های تفکیکی مانند سورس مدیوم استفاده کرده و داده‌ها را فیلتر کنید.
متاسفانه، در حال حاضر تنها روش برای ساخت گزارش‌های صفحات خروج برتر در GA4، استفاده از گزارش‌های Explore است. امید است در آینده امکان وارد کردن این معیار به ابزارهایی مانند Looker Studio برای ایجاد گزارش‌های سفارشی فراهم شود.
اهمیت ردیابی صفحات خروج برای سایت‌های فروشگاهی
تحلیل صفحات خروج برای سایت‌های فروشگاهی از اهمیت بالایی برخوردار است. درک نقاط خروج کاربران از وبسایت، به‌ویژه در مراحل پرداخت، نقش حیاتی در شناسایی موانع و بهینه‌سازی نرخ تبدیل دارد. با تمرکز بر صفحات خروج، کسب‌وکارها قادر به شناسایی چالش‌های کاربران، بهبود فرآیند خرید و در نهایت افزایش فروش و درآمد خواهند بود.
تحلیل مسیر خرید کاربر با استفاده از قیف فروش در گزارش‌های استاندارد GA4
گزارش مسیر کاربر تعداد کاربرانی را نشان میدهد که در هر مرحله از قیف فروش سایت ترک می‌کنند. با بررسی این گزارش می‌توان مراحل بحرانی قیف را شناسایی و بهبود بخشید. هدف اصلی ما در این تحلیل، تعیین نرخ ترک در هر مرحله از قیف و یافتن راهکارهای مناسب برای کاهش آن است.
برای دسترسی به این گزارش، مراحل زیر را طی کنید:
- Reports > Monetization > User purchase journey
تفسیر و تحلیل داده‌ها مهمترین بخش این فرآیند است. بر اساس اطلاعات به دست آمده، می‌توان فرضیه‌هایی ایجاد کرده و تصمیم‌گیری‌های لازم را انجام داد. در ادامه، به بررسی نمونه‌هایی از تحلیل مراحل قیف در فروشگاه‌های آنلاین خواهیم پرداخت.
مورد 1: فروشگاه آنلاین فروش لنز
این نمونه‌ای از یک قیف فروش در یک فروشگاه آنلاین بر اساس داده‌های GA4 است. نرخ تبدیل متوسطی در این حوزه دارد.
از مجموع 5700 بازدیدکننده، تقریباً نیمی یعنی 2800 نفر (50.8 درصد) بلافاصله سایت را ترک کردند. 2000 نفر به مرحله مشاهده محصولات رسیدند، اما 1900 نفر بدون افزودن محصولی به سبد خرید، سایت را ترک کردند.
در نهایت، 413 تراکنش ثبت شده است. بنابراین، نرخ تبدیل قیف 7 درصد است.
این عدد برای یک فروشگاه آنلاین مناسب است، اما هنوز پتانسیل بهبود نرخ تبدیل وجود دارد.
راهکارهای بهبود:
نرخ پرش بالای پس از مشاهده صفحه محصول می‌تواند نشان‌دهنده ضعف در ارزش پیشنهادی منحصر به فرد (USP)، نبود محرک‌های خرید، مشکلات در رابط کاربری مانند اطلاعات ناکافی محصول و موارد دیگر باشد.
برای شناسایی دقیق عوامل ترک سایت، انجام تست A/B توصیه می‌شود. نتایج این تست‌ها می‌تواند در تصمیم‌گیری برای تغییرات لازم کمک کند.
یکی دیگر از راهکارها برای بهبود نرخ تبدیل در مرحله خروج از سبد خرید، ریتارگت کاربرانی است که نیمه‌کاره فرآیند پرداخت راه رها کرده اند.
مورد 2: شرکت برشته‌کننده قهوه و فروشنده ماشین‌های قهوه
از مجموع 54000 بازدیدکننده، یک سوم یعنی 17000 نفر (33 درصد) بلافاصله سایت را ترک کردند.
32000 نفر پس از مشاهده محصولات، سایت را ترک کردند و تنها 10 درصد از بازدیدکنندگانی که محصولات را دیدند، فرآیند خرید را آغاز و محصول را به سبد خرید افزودند.
نرخ تبدیل در مرحله آغاز پرداخت 84 درصد است که نشان‌دهنده عملکرد خوب در این مرحله از قیف فروش است.
راهکارهای بهبود:
تعداد بالای افرادی که بدون مشاهده محصولات سایت را ترک می‌کنند، می‌تواند نشان‌دهنده بی‌ربط بودن ترافیک باشد.
بررسی دقیق کمپین‌های تبلیغاتی، منابع ترافیک و رفتار مخاطبان در صفحه اصلی ضروری است.
عوامل دیگری مانند پیچیدگی ساختار سایت، عدم وضوح عناصر فراخوان عمل (CTA) و نبود محرک‌های خرید نیز می‌توانند در ترک کاربران موثر باشند.
با این حال، مراحل میانی و پایانی قیف فروش عملکرد خوبی دارند و کاربران را به سمت خرید هدایت می‌کنند.
برای بهبود قیف فروش، تنها شمارش تعداد کانورژنهای هر مرحله کافی نیست؛ بلکه باید دلیل کاهش تعداد کاربران در هر مرحله از قیف نسبت به مرحله قبل را نیز بررسی کنید.
در ادامه ۵ نکته مهم برای ساخت قیف فروش با عملکرد مناسب را با شما به اشتراک می‌گذاریم:
- قیف فروش را تا حد امکان کوتاه و مسیر کاربران را ساده نگه دارید. از کاربران نخواهید که اطلاعات غیرضروری را وارد کنند.
- به جای اینکه فقط به تصور خود از قیف فروش در فروشگاه آنلاین تکیه کنید، بر رفتار واقعی کاربران تمرکز کرده و قیف را بر اساس آن بهینه‌سازی کنید.
- براساس داده برای تغییرات در طراحی یا عملکرد سایت تصمیم بگیرید.
- برای داشتن تحلیل‌های دقیقتر، eCommerce را در Google Analytics پیاده‌سازی کنید.
- به ویژگی‌های خاص کسب‌وکار و مخاطبان هدف خود توجه کنید و قبل از اعمال هرگونه تغییر، آزمایش تقسیم‌بندی (A/B Testing) انجام دهید.
خلاصه
در این پست، اهمیت تحلیل صفحات خروجی در GA4 برای سایت‌های فروشگاهی را بررسی کردیم و نشان دادیم که چگونه می‌توان از تحلیل مسیر قیف برای بهبود تجربه کاربری و افزایش نرخ تبدیل استفاده کرد. ما تفاوت بین نرخ خروج و نرخ پرش را مرور کردیم، نحوه یافتن صفحات خروجی در GA4 را یاد گرفتیم و از چندین مطالعه موردی واقعی نکات مهمی را دریافت کردیم.
