加购到购买的中位时长较短,可能源于计时起点的选择

同一批购买记录,在一份历史店铺日志中得出了2个不同的中位时长。配对比较揭示了差异的来源。

对REES46的2019年11月化妆品店事件日志中记录的用户与商品配对所做的原创分析。

摘要

2份报告可以使用同一批购买记录,却得出不同的加购到购买中位时长。我们用一家化妆品店2019年11月的事件日志检验了这一点。在193,397个于7天内出现购买记录的用户与商品配对中,从首次观测到的加购事件开始计时,中位时长为44分16秒;从购买前最后一次加购事件开始计时,中位时长为36分48秒。2种计时都以同一条购买记录为终点。

然而,82.4%的配对在2种规则下的计时相同,逐对计算的时长差中位数为0。整体中位时长相差的7分28秒,并不代表单个配对的典型变化。企业和创作者比较报告时,首先应弄清计时从哪里开始。这个历史单店案例考察的是报告口径的选择,没有测试提醒消息或结账流程的改变。

设想一家小型笔记本商店正在查看月度报告。一份摘要说,从加购商品到购买的典型间隔约为44分钟,另一份说约为37分钟。店主修改数字旁的说明之前,分析师需要先明确一个基本问题:各自从哪次加购事件开始计时?

同一条用户ID下,同一商品可能有多次加购事件。从首次观测到的事件开始计时,会包括后续加购操作之前的时间;从购买前的末次加购事件开始计时,则不包括此前那段时间。2种计算都可能正确,但描述的事情不同。

我们在REES46提供的公开化妆品店事件日志中比较了这2种定义。分析固定每个已记录用户与商品配对的购买事件,只改变作为起点的先前加购事件。这样就能衡量2种计时的差异,而不把它当作购买行为的变化。[1][2]

对销售商品的企业或创作者来说,有用的决策是如何说明和比较报告。显示的中位时长发生变化时,应先说明事件规则、纳入的群体及观测窗口,再据此评价店铺表现。配对结果说明了为什么这些细节应写在数字旁。

2个起点可以通向同一个终点

2个纸质购物袋分别通过青绿色和铁锈色的丝带连接到同一个包裹。
这幅概念插图展示了不同起点和共同终点。图中的物件和丝带长度不代表测得的时长、购物车状态或已履约订单。

同一批购买记录得出了2个不同的中位时长

本次比较纳入193,397个匹配的用户与商品配对,对应23,692个已记录的用户ID。每个配对都有11月首次可用的加购事件,以及随后7天内的购买记录。同一用户可能涉及多个商品,因此配对数不等于人数、购物车数或订单数。

对每个配对,第1种计时从11月最早观测到的加购事件开始,第2种计时从严格早于同一次购买的末次加购事件开始。因此,“首次”指这份11月文件中的首次事件,并非用户有史以来首次对该商品产生兴趣。购买终点保持不变。

3种分布:首次计时、末次计时与配对时长差

2019年11月化妆品店日志中的193,397个匹配的已记录用户与商品配对。以下所有时长均以分钟计。

2种计时及配对时长差的分位数,单位为分钟
百分位数首次加购计时(分钟)末次加购计时(分钟)配对内时长差(分钟)
第10百分位数5.524.600.00
第25百分位数13.6011.470.00
第50百分位数(中位数)44.2736.800.00
第75百分位数676.92404.700.00
第90百分位数3,160.502,740.704.10
来源:REES46化妆品店日志,2019年11月;Influence IQ分析。[1][2][5] 每种计时都以同一条购买记录为终点。先逐对计算时长差,再计算这些差值的百分位数。同一百分位数行在3种分布中不代表同一个配对。图中时长以分钟计,四舍五入保留2位小数;分析包保留以秒为单位的结果。

首次加购计时的中位数为2,656秒,即44分16秒;末次加购计时的中位数为2,208秒,即36分48秒。2个汇总值相减,得到448秒,也就是7分28秒。

逐对计算的时长差呈现出另一种结果:其中位数为0。报告的中间值与单条记录的变化,是不同的统计汇总。接下来的章节说明了为什么这2个结果可以同时成立。

表格将2种计时与配对内的时长差分别列在不同的列中。各列单独排序,因此同一行在3个列表中并不代表同一个配对。

82.4%的匹配配对在2种规则下的计时相同

有159,358个配对的2种计时从同一个加购时间戳开始,时长差为0。这些配对占全部匹配配对的82.4%,因此即使2种计时的中位数不同,配对时长差的中位数仍为0。

其余34,039个配对占17.6%,在固定的购买终点之前至少有2个不同的加购时间戳。在这个较小的群体中,2种计时的时长差中位数为469秒,即7分49秒。这一条件中位数描述的是这34,039个配对,而非全部193,397个配对。

多数匹配配对的起始时间戳相同

共同基数为193,397个匹配的已记录用户与商品配对;数量和百分比均指配对,而非去重后的人数。

计时相同或不同的配对,以及采用共同基数的占比
2种计时的关系已记录的用户与商品配对占全部匹配配对的比例
计时相同:购买前的加购事件只有1种时间戳159,35882.4%
计时不同:购买前至少有2个不同的加购时间戳34,03917.6%
来源:REES46化妆品店日志,2019年11月;Influence IQ分析。[1][2][5] 配对时长差为正,以及购买前有多个不同的加购时间戳,这2种条件识别出的是同一群体。该群体的条件时长差中位数为469秒(7分49秒)。全部配对的时长差中位数为0。

识别这个较小群体的2种方式等价。如果购买前有不止1个不同的加购时间戳,末次就晚于首次,因此从末次事件开始计算的经过时长更短。测量中有用的信息,是这种情况出现的频率,以及所记录时间跨度的大小。差异的方向本身由定义决定。

计时相同,意味着2种计时使用了同一个加购时间戳作为起点,并不描述购物历史中的每一步。即使有多次加购操作,其目的也仍不明确:源数据没有数量字段,无法解释这些操作之间发生了什么变化。

即使多数配对没有变化,中位数也可能改变

一个小例子更容易说明这种区别。取3条虚构的用户与商品记录,所有时长均以分钟计。从首次加购开始计算的时长分别为10、20和30。前2条记录从末次加购开始计算的时长仍为10和20;第3条改从较晚的加购事件开始计时,时长变为5。

第1份报告将时长排为10、20、30,中间值即中位数为20。第2份报告排为5、10、20,中位数为10。3条记录中仅有1条发生变化,却足以改变排序后处于中间位置的值。

再将每条记录与自身比较,时长差分别为0、0和25,中间值为0。2份报告的中位数相差10,而记录内时长差的中位数为0。这2个结论都直接来自这些虚构数值。

较大规模的店铺日志结果也遵循同一原理。中位数汇总整个分布,配对时长差则保留每次购买与自身的比较。如果把较小的中位数解读为一次典型购买“加快”的幅度,就混淆了这2个问题。我们的分析没有改变任何购买终点。

4.5%的匹配配对改变了所属的报告时长区间

团队除了报告中位数,也可能按区间汇总时长。我们使用了3个固定的描述性区间:不足1小时、1小时至不足1天,以及1天至7天(含7天)。这些只是用于说明报告分组的区间,并非建议发送邮件或其他消息的时间。

改变起始事件后,8,749个匹配配对进入了更早的时长区间,占全部193,397个配对的4.5%。其中,3,841个从中间区间移至不足1小时,3,020个从最长区间移至不足1小时,1,888个从最长区间移至中间区间。

首次计时与末次计时的完整时长区间交叉表

展示全部9种组合。“首次”和“末次”指作为计时起点的加购事件,已记录的购买终点保持不变。

首次与末次计时的全部时长区间组合,包括值为0的单元格
首次计时区间;末次计时区间已记录的用户与商品配对占全部匹配配对的比例
首次计时:不足1小时;末次计时:不足1小时106,72255.2%
首次计时:不足1小时;末次计时:1小时至不足1天00.0%
首次计时:不足1小时;末次计时:1天至7天(含7天)00.0%
首次计时:1小时至不足1天;末次计时:不足1小时3,8412.0%
首次计时:1小时至不足1天;末次计时:1小时至不足1天48,55525.1%
首次计时:1小时至不足1天;末次计时:1天至7天(含7天)00.0%
首次计时:1天至7天(含7天);末次计时:不足1小时3,0201.6%
首次计时:1天至7天(含7天);末次计时:1小时至不足1天1,8881.0%
首次计时:1天至7天(含7天);末次计时:1天至7天(含7天)29,37115.2%
来源:REES46化妆品店日志,2019年11月;Influence IQ分析。[1][2][5] 每个百分比的分母均为全部193,397个匹配配对,从不采用行合计。末次计时区间比首次计时区间更长的组合,其值按定义必为0。1小时和1天的边界仅用于说明报告区间,并非建议发送消息的时间。

多数配对仍处于相同的报告时长区间,其中包括精确时长改变、但未跨越区间边界的配对。因此,区间表和计时是否相同的表回答的是不同问题:数值时长是否改变,以及报告是否将该配对划入了另一组。

这张交叉表的每个百分比都以全部193,397个匹配配对为分母。例如,从中间区间移至不足1小时的3,841个配对,占全部匹配配对的2.0%,并非占中间那一行的2.0%。明确展示共同分母,才能将此表与整体比较结合使用。

1次虚构的笔记本购买,2种经过时长

以虚构的笔记本商店Paper Orchard为例。以下时间线和报告说明都是虚构示例,与化妆品店的研究结果分开。假设3次事件都使用相同的用户和商品标识符,所有时间均为UTC。

11月4日星期一09:00:记录到该笔记本的一次加购事件。11月5日星期二09:00:同一用户ID下,又记录到该笔记本的一次加购事件。11月5日星期二09:30:记录到一次购买事件。

从首次加购开始计时,时长为24小时30分钟;从末次加购开始计时,时长为30分钟。配对内的时长差为24小时,恰好等于2个加购时间戳之间的跨度。2种计算的购买时间均保持为星期二09:30。

这个例子说明了事件时间的计算方式,但没有提供购物篮历史。我们无法据此得知笔记本是否整夜一直留在购物车中、数量是否改变,或这次购买是否成为已履约订单。报告可以说明2种经过时长,而不必用购物者的故事填补这些信息空白。

虚构商店的一份完整报告说明

Paper Orchard的分析师可以向店主完整解释这2种时长。这份交接说明使用的是上文单条笔记本记录,因此只涉及该次购买,不涉及月度中位数。

目的:解释同一次笔记本购买的2个计时汇总为何不同。店主需要先准确说明报告,再将其用于营销活动的解读。

记录与窗口:上文所示的单个虚构用户与笔记本配对,时间为11月4日至5日,采用UTC。保持星期二09:30的购买终点不变。该记录处于示例的7天跟进窗口内,未提供这之前的完整历史记录。

起始事件:将1项指标标为“从首次观测到的加购起算的时长”,另1项标为“从同次购买前的末次加购起算的时长”。在分析师的源记录中保留2个时间戳。不要将2个标签都缩写为“购买时间”,否则会掩盖各自不同的含义。

比较结果:首次加购间隔为24小时30分钟,末次加购间隔为30分钟,配对时长差为24小时。报告可以这样表述:“这2个时间间隔以同一条购买记录为终点,差异来自作为起点的加购事件不同。”

店主的解读:将上述解释放在比较结果旁。较短的间隔描述的是从较晚那次加购记录起经过的时间,不能证明结账流程有所改善,也不能证明笔记本整夜一直留在购物车中。

下一份报告:分析师会将选定的事件标签、UTC时间基准及固定的跟进规则沿用到下一次比较。如果定义改变,店主会先说明变化,再比较主要数字。对消息或促销的任何评估,都需要独立的证据。

分别解读2种计时及其配对时长差

3个画面依次展示托盘里的包裹、2个购物袋通过丝带连接到同一个包裹,以及空白对比表上方的2个秒表图示。
  1. 固定购买终点

    2种计时均以同一个已记录用户与商品配对的购买事件为终点。

  2. 明确2个起始事件

    比较首次观测到的加购事件,与严格早于该次购买的末次加购事件。

  3. 区分不同的统计汇总

    将每种计时的分布与逐对计算的时长差分开解读。

这幅概念插图展示了如何解读2种计时的比较。图中没有观测时长,也没有购物车内容或订单履约的测量数据。

这份说明为创作者或小型商店提供了可以与报告合作方具体确认的问题:每种时长从何处开始、到何处结束。它直接说明了测得的时间间隔,同时在有证据之前,暂不对商业原因下结论。

比较报告时,明确展示事件规则

当代理机构与商店使用不同的报告工具,或新导出的数据包含不同长度的历史记录时,也可能出现同样的问题。即使标签都叫“加购到购买的时长”,也不能说明2个数字采用了相同的起始事件、购买匹配规则或观测窗口。

店主比较月度报告时,在描述趋势之前就需要弄清这一点。如果某个月从首次观测到的加购开始计时,下个月却从购买前的末次加购开始,那么这组时间序列混用了2种定义。此时,数字变小可能既反映规则变化,也反映月份之间的其他差异。我们固定购买终点的比较只分离出了定义差异,没有衡量月度表现的变化。

报告工具或导出方式改变时,在交接说明中明确保留定义的变化。关键在于新旧汇总是否描述同一件事。如果可用的历史记录也不同,应单独说明。首次观测到的事件取决于保留的历史从何时开始,即使其标签听起来像是客户整个旅程的起点。

分析工具本身就会明确规定漏斗入口和转化匹配方式。例如,Amplitude的文档说明了会话或回溯窗口内的最早进入规则,以及如何选择符合条件的转化路径。这些定义有助于理解报告;我们的2种计时计算没有复现Amplitude报告。[3]

计时方式仍然可以根据目的来选择。首次观测加购间隔,描述的是从最初那次已记录事件开始的时间跨度;购买前末次加购间隔,描述的是从购买前最近那次加购记录起经过的时间。企业可以选择能回答自身报告问题的指标,并在后续比较中保持其含义一致。

标签应在店主实际阅读的报告中体现这种区别。“从首次观测到的加购起算的中位时长”与“从购买前末次加购起算的中位时长”,表达了不同的起点。如果都只叫“购买时间”,就删掉了理解差异所需的信息。也应在旁边注明纳入的群体和跟进窗口。

当创作者或小型企业依赖他人准备分析时,这一点尤其有用。店主无需逐条检查事件,也能要求对方给出清楚的定义。报告合作方应先解释起点、终点及哪些符合条件的记录产生了这个数字,再赋予它商业层面的解读。

对于上述研究,证据支持的解读很具体:同一批购买记录,在2种起点规则下得出了不同的经过时长汇总。要判断商品页、促销或挽回购买的消息是否改善了购买体验,需要针对该项变化另行提供证据。

配对比较的计算方法

我们使用了公开化妆品店数据集第6版中的2019年11月文件。该文件包含4,635,837行事件记录,标签包括view、cart、remove_from_cart和purchase。时间戳采用UTC,11月每天都有记录。这说明了所提供文件的覆盖范围,并不能证明每个人都被持续追踪。[1][2]

共有1,061,242个已记录的用户与商品配对出现过加购事件。我们保留了首次可用加购事件发生于11月1日至23日的配对,要求从该事件起至观测文件结束至少有7天。另外270,024个首次加购发生于11月较晚日期的配对不属于这一队列。所有符合日期条件的配对都满足文件结束时间要求。

在791,218个符合条件的配对中,193,397个在固定期限内有明确且晚于起点的购买记录,其余597,821个在7天内未能配对。不能将它们视为已观测到的弃购:购买可能更晚发生、未被记录,或使用了其他标识符。时长图表仅描述已匹配的群体,不是转化率或弃购率。

我们从首次加购时刻起(含该时刻),选取最早的一次购买,截止点为7天后且包含该端点。如果购买与首次加购同时发生,或任何加购与该候选购买同时发生,就会因先后顺序不明确而排除该配对,不会改用更晚的购买。本次没有此类情况。所选事件元组完全相同的重复项会合并;移除商品事件不会重置任何假定的购物车状态。

该数据集没有购物车ID、订单ID、数量或退货状态。此前针对同一日志的研究考察了会话,并通过过程挖掘重建购物车状态。我们的计算则固定同一个用户与商品配对的购买事件,比较2个已观测到的事件起点,没有重建购物篮。[4]

我们在计算结果前固定了队列、观察期限、同时事件的处理规则和描述性区间。百分位数采用线性插值。图表描述符合条件的记录,不提供总体置信区间,也不作因果推断。下载内容包含汇总结果、精确定义和复现代码,不包含源数据中的用户与商品历史记录。[5]

无需注册。共享 ZIP 包含以秒为单位的汇总结果和复现说明译文。文章正文、计算示例、已完成的报告说明,以及页面展示结果的 CSV,均提供与文章相同的语言版本。包中不含原始事件数据行或用户与商品配对的历史记录。

来源与注释

  1. Michael Kechinov,eCommerce Events History in Cosmetics Shop,Kaggle数据集426888,第6版;固定文件2019-Nov.csv。数据提供方称其来自一家中型化妆品网店,事件时间采用UTC。数据集说明允许免费使用,但须附上Kaggle和REES46的链接;数据版权仍归原作者所有。汇总结果由Influence IQ计算。
  2. REES46官方数据集目录链接了涵盖2019年10月至2020年2月的化妆品消费行为数据集。本文仅使用2019年11月文件。源资料描述的是事件记录,不是当前店铺或消费者的代表性样本。
  3. Amplitude,How Amplitude computes conversions through funnels。官方文档说明了入口、回溯窗口和会话边界,以及符合条件的转化选择方式。这些产品原生定义提供了背景,并不能验证此处计算等同于一份Amplitude报告。
  4. Bilal Topaloglu、Basar Oztaysi和Onur Dogan,Cart-State-Aware Discovery of E-Commerce Visitor Journeys with Process Mining,Journal of Theoretical and Applied Electronic Commerce Research,第19卷第4期,2024年,第2851–2879页,DOI 10.3390/jtaer19040138。论文研究了同一事件日志来源中的会话与旅程分析,以及对购物车状态信息的补充。其基于会话的比较,不同于本文固定购买终点的时长比较。
  5. Influence IQ分析包:以秒为单位的标准汇总结果、完整的时长区间交叉表、队列数量核算、定义、来源标识符和复现代码。不包含源事件行,也不包含用户与商品的历史记录。

所有语言版本描述的都是同一份历史化妆品店日志。翻译不会产生对其他国家、市场或时期的估计。

阅读相关Influence IQ研究