加入購物車到購買的中位耗時較短,可能是計時起點不同

在一份歷史商店紀錄中,同一批購買事件算出了2個不同的中位數。配對比較揭示了差異的來源。

以 REES46 提供的2019年11月化妝品商店事件紀錄,針對其中的使用者與商品配對進行原創分析。

摘要

2份報告可以使用同一批購買事件,卻呈現不同的加入購物車到購買中位耗時。我們以1家化妝品商店2019年11月的事件紀錄驗證這一點。在193,397筆於7天內有購買紀錄的使用者與商品配對中,從首次觀察到的購物車事件起算,中位耗時為44分16秒;從同次購買前末次購物車事件起算,則為36分48秒。2種計時方式都以同一筆購買紀錄為終點。

然而,82.4%的配對採用2種方式算出的耗時相同,而且在各配對內計算的差值中位數為0。整體中位數相差7分28秒,並不代表單一配對的典型變化。企業與創作者比較報告時,首先要問的是計時從哪個事件開始。這個單一商店的歷史案例探討的是報告採用的規則,並未測試提醒訊息或結帳流程的變更。

想像一家小型筆記本商店正在檢視月報。一份摘要指出,商品從加入購物車到購買的典型間隔約為44分鐘,另一份卻說約為37分鐘。在店主修改數字旁的說明之前,分析人員得先釐清一個基本問題:各種計時方式是從哪一次購物車事件開始?

同一個商品在同一筆使用者 ID 之下,可能有多次購物車事件。從首次觀察到的事件起算,會把後續購物車操作之前的時間納入;從購買前末次事件起算,則會把更早的這段時間排除在外。2種算法都可能正確,只是描述的事情不同。

我們以 REES46 提供的公開化妝品商店事件紀錄,比較這2種定義。分析固定每筆使用者與商品的購買紀錄,只改變作為起點的先前購物車事件。這讓我們能衡量2種計時方式的差異,而不把它當成購買行為的變化。[1][2]

對銷售商品的企業或創作者而言,實用的決策是如何描述與比較報告。畫面上的中位數改變時,應先說明事件規則、納入群體與觀察窗,再據此談論商店表現。配對結果顯示,這些細節為何應該列在數字旁。

2個起點可以共用1個終點

2個紙購物袋分別沿著藍綠色與鐵鏽色緞帶,連向同一個包裹。
以概念插圖呈現不同起點與共用終點。圖中的物件與緞帶長度並未對應實測耗時、購物車狀態或已履約訂單。

同一批購買事件算出了2個不同的中位數

本次比較包含193,397筆成功配對的使用者與商品紀錄,對應23,692筆使用者 ID。每筆配對都有11月的首次可用購物車事件,以及其後7天內的購買紀錄。一位使用者可以有多個商品納入,因此配對數並非人數、購物車數或訂單數。

對每筆配對,第1種計時方式從11月最早觀察到的購物車事件開始,第2種則從時間嚴格早於同次購買的末次購物車事件開始。因此,「首次」是指這份11月檔案中的首次,並非對該商品有興趣的最早時刻。購買終點維持不變。

3個分布:首次起算、末次起算與配對內差值

2019年11月化妝品商店紀錄中,成功配對的193,397筆使用者與商品紀錄。以下耗時皆以分鐘表示。

耗時與配對內差值的分位數,單位為分鐘
百分位數首次購物車事件起算(分鐘)末次購物車事件起算(分鐘)配對內差值(分鐘)
第10百分位數5.524.600.00
第25百分位數13.6011.470.00
第50百分位數(中位數)44.2736.800.00
第75百分位數676.92404.700.00
第90百分位數3,160.502,740.704.10
來源:REES46 化妝品商店紀錄,2019年11月;Influence IQ 分析。[1][2][5] 各種計時方式都以同一筆購買紀錄為終點。先在各配對內計算差值,再取差值的百分位數。同一百分位數列,並不代表3個分布中的同一筆配對。數值以分鐘表示,四捨五入至小數點後2位;分析套件則保留以秒為單位的數值。

從首次購物車事件起算,中位耗時為2,656秒,即44分16秒;從末次購物車事件起算,則為2,208秒,即36分48秒。這2個摘要值相減得到448秒,也就是7分28秒。

配對內差值呈現了另一種結果:其中位數為0。報告中的中間值,與個別紀錄的變化,是不同的摘要指標。接下來的章節將說明,為何這2個結果可以同時成立。

表格將2種計時方式與配對內差值分列於不同欄位。各欄皆獨立排序,因此同一列並不代表同一筆配對在3份清單中都位於該位置。

82.4%的成功配對,2種計時方式算出的耗時相同

有159,358筆配對的2種計時方式,都從同一個購物車時間戳記開始,差值為0。這些配對占成功配對群體的82.4%,因此即使2種計時方式的中位數不同,配對內差值的中位數仍為0。

其餘34,039筆配對占17.6%,在固定的購買事件之前,至少有2個不同的購物車時間戳記。在這個較小群體中,2種計時方式的差值中位數為469秒,即7分49秒。這個條件中位數描述的是這34,039筆配對,而非全部193,397筆。

多數成功配對採用相同的起始時間戳記

共同基數為193,397筆成功配對的使用者與商品紀錄;計數與百分比指的是配對,並非不重複人數。

耗時相同或不同的配對,及其占共同基數的比例
2種計時方式的關係紀錄中的使用者與商品配對占全部成功配對的比例
耗時相同:購買前僅有1個購物車時間戳記值159,35882.4%
耗時不同:購買前至少有2個不同的購物車時間戳記34,03917.6%
來源:REES46 化妝品商店紀錄,2019年11月;Influence IQ 分析。[1][2][5] 配對內差值為正,以及購買前有多個不同的購物車時間戳記,辨識出的是同一群體。該群體的條件差值中位數為469秒(7分49秒),整體配對內差值的中位數則為0。

辨識這個較小群體的2種方式其實等價。如果購買之前有超過1個不同的購物車時間戳記,末次就會晚於首次,因此從末次起算的耗時會較短。有用的實測資訊,是這種情況出現的頻率,以及紀錄中的時間差有多大。至於耗時變化的方向,則是由定義直接決定。

耗時相同,表示2種計時方式都採用同一個購物車時間戳記作為起點,並不代表我們掌握了整段購物歷程。即使有多次購物車操作,也無法確定其目的:來源資料沒有數量欄位,無從說明這些操作之間發生了什麼變化。

即使多數配對未變,中位數仍可能改變

一個簡單的例子能讓差別更清楚。假設有3筆虛構的使用者與商品紀錄,所有耗時皆以分鐘計。從首次購物車事件起算的耗時分別為10、20與30。前2筆從末次購物車事件起算,仍是10與20;第3筆改從較晚的購物車事件開始,耗時則為5。

第1份報告將耗時排序為10、20、30,中間值,也就是中位數,為20。第2份則排序為5、10、20,中位數為10。3筆紀錄中只有1筆改變,卻已足以改變排序清單中位於中間的數值。

現在將每筆紀錄與自身比較,差值分別為0、0與25,這份清單的中間值是0。報告的中位數相差10,紀錄內差值的中位數卻為0。這2個敘述都直接來自這些虛構數值。

較大規模的商店紀錄分析也遵循同樣原理。中位數概括的是整個分布,配對內差值則讓每次購買都以自身作為比較對象。若把較小的中位數解讀為典型購買「加快」的幅度,就混淆了這2個問題。我們的分析並未改變任何購買終點。

4.5%的成功配對改變了所屬的報告區間

團隊除了使用中位數,也可能以區間概括耗時。我們採用3個固定的描述性區間:未滿1小時、1小時至未滿1天,以及1天至7天(含)。這些是用來示範報告分類的區間,並非建議寄送電子郵件或其他訊息的時間。

改變起始事件後,8,749筆成功配對移到較短的耗時區間,占全部193,397筆的4.5%。其中,3,841筆從中間區間移到未滿1小時;3,020筆從最長區間移到未滿1小時;1,888筆則從最長區間移到中間區間。

首次與末次起算耗時的完整區間交叉表

列出全部9種組合。「首次」與「末次」指作為計時起點的購物車事件,作為終點的購買紀錄維持不變。

首次與末次加車起算的所有區間組合,包含數值為0的儲存格
首次起算區間;末次起算區間紀錄中的使用者與商品配對占全部成功配對的比例
首次起算:未滿1小時;末次起算:未滿1小時106,72255.2%
首次起算:未滿1小時;末次起算:1小時至未滿1天00.0%
首次起算:未滿1小時;末次起算:1天至7天(含)00.0%
首次起算:1小時至未滿1天;末次起算:未滿1小時3,8412.0%
首次起算:1小時至未滿1天;末次起算:1小時至未滿1天48,55525.1%
首次起算:1小時至未滿1天;末次起算:1天至7天(含)00.0%
首次起算:1天至7天(含);末次起算:未滿1小時3,0201.6%
首次起算:1天至7天(含);末次起算:1小時至未滿1天1,8881.0%
首次起算:1天至7天(含);末次起算:1天至7天(含)29,37115.2%
來源:REES46 化妝品商店紀錄,2019年11月;Influence IQ 分析。[1][2][5] 每個百分比都以全部193,397筆成功配對為分母,絕不採用列合計。末次起算區間較長的組合,依定義必須為0。1小時與1天的邊界用來示範報告區間,並非建議傳送訊息的時間。

多數配對仍留在相同的報告區間,其中也包含確切耗時已改變、卻未跨越區間邊界的配對。因此,區間表與耗時相同配對表回答的是不同問題:數值上的耗時是否改變,以及報告是否將該配對歸入另一組?

這張交叉表中的每個百分比,都以全部193,397筆成功配對為分母。例如,從中間區間移到未滿1小時的3,841筆配對,占整個成功配對群體的2.0%,並非中間那一列的2.0%。清楚標示共同分母,才能讓這張表與整體比較搭配使用。

1筆虛構的筆記本購買,2種耗時

以虛構的筆記本商店 Paper Orchard 為例。下方時間軸與報告說明皆為虛構範例,與化妝品商店結果分開呈現。假設全部3個事件都帶有相同的使用者與商品識別碼,且所有時間皆為 UTC。

11月4日星期一09:00:系統記錄到一筆筆記本購物車事件。11月5日星期二09:00:同一個使用者 ID 之下,同一本筆記本又記錄到一筆購物車事件。11月5日星期二09:30:記錄到一筆購買事件。

從首次購物車事件起算,耗時為24小時30分鐘;從末次起算,則為30分鐘。配對內差值為24小時,恰好等於2個購物車時間戳記之間的時間差。2種算法的購買時間都維持在星期二09:30。

這個例子說明了事件時間的計算方式,並未提供購物籃歷程。它無法告訴我們,筆記本是否在購物車中留了一夜、數量是否改變,或購買是否成為已履約訂單。報告可以指出這2段耗時,而不必用購物者的故事填補資料缺口。

虛構商店的完整報告說明

Paper Orchard 的分析人員可以向店主交付一份填妥的說明,解釋這2段耗時。這份交付說明採用上方單筆筆記本紀錄,因此談的是該次購買,而非月報中位數。

目的:說明同一次筆記本購買的2項耗時摘要為何不同。店主必須先準確描述報告,才能將它用於行銷活動說明。

紀錄與觀察窗:上方單筆虛構的使用者與筆記本配對,日期為11月4日至5日,時區為 UTC。固定以星期二09:30的購買為終點。這筆紀錄落在範例的7天追蹤觀察窗內,並未提供更早的完整歷程。

起始事件:將其中一項指標標為「首次觀察到購物車事件後的耗時」,另一項標為「同次購買前末次購物車事件後的耗時」。分析人員的來源紀錄應保留這2個時間戳記。不要把2個標籤都簡化為「購買耗時」,以免掩蓋各自不同的意義。

比較結果:從首次購物車事件起算,間隔為24小時30分鐘;從末次起算,間隔為30分鐘;配對內差值為24小時。報告可以這樣說:「這2段間隔都以同一筆購買紀錄為終點,差異來自採用不同的購物車事件作為起點。」

店主的解讀:將這段說明放在比較結果旁。較短的間隔,描述的是較晚記錄到的購物車操作之後經過的時間。它並未提供證據,證明結帳流程改善,或筆記本整晚持續留在購物車中。

下一份報告:分析人員會將選定的事件標籤、UTC 時間基準與固定的追蹤觀察規則,沿用到下一次比較。如果定義改變,店主會先說明變更,再比較主要數字。評估訊息或促銷效果,則需要各自的證據。

分別看待2種計時方式與配對內差值

3個畫面依序呈現托盤中的包裹、以緞帶連向同一個包裹的2個購物袋,以及空白比較表上方的2個碼表方塊。
  1. 固定購買事件

    2種計時方式都以同一筆使用者與商品的購買紀錄為終點。

  2. 標明2個起始事件

    比較首次觀察到的購物車事件,以及時間嚴格早於同次購買的末次購物車事件。

  3. 區分不同摘要

    分別閱讀各種計時方式的耗時分布,以及各配對內計算出的差值。

以概念步驟說明如何閱讀2種計時方式的比較。插圖並未包含觀察到的耗時,也未衡量購物車內容或訂單履約情況。

這份說明讓創作者或小型商店能與報告合作夥伴釐清具體事項:各段耗時從哪裡開始,又在哪裡結束。它直接指出實測間隔,同時將商業上的解釋保留到有證據時再判斷。

比較報告時,清楚標示事件規則

當代理商與商店使用不同的報告工具,或新匯出的資料涵蓋不同長度的歷程時,也可能出現同樣問題。2個數字即使同樣標為「加入購物車到購買的耗時」,也不代表背後採用相同的起始事件、購買配對方式或觀察窗。

店主比較月報時,應先釐清這點,再描述趨勢。如果某個月從首次觀察到的購物車事件起算,下個月卻從購買前末次購物車事件起算,這組序列就混用了2種定義。此時,數字降低可能反映了規則變更,以及月份之間的其他差異。我們固定購買事件的比較,分離出的是定義造成的差異,並未衡量月與月之間的績效變化。

更換報告工具或匯出資料時,應在交付說明中清楚標示定義變更。實用的問題是:新舊摘要是否描述同一件事?如果可用歷程也不同,應另外指出這項差異。首次觀察到的事件,取決於保留的歷程從哪裡開始,即使標籤聽起來像是顧客整段旅程的起點也一樣。

分析工具本來就會明確選定漏斗進入與轉換配對的規則。例如,Amplitude 的文件說明了工作階段或回溯窗內的最早進入規則,以及如何選擇符合條件的轉換路徑。這些定義提供閱讀報告的背景;我們的2種計時方式計算,並未重現 Amplitude 報告。[3]

這項選擇仍可以有明確目的。從首次觀察到的購物車事件起算,描述的是該起始事件之後記錄到的時間跨度;從購買前末次購物車事件起算,則描述購買前最近一次購物車操作之後的耗時。企業可以選擇能回答報告問題的指標,並在各次比較中維持其意義一致。

店主實際閱讀的報告,應透過標籤保留這項區別。「首次觀察到購物車事件後的中位耗時」與「購買前末次購物車事件後的中位耗時」,傳達的是不同起點。若都簡稱為「購買耗時」,就會移除理解差異所需的資訊。納入群體與追蹤觀察窗也應列在附近。

當創作者或小型企業仰賴他人準備分析時,這點尤其實用。店主無須逐一檢查每個事件,也能要求清楚的定義。報告合作夥伴在賦予數字商業上的解釋之前,應能說明:這個數字採用了哪個起點、終點,以及哪些符合條件的紀錄。

對上述研究而言,證據支持的解讀很明確:同一批購買紀錄,在2種起點規則下產生了不同的耗時摘要。若要判斷商品頁、促銷或挽回顧客的訊息是否改善購買體驗,就需要針對該項變更另行蒐集證據。

配對比較的計算方式

我們使用公開化妝品商店資料第6版中的2019年11月檔案。檔案包含4,635,837列事件,標籤為 view、cart、remove_from_cart 與 purchase。時間戳記採 UTC,11月的每一天都有紀錄。這說明的是所提供檔案的涵蓋範圍,並不能證明每個人都受到持續追蹤。[1][2]

共有1,061,242筆使用者與商品配對記錄到購物車事件。我們保留11月1日至11月23日之間的首次可用購物車事件,並要求距離觀察到的檔案結尾至少有7天。其餘270,024筆配對的首次購物車事件出現在11月較晚的日期,因此未納入此群體。符合日期條件的配對,沒有任何一筆不符檔案結尾的要求。

在791,218筆符合條件的配對中,193,397筆在固定觀察期間內,有明確且較晚的購買紀錄。其餘597,821筆在7天內未成功配對,並非觀察到的棄置購物車:購買可能在更晚才發生、未被記錄,或採用其他識別碼。耗時圖表以成功配對群體為條件,並非轉換率或購物車棄置率。

我們選取首次購物車事件當下或之後最早的購買,並納入滿7天的終點。如果購買與首次購物車事件同時發生,或任何購物車事件與該候選購買同時發生,就會因時間先後不明而排除,不另選較晚的購買替代。實際上未出現這類案例。所選事件的資料組若完全相同且重複出現,會合併為一筆;移除事件不會重設假定的購物車狀態。

這批公開資料沒有購物車 ID、訂單 ID、數量或退貨狀態。先前使用相同紀錄的研究,曾透過流程探勘檢視工作階段,並重建購物車狀態。我們的計算則固定單筆使用者與商品購買,對照2個觀察到的事件起點,不重建購物籃。[4]

我們在計算結果之前,就固定了納入群體、觀察期間、同時事件處理規則與描述性區間。百分位數採線性內插。圖表描述的是符合條件的紀錄,未提供母體信賴區間,也不做因果推論。下載內容包含彙整結果、確切定義與重現分析的程式碼,不含來源中的使用者與商品歷程。[5]

無須註冊。共用 ZIP 包含以秒為單位的彙總結果,以及重現說明譯文。文章內文、計算範例、已填妥的報告說明,以及表中結果 CSV,皆提供各文章語言版本。不包含來源事件資料列或使用者與商品配對的歷史紀錄。

來源與註釋

  1. Michael Kechinov,eCommerce Events History in Cosmetics Shop,Kaggle 資料集426888,第6版;固定使用的檔案為2019-Nov.csv。資料提供者描述的對象為一家中型化妝品網路商店,事件時間採 UTC。資料集介紹頁允許免費使用,條件是附上 Kaggle 與 REES46 的連結;資料著作權仍歸原作者所有。彙整數據由 Influence IQ 計算。
  2. REES46 官方資料集目錄連向2019年10月至2020年2月的化妝品消費行為資料。本篇文章僅使用2019年11月檔案。來源描述的是事件紀錄,並非當前商店或消費者的代表性樣本。
  3. Amplitude,How Amplitude computes conversions through funnels。這份官方文件說明進入規則、回溯窗與工作階段邊界,以及如何選擇符合條件的轉換。這些產品原生定義提供的是背景,並非驗證本文重現了等價的 Amplitude 報告。
  4. Bilal Topaloglu、Basar Oztaysi 與 Onur Dogan,Cart-State-Aware Discovery of E-Commerce Visitor Journeys with Process Mining,Journal of Theoretical and Applied Electronic Commerce Research 19(4),2024,頁2851–2879,DOI 10.3390/jtaer19040138。該論文以相同的事件紀錄來源,探討工作階段與旅程分析,以及購物車狀態資訊的擴充。其以工作階段為基礎的比較,與本文固定購買事件的耗時比較不同。
  5. Influence IQ 分析套件:以秒為單位的標準彙整結果、完整區間交叉表、納入群體統計、定義、來源識別資訊,以及重現分析的程式碼。不含來源事件列或使用者與商品歷程。

每個語言版本描述的都是同一份歷史化妝品商店紀錄。翻譯不會產生另一個國家、市場或時期的估計值。

閱讀相關 Influence IQ 研究