轉換率 CVR 怎麼看？從流量品質到頁面問題逐層診斷

先說結論：先拆流量與漏斗，不要看到 CVR 降就改版

CVR 是 Conversion Rate（轉換率），用來描述符合某個機會條件的人次中，有多少完成預先定義的目標。網站 CVR 下降，可能是來了更多低意圖流量，也可能是頁面、商品條件、表單或結帳真的變差；還可能只是追蹤、分母或報表處理方式改變。

要分辨原因，順序應該是：先確認轉換與分母一致，再按流量來源和到達頁切分，接著看漏斗從哪一步開始流失，最後才為頁面或投放提出修改假設。 只看全站平均 CVR，無法直接證明「流量不準」或「頁面不好」。

CVR 怎麼算？先把「轉換」和「機會」說清楚

最通用的寫法是：

假設網站有 10,000 個工作階段，其中產生 400 筆購買；若團隊把「購買工作階段 ÷ 全部工作階段」定義為網站 CVR，結果就是 4%。但下列三種報表即使都寫「轉換率」，也不是同一個指標：

報表口徑	常見分子	分母	適合回答的問題
網站營運自訂 CVR	訂單、有效名單或完成目標的工作階段	網站工作階段	整體網站取得結果的效率如何？
GA4 工作階段關鍵事件率	至少觸發一次所選關鍵事件的工作階段	全部工作階段	有多少工作階段曾完成該重要行動？
Google Ads 轉換率	歸因給廣告的轉換	符合資格的廣告互動	廣告互動後，平均多常產生轉換？

Google Ads 將互動定義為各廣告格式的主要動作，例如文字與購物廣告常是點擊，影片格式可能是觀看；若一個互動可計入多次轉換，轉換率甚至可能超過 100%。GA4 的工作階段關鍵事件率則是「發生關鍵事件的工作階段 ÷ 全部工作階段」。因此不要把兩個平台的百分比直接排成績，也不要把事件次數除以工作階段後，誤稱為 GA4 的工作階段關鍵事件率。

比較前至少寫下四件事：轉換事件、分母、計數方式與歸因範圍。購買、填表開始與送出表單不能混在同一個 CVR；工作階段、使用者和廣告點擊也不能互換。

完整算例：CVR 從 4% 降到 3%，頁面其實沒有變差

以下是為了說明流量組成效應而設計的假設數字，不是 MKT Notes 的實際網站資料。某網站比較兩個同樣長度、星期組成一致的期間，購買事件與網站版本都沒有改變：

指標	前期	本期	變化
工作階段	9,000	12,000	+33.3%
購買	360	360	不變
全站 CVR	4.0%	3.0%	-1 個百分點

看到這裡，很容易認為新增流量拖累成效，或頁面突然少了四分之一的轉換能力。把資料按意圖相近的流量群拆開，才看見真正的組成：

流量群	前期工作階段	前期 CVR	前期購買	本期工作階段	本期 CVR	本期購買
高意圖：品牌搜尋、再訪與既有名單	3,000	8.0%	240	2,000	8.0%	160
低意圖：泛主題導流	6,000	2.0%	120	10,000	2.0%	200
合計	9,000	4.0%	360	12,000	3.0%	360

兩群各自的 CVR 完全沒變；整體下降是因為高意圖工作階段占比從 33.3% 變成 16.7%。本期多了 4,000 個低意圖工作階段與 80 筆購買，卻少了 1,000 個高意圖工作階段與 80 筆購買，所以總訂單不變，整體 CVR 仍因流量組成而降低。

這個例子不代表「泛流量沒有價值」。泛流量可能協助新客認識品牌，之後才轉換；真正結論是：全站平均混合了不同意圖與來源，不能單靠平均值判定頁面品質。 下一步應查高意圖流量為何減少、泛流量的成本與後續價值是否合理，而不是先重做結帳頁。

如何看出是流量品質問題？固定頁面後比較來源

GA4 的「流量開發」報表使用工作階段範圍的來源、媒介與活動維度，適合比較每次造訪從哪裡來；「到達網頁」報表則顯示工作階段第一次瀏覽的頁面。官方文件也建議在到達網頁報表加入「工作階段來源／媒介」，或在流量開發報表加入到達網頁作為次要維度。

這個交叉表很重要。若只按來源看，可能把某來源導向不同頁面的差異誤認為流量品質；只按頁面看，又可能把同一頁接到不同意圖流量的差異誤認為版面問題。

較支持「流量組成或匹配改變」的訊號包括：

• CVR 下降集中在新增的來源、活動、廣告群組、搜尋字詞或合作版位。
• 同一到達頁上，既有來源的 CVR 穩定，但新增來源明顯較低。
• 各來源內的 CVR 大致穩定，只有流量占比改變，像前面的完整算例。
• 新流量在到達頁後很少進入下一個高意圖步驟，例如查看商品後沒有加入購物車。

不過「某來源 CVR 低」仍不是低品質的充分證據。新客、上層漏斗內容與較長決策期本來就可能有較低的即期 CVR；還要搭配取得成本、轉換價值、新舊客、回訪與合理觀察期，判斷它是否完成自己的任務。

如何看出是頁面或流程問題？固定流量後找掉落步驟

如果多個穩定來源在同一到達頁、裝置或漏斗步驟同時惡化，頁面或流程問題就比較值得優先查。但仍然不能從 CVR 一步跳到「按鈕顏色不對」，應先把最終結果拆成可觀察步驟。

以電商為例，可以建立以下漏斗：

1. 到達商品或活動頁。
2. 查看商品內容。
3. 加入購物車。
4. 開始結帳。
5. 完成購買。

GA4 漏斗探索可以定義最多 10 個依序步驟，並選擇開放或封閉漏斗；使用裝置類別等維度拆分時，還要理解使用者會被歸到首次進入漏斗時的拆分值。漏斗設定本身會影響人數，所以比較前要保留相同步驟、順序、時間範圍與開放方式。

最早出現異常的地方	優先假設	先找的證據
到達頁 → 商品互動	訊息不一致、首屏不清楚、載入或裝置問題	來源 × 到達頁、裝置、瀏覽器、錯誤與效能資料
商品互動 → 加入購物車	價格、規格、庫存、信任或選項不清楚	商品別、選項錯誤、客服問題與頁內互動
加入購物車 → 開始結帳	額外費用、配送條件或購物車操作阻力	購物車錯誤、運費揭露、裝置與地區
開始結帳 → 購買	表單、付款、驗證或第三方服務異常	欄位錯誤、付款失敗、後端紀錄與客服回報

GA4 告訴你「哪一步較多人沒有繼續」，不會自動告訴你原因。頁面效能、JavaScript 錯誤、付款服務紀錄、客服問題、可用性觀察與使用者研究，才是驗證原因的補充證據。

一套可以實際執行的六步診斷流程

1. 驗證事件真的有被正確記錄

先親自走一次成功與失敗流程，使用 GA4 DebugView 查看事件和參數是否在預期時間送出；再對照訂單、名單或後端紀錄。檢查是否重複送出、成功卻漏送、測試流量未排除，或轉換事件名稱與設定近期有改動。

2. 鎖定相同的比較口徑

固定轉換事件、分母、網站或 App 範圍、時區、日期長度與星期組成，並記錄活動、價格、庫存與追蹤變更。避免拿一天和一週相比，也不要在轉換尚未回補時過早下結論。

GA4 官方說明資料處理可能需要 24 至 48 小時，期間報表仍會變動；歸因給管道的關鍵事件也可能在後續更新。報表與探索在處理時間、資料門檻、模型與儲存方式上也可能出現預期差異。因此近期數字對不上時，先查資料新鮮度與報表範圍，不要直接解釋成使用者行為改變。

3. 拆成「來源／媒介 × 到達頁」

先找 CVR 下降集中在哪個組合，並同時看工作階段與轉換數。只有 20 個工作階段的 0% CVR，證據強度遠低於數千個工作階段的持續下降；百分比必須帶著分子與分母一起看。

4. 對異常組合建立漏斗

把最終轉換拆成 3 至 6 個真正代表決策進度的事件，找出第一個明顯偏離基準的步驟。不要把每次捲動或普通點擊都當成成功，否則漏斗會很完整，卻無法回答商業問題。

5. 用裝置、瀏覽器、地區與頁面版本縮小範圍

如果下降只出現在行動裝置、特定瀏覽器、付款方式或地區，優先查相應技術與營運條件；若所有主要區段在同一時間一起下降，再查全站版本、價格、庫存、追蹤或外部服務。切分維度要由假設決定，不要把報表拆到只剩噪音。

6. 一次驗證一個主要假設

把結論寫成可被推翻的句子，例如：「本期 CVR 下降主要來自泛主題活動占比提高；同一來源與到達頁內的漏斗沒有惡化。」接著提出對應測試：調整該活動的查詢與訊息匹配、保留其他條件，觀察來源內的下一步率與最終價值。若要改頁面，也應記錄版本、主要指標、護欄指標與觀察期間。

四個常見誤判與限制

CVR 降低，就等於網站變差

全站 CVR 會受流量組成影響。即使每個來源與頁面的轉換效率不變，只要低 CVR 流量占比提高，平均值就會下降；這是加權組成變化，不是頁面因果證據。

CVR 提高，就代表商業結果更好

縮減上層漏斗流量、只留下品牌搜尋或既有顧客，常能讓 CVR 變漂亮，卻可能減少新客與總轉換。至少同時看轉換數、營收或有效名單、取得成本與顧客品質。

把互動率當成頁面品質的答案

較高互動可能代表內容有幫助，也可能代表流程太複雜；較短停留可能是快速完成，也可能是立刻離開。互動指標適合定位行為差異，不能取代最終任務與使用者研究。

無限切分，直到找到一個下降區段

切得越細，越容易因小樣本看到極端百分比。診斷前先決定最有可能改變意圖或體驗的維度，保留工作階段與轉換數，並把小樣本結論標記為待驗證。

最後帶走這張檢查清單

• 先寫清楚轉換事件、分母、計數方式與歸因範圍。
• 用 DebugView 與後端紀錄排除漏送、重複與追蹤變更。
• 使用相同日期長度、星期組成、時區與網站條件比較。
• 同時查看來源／媒介、到達頁、工作階段、轉換數與 CVR。
• 固定頁面比較來源，固定來源比較頁面，避免把兩種差異混在一起。
• 用漏斗找第一個異常步驟，再以技術紀錄或使用者證據查原因。
• 每次只驗證一個主要假設，記錄版本與觀察期間。

如果還需要把網站 CVR 接回媒體成本，可以搭配站內的廣告指標診斷地圖：它說明 CPC、CVR 與 CPA 如何連動。CVR 最有價值的用途，不是替網站打一個總分，而是幫你找出「哪一群人在什麼頁面、哪一步開始和預期不同」。先定位差異，再修改流量或頁面，才不會用一次全面改版掩蓋真正的問題。