قد يخبرك تقرير المتجر بأن لديك 100 ألف زيارة و1,500 طلب خلال الشهر، فتستنتج سريعًا أن معدل التحويل 1.5%، ثم تبدأ في البحث عن طريقة لرفع هذا الرقم. لكن معدل التحويل النهائي وحده يشبه معرفة نتيجة مباراة دون مشاهدة ما حدث خلالها؛ فهو يخبرك أين انتهيت، لكنه لا يخبرك في أي مرحلة خسرت العملاء ولماذا.
ربما يزور المتجر عدد كبير من الأشخاص غير المهتمين أصلًا، وربما الزوار مناسبون لكن صفحات المنتجات لا تدفعهم إلى إضافة المنتجات للسلة. وقد تكون الإضافة إلى السلة ممتازة، بينما يحدث التسرب عند الانتقال إلى Checkout بسبب تكلفة الشحن أو إنشاء الحساب أو وسيلة الدفع. وفي سيناريو آخر قد يصل عدد كبير جدًا من العملاء إلى الدفع، ثم تتعطل بوابة معينة أو تظهر أخطاء على الهاتف.
لذلك فإن تحليل قمع المبيعات في التجارة الإلكترونية لا يعني رسم شكل على هيئة قمع ووضع أربعة أرقام بداخله، بل يعني تحويل رحلة العميل إلى مراحل قابلة للقياس، ثم مقارنة كل مرحلة بالتي تسبقها والبحث عن موضع التسرب الحقيقي.
Google Analytics 4 يوفر لهذا الغرض أداة Funnel Exploration التي تسمح بتحديد خطوات رحلة المستخدم، ومشاهدة أين يستمر المستخدمون وأين يسقطون، وتقسيم النتائج حسب أبعاد مثل نوع الجهاز، بل وقياس متوسط الوقت المستغرق بين الخطوات.
وفي Shopify توجد فكرة مشابهة في تقرير Conversion rate breakdown، الذي يقيس المسار من الجلسات إلى الإضافة للسلة ثم الوصول إلى Checkout وأخيرًا إتمام الشراء.
 |
| من الزائر إلى المشتري تحليل قمع المبيعات خطوة بخطوة |
السؤال الذي سنجيب عنه هنا ليس فقط: كم عدد العملاء الذين اشتروا؟ بل: ماذا حدث لمن لم يشتروا؟
ما هو قمع المبيعات في المتجر الإلكتروني؟
قمع المبيعات أو Sales Funnel هو تمثيل لمراحل يمر بها العميل من أول احتكاك بالمتجر إلى الوصول إلى الإجراء التجاري الذي تريد قياسه، وغالبًا يكون الشراء.
يسمى قمعًا لأن الأعداد عادة تتناقص كلما تقدمنا في الرحلة. من الطبيعي أن يكون عدد زوار المتجر أكبر من عدد الذين يفتحون صفحات منتجات مهمة، وعدد مشاهدي المنتجات أكبر من عدد من يضيفون إلى السلة، وعدد السلات أكبر من عدد عمليات الشراء.
لكن وجود الانخفاض طبيعي لا يعني أن كل مقدار من الانخفاض طبيعي.
القمع ليس قالبًا واحدًا يناسب جميع المتاجر
القمع المبسط قد يكون:
زيارة ← مشاهدة منتج ← إضافة إلى السلة ← بدء Checkout ← شراء.
لكن متجرًا يبيع منتجًا واحدًا قد يحتاج إلى تحليل مختلف عن متجر لديه 30 ألف منتج. ومتجر يعتمد على البحث الداخلي يحتاج إلى تحليل البحث قبل المنتج، بينما متجر آخر يعتمد على صفحات هبوط إعلانية قد يبدأ من Landing Page محددة.
المهم هو أن تعكس المراحل رحلة العميل الحقيقية وليس النموذج الذي تعتقد أنه يجب أن يسلكه.
ابدأ بتعريف التحويل النهائي قبل بناء القمع
قبل أن تبدأ بتحليل أي شيء، حدد النتيجة التي تريد الوصول إليها.
في هذا المقال سنعتبر الشراء هو التحويل النهائي، لكن يمكنك إنشاء قمع منفصل للتسجيل، أو الاشتراك، أو طلب عرض سعر، أو إعادة الشراء.
إذا لم تحدد الهدف بوضوح، ستبدأ في جمع أرقام كثيرة دون معرفة أيها مهم.
لا تخلط بين Conversion Rate ومعدل نجاح كل مرحلة
لنفترض أن لديك:
100,000 زيارة.
8,000 جلسة أضيف فيها منتج إلى السلة.
4,000 وصلت إلى Checkout.
2,000 أكملت الطلب.
معدل التحويل الإجمالي هنا 2%.
لكن المعلومات الأكثر إثارة للاهتمام قد تكون في الداخل.
من الزيارة إلى السلة لديك 8%.
ومن السلة إلى Checkout لديك 50%.
ومن Checkout إلى الشراء لديك 50%.
لو نظرت فقط إلى الـ2% فلن تعرف أي مرحلة يجب إصلاحها أولًا.
المرحلة الأولى: هل تحصل على الزوار الصحيحين أصلًا؟
أول خطأ في تحليل القمع هو افتراض أن كل زيارة فرصة شراء متساوية.
ليست كل الزيارات متشابهة.
شخص وصل من بحث Google عن اسم منتج محدد غالبًا يحمل نية مختلفة عن شخص ضغط على فيديو ترفيهي في منصة اجتماعية، وشخص عاد إلى المتجر للمرة الخامسة يختلف عن شخص يراه للمرة الأولى.
ارتفاع الزيارات لا يعني تحسن القمع
لنفترض أن متجرك كان يحصل على 50 ألف زيارة ويحقق 1,500 طلب، أي 3%.
بعد حملة واسعة أصبحت تحصل على 100 ألف زيارة، لكن الطلبات ارتفعت إلى 1,800 فقط.
أصبح معدل التحويل 1.8%.
هل المتجر تدهور؟
ليس بالضرورة. قد تكون الحملة الجديدة أدخلت عددًا ضخمًا من الزوار الأقل نية للشراء.
لهذا يجب أن تحلل القمع حسب مصدر الزيارة والحملة والجمهور، لا ككتلة واحدة.
Shopify يتيح في تقارير الاستحواذ والتسويق مقارنة الجلسات ومعدلات الإضافة للسلة والوصول إلى Checkout وإكمال الشراء بحسب مصادر الإحالة والقنوات والحملات.
المرحلة الثانية: هل صفحة الهبوط تقود الزائر إلى المنتج الصحيح؟
إذا وصل العميل من إعلان عن حذاء محدد ثم وجد نفسه في الصفحة الرئيسية، أضفت خطوة جديدة بلا داعٍ.
وإذا دخل من بحث عن "كرسي مكتب مريح للعمل الطويل" ثم وصل إلى تصنيف يحتوي 300 منتج دون أي ترتيب منطقي، قد تضيع نية الشراء القوية داخل التصفح.
راقب Landing Pages كجزء من القمع
اسأل لكل صفحة هبوط مهمة: كم زيارة بدأت من هنا؟ ما نسبة الذين انتقلوا إلى المنتج؟ ما نسبة الخروج؟ وما المنتجات التي شاهدوها بعد ذلك؟
GA4 يوفر Path Exploration الذي يسمح بتتبع المسارات التي يسلكها المستخدمون بعد نقطة معينة، ويمكنه كذلك كشف السلوك الدائري الذي قد يشير إلى أن المستخدم أصبح عالقًا بين صفحات أو إجراءات.
إذا وجدت أن المستخدمين ينتقلون من الصفحة الرئيسية إلى التصنيف ثم يعودون إلى الصفحة الرئيسية ثم يغادرون، فربما المشكلة ليست في الدفع أصلًا؛ ربما لم يستطيعوا العثور على المنتج.
المرحلة الثالثة: مشاهدة المنتج لا تعني الاهتمام الحقيقي
قد يحصل المنتج على 20 ألف مشاهدة ولا يضيفه إلا 300 شخص إلى السلة.
هنا لديك فجوة بين الاهتمام بالصفحة والنية الشرائية.
يجب أن تبدأ الأسئلة من المنتج نفسه: هل الصورة واضحة؟ هل السعر مناسب؟ هل المقاس متوفر؟ هل الوصف يشرح القيمة؟ هل توجد مراجعات؟ هل العميل يعرف تكلفة الشحن؟ هل الإعلان وعد بشيء لا يجده على الصفحة؟
معدل الإضافة إلى السلة من أقوى إشارات التشخيص
Shopify يعرف Added to cart rate باعتباره نسبة زيارات المتجر التي تضمنت إضافة منتج للسلة، ويشير في وثائقه إلى أن انخفاضه يمكن أن يقودك إلى مراجعة صفحات المنتجات.
إذا كان المنتج يجذب كثيرًا من الزيارات ولا يدخل إلى السلة، فإرسال المزيد من الإعلانات إليه قد يعني فقط شراء المزيد من الزيارات إلى صفحة لا تقنع.
لا تقارن منتجات غير متشابهة بالطريقة نفسها
منتج قيمته 39 ر.س قد يحصل على Add to Cart أعلى طبيعيًا من جهاز بـ7,000 ر.س يحتاج إلى مقارنة وبحث طويل.
قارن المنتج بنفسه عبر الزمن، وبمنتجات تشبهه في الفئة والسعر وطبيعة القرار.
المرحلة الرابعة: ما الذي يحدث بين السلة وCheckout؟
العميل الذي وضع المنتج في السلة أعطاك إشارة قوية جدًا. لكن الإضافة لا تعني أنه قرر الشراء نهائيًا.
ربما يستخدم السلة للحفظ، أو يريد معرفة السعر النهائي، أو يقارن مع متجر آخر.
ولهذا يجب أن تقيس نسبة السلات التي تنتقل إلى Checkout بصورة مستقلة.
إذا كانت السلة قوية وCheckout ضعيفًا، فتش عن الاحتكاك قبل الدفع
قد تكتشف أن رسوم الشحن تظهر في السلة للمرة الأولى، أو أن العميل يرى حدًا أدنى للطلب لم يكن يعرفه، أو أن كوبون الخصم لا يعمل، أو أن زر Checkout غير واضح على الهاتف.
هذه ليست مشكلات في التسويق ولا في المنتج.
هي مشكلات في المرحلة الواقعة بينهما.
المرحلة الخامسة: Checkout ليس خطوة واحدة فعلًا
قولك إن "العملاء يتركون Checkout" ليس تشخيصًا كافيًا.
Checkout قد يتضمن معلومات الاتصال، والعنوان، والشحن، وربما إنشاء حساب، وطريقة الدفع، ثم تأكيد الطلب.
كل خطوة يمكن أن تكون نقطة تسرب منفصلة.
لماذا التخلي في هذه المرحلة يستحق اهتمامًا خاصًا؟
Baymard تجمع حاليًا متوسطًا موثقًا يبلغ نحو 70.22% للتخلي عن سلات التسوق عبر الدراسات التي ترصدها، لكنها تؤكد أن نسبة من هذا التخلي طبيعية بسبب التصفح وعدم الاستعداد للشراء. وعندما تنظر إلى الأسباب القابلة للتحسين، تظهر تكلفة الشحن والرسوم، وبطء التوصيل، وضعف الثقة، وإجبار المستخدم على إنشاء حساب، وتعقيد Checkout، وأخطاء الموقع، ونقص طرق الدفع بين الأسباب المتكررة.
هذه البيانات لا تعني أن السبب نفسه موجود في متجرك.
هي تقول فقط إن Checkout مليء بمصادر احتكاك محتملة، ولذلك يجب أن تقيس متجرك بدل التخمين.
المرحلة السادسة: الوصول إلى الدفع لا يعني أن عملية الدفع تعمل جيدًا
إذا دخل 5,000 عميل إلى Checkout وأكمل 2,500 فقط، قد تكون المشكلة في النموذج أو الشحن أو الدفع.
لكن إذا اكتشفت أن 4,500 منهم وصلوا إلى خطوة الدفع ثم نجح 2,500 فقط، تغير اتجاه التحقيق تمامًا.
هنا يجب أن تفحص معدلات نجاح طرق الدفع، وأكواد الرفض، و3D Secure، ومشكلات الجهاز والمتصفح، والبوابة نفسها.
قسّم الدفع حسب الوسيلة
إذا كانت البطاقات تعمل جيدًا بينما طريقة دفع أخرى تنهار في Safari، لن يكشف المتوسط المشكلة بسرعة.
وهذه هي قاعدة تحليل القمع كلها: كلما وجدت تسربًا، قسّمه حتى يتحول من رقم عام إلى مشكلة محددة.
لا تقف عند القمع الإجمالي: ابدأ التقسيم Segmentation
لنفترض أن Conversion Rate الإجمالي 2%.
قد يبدو الرقم مستقرًا.
لكن عند التقسيم تكتشف أن Desktop يحول 3.8%، بينما Mobile يحول 1.1%.
هذه فجوة تستحق البحث.
GA4 يسمح باستخدام Breakdown في Funnel Exploration حسب أبعاد مثل Device Category لمشاهدة أداء كل مرحلة حسب الجهاز.
التقسيم يكشف المشكلات التي يخفيها المتوسط
حلل القمع حسب الجهاز والمتصفح ومصدر الزيارة والدولة أو المنطقة عند الحاجة، ونوع العميل جديد أم عائد، والفئة أو المنتج والحملة.
لكن لا تنشئ 200 تقسيم دون هدف. ابدأ بالتقسيم الذي يمكن أن يفسر المشكلة.
مثال رقمي كامل لقمع متجر سعودي
لنفترض أن متجرًا سعوديًا استقبل خلال شهر 200,000 جلسة.
من هذه الجلسات:
20,000 أضافت منتجًا إلى السلة.
12,000 وصلت إلى Checkout.
6,600 أكملت عملية الشراء.
إذن معدل التحويل النهائي يساوي 3.3%.
لكن دعنا نفكك القمع.
معدل الإضافة إلى السلة = 20,000 ÷ 200,000 = 10%.
معدل الانتقال من السلة إلى Checkout = 12,000 ÷ 20,000 = 60%.
معدل التحويل من Checkout إلى شراء = 6,600 ÷ 12,000 = 55%.
هذه الأرقام تعطينا ثلاث مناطق منفصلة بدل رقم واحد.
ماذا لو كان متوسط الطلب 250 ر.س؟
المبيعات النظرية من 6,600 طلب تساوي:
1,650,000 ر.س.
والآن لنفترض أنك لم تغير الزيارات ولا صفحة المنتج، لكنك حسنت Checkout بحيث ارتفعت نسبة الإكمال من 55% إلى 58%.
12,000 × 58% = 6,960 طلبًا.
الفرق = 360 طلبًا.
360 × 250 ر.س = 90,000 ر.س من المبيعات الإضافية النظرية شهريًا قبل حساب التكاليف والهوامش.
هذا مثال حسابي، وليس وعدًا بأن تغييرًا معينًا سيرفع النسبة ثلاث نقاط. لكنه يوضح لماذا يمكن لتحسين مرحلة متأخرة من القمع أن تكون له قيمة كبيرة دون شراء زيارة إضافية واحدة.
لكن ماذا لو كانت المشكلة أعلى القمع؟
الآن تخيل أن Checkout لديك ممتاز بالفعل، لكن Add to Cart هو 3% فقط.
في هذه الحالة قد يكون استثمار الوقت في تغيير Checkout للمرة العاشرة أقل قيمة من إصلاح صفحة المنتج أو جودة مصدر الزيارات.
وهنا تظهر فائدة القمع: يوجهك إلى مكان التحقيق بدل أن يجعلك تحسن كل شيء عشوائيًا.
القمع المفتوح والقمع المغلق: فرق تقني مهم
GA4 وShopify يقدمان مفهوم Open Funnel وClosed Funnel.
في القمع المغلق، يجب أن يمر المستخدم بالخطوات بالترتيب المحدد حتى يُحسب في المراحل اللاحقة. أما القمع المفتوح فيسمح للمستخدم بالدخول عند مرحلة لاحقة حتى لو لم يُسجل في المراحل السابقة بالطريقة المتوقعة.
لماذا يهم هذا في متجر حقيقي؟
قد يدخل عميل مباشرة إلى Checkout من رابط سلة محفوظ، أو من قناة خارجية، أو من تدفق لا يمر بصفحة السلة التقليدية.
إذا استخدمت Closed Funnel فقط، قد يبدو أن بعض العمليات "اختفت"، رغم أن العملاء سلكوا مسارًا مشروعًا مختلفًا.
استخدم النوع بناءً على السؤال
إذا كان سؤالك: "كم شخص اتبع الرحلة التي صممناها خطوة بخطوة؟"، يفيد القمع المغلق.
أما إذا كان سؤالك: "كم مستخدم وصل إلى كل مرحلة بغض النظر عن نقطة دخوله؟"، فقد يكون القمع المفتوح مناسبًا أكثر.
تتبع الوقت بين المراحل يكشف نوعًا آخر من الاحتكاك
ليس عدد الذين يصلون إلى الخطوة التالية فقط مهمًا، بل كم يستغرقون للوصول إليها.
GA4 يستطيع إظهار متوسط الزمن بين خطوات القمع.
لنفترض أن العميل ينتقل من مشاهدة المنتج إلى الإضافة للسلة خلال دقيقة، لكنه يقضي 12 دقيقة بين Checkout والشراء.
قد يكون هذا طبيعيًا في منتج مرتفع السعر، لكن قد يعني أيضًا أن عملية الدفع معقدة.
الوقت الطويل ليس سيئًا دائمًا
في شراء أثاث أو جهاز مكلف، قد يحتاج العميل إلى القراءة والمقارنة.
لا تستخدم قاعدة مثل "كلما كان الوقت أقل كان أفضل" دون فهم طبيعة المنتج.
القيمة تأتي من مقارنة التغيرات والسلوك بين الشرائح.
البيانات الكمية تخبرك أين، لا لماذا
هذه من أهم القواعد في تحسين التحويل.
إذا قال القمع إن 45% يغادرون عند Checkout، فقد حددت المكان.
لكن لماذا يغادرون؟
Analytics وحده غالبًا لن يعرف.
Baymard تؤكد صراحة أن تحليلات القمع تستطيع كشف موقع التسرب، لكنها لا تكشف بمفردها الاحتكاك السلوكي الذي يفسر السبب، ولهذا تحتاج إلى مراجعة UX واختبارات للمستخدمين لفهم المشكلة.
اربط الأرقام بأدوات سلوكية
يمكن أن تستخدم تسجيلات الجلسات وHeatmaps واستبيانات الخروج وشكاوى خدمة العملاء واختبارات الاستخدام، إضافة إلى سجلات الأخطاء التقنية.
إذا كان 40% يتركون خطوة العنوان، شاهد ماذا يفعلون قبل المغادرة.
ربما الحقل يرفض صيغة صحيحة.
ربما القائمة لا تحتوي مدينتهم.
ربما الرسالة غير مفهومة.
لا تعتمد على Session Replay وحده أيضًا
مشاهدة 50 تسجيلًا قد تعطيك انطباعًا قويًا لكنه غير ممثل لكل العملاء.
استخدم البيانات الكمية لتعرف حجم المشكلة، والسلوك النوعي لفهم السبب.
الاثنان يكملان بعضهما.
ابدأ من أكبر تسرب قابل للإصلاح
لا يعني أكبر Drop-off دائمًا أنه أسوأ مشكلة.
الانخفاض من زيارة إلى مشاهدة منتج قد يكون طبيعيًا جدًا إذا كانت صفحات المحتوى تجلب جمهورًا واسعًا.
أما فقدان 50% من العملاء بعد أن أدخلوا بيانات الدفع فقد يكون أكثر إلحاحًا.
الأولوية تجمع بين حجم التسرب × قيمة المرحلة × سهولة الإصلاح.
فرق مهم بين Drop-off وAbandonment
Drop-off يعني ببساطة أن المستخدم لم يصل إلى المرحلة التالية داخل تعريف القمع.
لكن ذلك لا يعني دائمًا أن هناك مشكلة.
قد يعود العميل غدًا.
قد يشتري من قناة أخرى.
قد يكون مسار التتبع نفسه ناقصًا.
ولهذا لا تنظر إلى كل نقطة تسرب وكأنها مال ضائع يمكن استعادته بنسبة 100%.
مثال واضح من ترك السلة
Baymard وجدت أن جزءًا كبيرًا من المتسوقين يتركون السلات لأنهم كانوا يتصفحون فقط أو لم يكونوا مستعدين للشراء، وهو سلوك طبيعي لا يمكن إزالة كله بتحسين UX.
الهدف هو تحديد التسرب غير الضروري، لا محاولة جعل القمع بلا أي خروج.
تأكد أولًا أن القياس نفسه صحيح
قبل اتخاذ قرار تجاري كبير، اختبر Events.
هل view_item يعمل مرة واحدة؟
هل add_to_cart يسجل عند الإضافة فعلًا؟
هل begin_checkout يحدث في الوقت المناسب؟
هل purchase يسجل مرة واحدة فقط؟
إذا كان Purchase يتكرر مرتين، سيصبح معدل التحويل مزيفًا.
وإذا كان add_to_cart لا يعمل على تطبيق معين، سيبدو القمع وكأن العملاء يتجاوزون السلة بطريقة غريبة.
مصدر البيانات نفسه قد يغير أرقامك
Google Analytics وShopify والمنصات الإعلانية قد تعرض أرقامًا مختلفة بسبب تعريف الجلسة، والموافقة على ملفات الارتباط، والحظر، ونماذج الإسناد وغيرها.
لا تحاول إجبار الأدوات على التطابق 100%.
اختر مصدرًا أساسيًا لكل نوع قرار، وافهم تعريف كل مقياس.
ملاحظة مهمة جدًا لمتاجر Shopify الآن
في الفترة من 21 إلى 23 سبتمبر 2026 تنفذ Shopify تحديثًا لطريقة قياس Sessions وConversion Rate في Analytics. التحديث يعتمد بدرجة أكبر على استمرار نشاط العميل بدل إنهاء الجلسات عند منتصف الليل UTC، ويشمل أيضًا تصفية جلسات Bots المعروفة افتراضيًا. Shopify تحذر من أن أرقام Sessions وConversion Rate وAdd to Cart Rate وReached Checkout Rate وغيرها قد تتغير عند وصول التحديث إلى المتجر، دون أن يعني ذلك بالضرورة تغيرًا حقيقيًا في سلوك العملاء أو الطلبات والمبيعات.
إذا رأيت تغيرًا مفاجئًا في هذه الأيام، لا تبدأ في تعديل المتجر قبل التحقق مما إذا كان جزءًا منه ناتجًا عن تغيير القياس نفسه.
لا تقارن أرقامًا تغير تعريفها
هذه نقطة تحليلية شديدة الأهمية.
إذا كانت المنصة غيرت طريقة حساب Session، فإن مقارنة هذا الأسبوع بالشهر الماضي دون ملاحظة التغيير قد تقودك إلى استنتاج خاطئ.
قد يظهر Conversion Rate أعلى لأن Bots تم استبعادها من الجلسات.
هذا ليس بالضرورة تحسنًا جديدًا في تصميم الصفحة.
اكتب ملاحظات على تغييرات القياس
احتفظ بسجل لأي تغيير في Analytics أو Consent أو Pixel أو قالب Checkout.
عندما ترى قفزة لاحقًا، تستطيع ربطها بالتاريخ.
حلل العملاء الجدد والعائدين بشكل منفصل
العميل العائد يعرف علامتك وقد يكون لديه حساب وعنوان محفوظ وثقة سابقة.
العميل الجديد يبني الثقة من الصفر.
إذا جمعت الاثنين في قمع واحد، قد تخفي مشاكل تجربة العميل الجديد خلف أداء العملاء المخلصين.
قد تحتاج إلى قمع لإعادة الشراء أيضًا
رحلة العميل لا تنتهي عند أول Purchase.
يمكن بناء Funnel آخر:
أول شراء ← استلام الطلب ← شراء ثانٍ ← شراء ثالث.
GA4 نفسها تقدم فكرة استخدام Funnel Exploration لدراسة انتقال المشتري لمرة واحدة إلى عميل متكرر، وليس فقط رحلة أول شراء.
وهنا تنتقل من Conversion Funnel إلى Customer Lifecycle.
قسّم القمع حسب المنتج والسعر
قد يكون أداء متجرك الإجمالي ممتازًا، بينما منتج رئيسي يعاني.
إذا كان إعلان يرسل 30% من الزيارات إلى منتج ضعيف التحويل، سيؤثر في الرقم العام.
حلل المنتجات الرئيسية منفردة، خاصة الأكثر إنفاقًا إعلانيًا أو الأعلى إيرادًا.
ابحث عن التشوهات وليس فقط المتوسطات
منتج لديه Add to Cart 12% لكن Purchase 1% يستحق التحقيق.
ربما العميل يحب العرض لكنه يصطدم بتكلفة شحن غير متوقعة بسبب وزن المنتج.
منتج آخر Add to Cart منخفض لكن كل من يضيفه يكمل الشراء؛ ربما الصفحة تحتاج إلى توضيح أفضل قبل السلة.
القمع يحول كل حالة إلى قصة مختلفة.
ماذا تفعل بعد تحديد التسرب؟
لا تنتقل مباشرة إلى إعادة تصميم كاملة.
صِغ فرضية.
مثلًا: "نعتقد أن انخفاض الانتقال من السلة إلى Checkout سببه ظهور تكلفة الشحن متأخرة."
ثم اختبر الحل: إظهار تقدير الشحن مبكرًا، أو توضيح حد الشحن المجاني.
غيّر شيئًا تستطيع ربطه بالنتيجة
إذا غيرت الصور والسعر والشحن والزر وسياسة الإرجاع معًا، ثم تحسن القمع، لن تعرف السبب.
استخدم اختبارات A/B عندما يكون لديك حجم مناسب، أو على الأقل طبّق التغييرات على مراحل ودوّن تاريخها.
راقب أثر التحسين بعد مرحلة واحدة فقط
قد تنجح في رفع Add to Cart لكن لا تزيد Purchase.
لماذا؟
ربما زر الإضافة أصبح أكثر وضوحًا، فأصبح الناس يستخدمون السلة للحفظ دون زيادة نية الشراء.
لذلك يجب أن تقيس Downstream Effect.
التغيير الجيد في أعلى القمع يجب أن يدفع عددًا مفيدًا من العملاء إلى النهاية، لا أن يرفع رقمًا وسيطًا فقط.
معدل التحويل الأعلى لا يعني دائمًا ربحًا أعلى
لنفترض أنك تقدم خصمًا 30% ويرتفع Conversion Rate من 2% إلى 3%.
رائع؟
ربما.
إذا انهار هامش الربح، فقد يكون العرض أسوأ تجاريًا رغم أن القمع أصبح أجمل.
اربط Funnel بالإيراد والهامش
تحليل القمع الجيد يضع بجوار معدلات الانتقال:
متوسط الطلب، والهامش، وتكلفة اكتساب العميل، والمرتجعات.
فقد يكون مصدر زيارات يحول بنسبة أقل لكنه يجلب طلبات أعلى قيمة وأكثر تكرارًا.
مثال على تشخيص خاطئ وتصحيح المسار
لنفترض أن المبيعات انخفضت 15%.
الفريق يقول: نحتاج إعلانات أكثر.
لكن تحليل القمع يظهر أن الزيارات لم تنخفض أصلًا.
Add to Cart ثابت.
Reached Checkout ثابت.
الهبوط حدث فقط في Checkout Completion.
عند تقسيمه حسب الجهاز، تكتشف أن المشكلة على iPhone.
وعند مراجعة الجلسات، يظهر أن زر وسيلة دفع معينة لا يعمل بعد تحديث حديث.
لو لم تستخدم القمع، كنت ستدفع أموالًا لإرسال عملاء إضافيين إلى عطل تقني قائم.
وهنا تظهر القيمة الحقيقية للتحليل.
قمع المبيعات يجب أن يتحول إلى نظام مراقبة
لا تنتظر نهاية الشهر.
حدد نطاقات طبيعية للمراحل المهمة.
إذا كان Checkout Completion يتحرك عادة بين 55% و60%، ثم سقط فجأة إلى 35%، يجب أن يظهر تنبيه.
إذا كان Add to Cart لمنتج رئيسي ينهار بعد تغيير القالب، تحقق فورًا.
الانحراف أهم أحيانًا من الرقم المثالي
لا يوجد Conversion Rate عالمي يجب أن يصل إليه كل متجر.
منتجاتك وسوقك وسعرك ومصادر الزيارة تختلف.
راقب Baseline الخاص بك.
التغير غير المبرر عن السلوك المعتاد قد يكون إشارة أقوى من مقارنة متجرك برقم عام على الإنترنت.
ابنِ Dashboard صغيرة لا مقبرة مؤشرات
لا تحتاج إلى 80 KPI حتى تدير القمع.
ابدأ بمجموعة مختصرة:
Sessions أو الزوار وفق تعريف منصتك.
Product Views أو زيارات الصفحات الأساسية.
Add to Cart Rate.
Reached Checkout Rate.
Checkout Conversion Rate.
Purchase Conversion Rate.
الإيراد ومتوسط قيمة الطلب.
ثم أضف المقاييس الأخرى عندما تساعد على تشخيص سؤال محدد.
ليس الهدف أن تكون لوحة التحليل مليئة بالرسوم، بل أن تستطيع فتحها والإجابة بسرعة: أين تغير سلوك العملاء اليوم؟
كيف تستخدم الذكاء الاصطناعي في تحليل القمع؟
بعد أن يصبح القياس صحيحًا، يمكن للذكاء الاصطناعي مساعدتك في تحليل عدد كبير من الشرائح بسرعة.
يمكن أن تسأله مثلًا: ما المنتجات التي شهدت أكبر هبوط في Add to Cart مقارنة بمتوسط أربعة أسابيع؟ ما الأجهزة التي تغير فيها Checkout Conversion؟ هل الانخفاض مرتبط بحملة محددة؟
لكن AI يجب أن يعمل فوق بيانات صحيحة.
لا تطلب منه تفسير رقم دون سياق
إذا قلت: "معدل التحويل انخفض من 2.5 إلى 2.1، لماذا؟"، يمكنه فقط إعطاؤك احتمالات عامة.
أما إذا أعطيته القمع مفصلًا حسب الخطوات والأجهزة والحملات والمنتجات، يستطيع تضييق الاحتمالات.
الذكاء الاصطناعي مفيد في اكتشاف الأنماط وصياغة الفرضيات، لكنه لا يغني عن اختبار الفرضية في المتجر الحقيقي.
الخلاصة: لا تحاول ملء القمع بالمزيد من الزوار قبل سد الثقوب
تحليل قمع المبيعات في المتاجر الإلكترونية يغير السؤال من "لماذا معدل التحويل منخفض؟" إلى مجموعة أسئلة أدق بكثير.
هل المشكلة في جودة الزيارات؟ هل الزائر يجد المنتج؟ هل صفحة المنتج تدفعه إلى السلة؟ هل السلة تقوده إلى Checkout؟ هل Checkout واضح؟ هل طرق الدفع تعمل؟ وهل القياس نفسه صحيح؟
Google Analytics 4 يوفر Funnel Exploration وPath Exploration لتفكيك الرحلة وتقسيمها وفهم الانتقال بين المراحل، بينما توفر Shopify تقارير Conversion Rate Breakdown بمراحل الجلسة والإضافة للسلة والوصول إلى Checkout وإكمال الشراء.
والأهم أن البيانات لا تعمل وحدها. Baymard توضح أن التحليلات تستطيع كشف نقطة التسرب، لكن فهم سبب التخلي يحتاج إلى تحليل UX وسلوك فعلي للمستخدمين. كما أن بياناتها الحديثة تضع متوسط التخلي عن السلة حول 70%، مع مجموعة من الأسباب القابلة للتحسين مثل الرسوم، وتعقيد Checkout، والأخطاء التقنية، وضعف الثقة وطرق الدفع.
ابدأ بتعريف مراحل القمع، وتأكد من صحة Events، ثم قِس معدل الانتقال بين كل مرحلتين. بعد ذلك قسّم التسرب حسب الجهاز والمصدر والمنتج والعملاء الجدد والعائدين. وعندما تجد المشكلة، لا تبدأ بالتخمين؛ شاهد السلوك واسأل العملاء وافحص الأخطاء ثم كوّن فرضية قابلة للاختبار.
وتذكر خصوصًا أن الأرقام نفسها يمكن أن تتغير عندما تغير منصة التحليلات طريقة القياس؛ وهو أمر مهم لمتاجر Shopify خلال تحديث قياس الجلسات الجاري بين 21 و23 سبتمبر 2026.
في النهاية، أفضل Funnel ليس الذي يحتوي على أجمل رسم.
إنه الذي يجعلك قادرًا على أن تقول:
"نحن لا نخسر العملاء في مكان مجهول. نعرف المرحلة التي يتوقفون عندها، ونملك فرضية واضحة عن السبب، ونعرف كيف نختبر الحل."
وعندما تصل إلى هذه المرحلة، تتحول زيادة معدل التحويل من سلسلة محاولات عشوائية إلى عملية تشخيص وتحسين مستمرة، ريالًا بعد ريال ومرحلة بعد مرحلة.
0 تعليقات