購物車棄單：JCR 研究指享樂型商品占比越高越易被放棄

全球平均與產業別棄購率

電商財務顧問公司 Eightx 在 2026 年 5 月 29 日的文章引述 Baymard Institute 的統合分析，稱全球電商購物車放棄率在 50 項研究中平均為 70.2%，但這個數字無法核實。同一篇文章把產業別拆開：雜貨 61%，主流 DTC（服飾、美妝、居家、3C）67-76%，B2B 82%，金融與旅遊 81-91%。

Your vertical sets the structural band; checkout UX moves you a few points inside it.

Eightx 這句話的意思是，產業別決定放棄率的結構區間，結帳體驗會讓你在區間內移動幾個百分點。該文也引述 Cartylabs 2026 年第一季資料，稱 Shopify 商店的放棄率約 65-72%，略低於全球平均。

這組產業別數字有兩個要留意的地方。第一，Eightx 自己說明，各產業別數字雖標為 Baymard 來源，但不是 Baymard 直接發布，而是經 Zipchat、ZeroCart AI、GrowthSuite 等彙整者轉引，各區間也有重疊。第二，全球平均的寫法各家不同：Eightx 寫 50 項研究、70.2%；Shnoco 彙整頁寫 49 項研究、70.19%；JCR 論文引言引述 Baymard Institute（2025）時，寫的是 49 項研究、平均超過 70%。

JCR 研究：享樂型商品比例越高，購物車越容易被放棄

Journal of Consumer Research 刊出的論文〈The Effect of Online Cart Composition on Cart Abandonment〉指出，享樂型相對實用型商品比例較高的購物車，整體會被感知為較享樂，消費者對這筆購買的罪惡感提高，放棄購物車的可能性也跟著提高。

論文作者是特拉維夫大學 Coller 管理學院的 Liat Hadar、Yael Steinhart、Yaniv Shani，以及喬治華盛頓大學的 Gil Appel。論文摘要稱，兩個大型實地資料集與四個控制實驗提供了一致的證據；實地資料來自不同網站與品類，涵蓋將近 1,500 萬件被購買或被放棄的商品。

carts containing higher hedonic-to-utilitarian product ratios are perceived as more hedonic overall, increasing consumer guilt regarding cart purchase and the likelihood of cart abandonment

研究 3 另外排除了一種解釋：這個效應不是來自消費者不願放棄比較必要的實用型商品。

推薦實用型商品的兩個實驗

論文的研究 4A 與 4B 測試同一件事：購物車裡是享樂型商品時，推薦實用型商品會不會降低放棄意願。兩個實驗的結果都顯示會降低，但兩者都是美國受試者在想像情境中的自評。

研究 4A 有預先登記，招募 311 名美國受試者，請他們想像 Walmart 購物車裡有香氛蠟燭與松露巧克力（各約 10 美元），其中一組會看到蛋白棒與運動 T 恤的推薦。有推薦的組別自評放棄可能性（1 到 7 分）平均 4.38，沒有推薦的組別是 4.86；自評罪惡感也較低，分別是 2.85 與 3.32。

研究 4B 招募 457 名美國受試者，購物車裡是一盒約 10 美元的茶包組，分成不推薦、推薦水壺、推薦一盒巧克力三組。推薦水壺的組別自評放棄可能性平均 3.64，不推薦組 4.61，推薦巧克力組 4.18。論文稱，推薦享樂型商品也能降低放棄可能性，但幅度遠不如推薦實用型商品；而且不論受試者是否以為推薦商品已加進購物車，效果都存在。

作者據此建議，電商網站推薦加購商品時，要讓加入後購物車的享樂型對實用型比例仍然偏低，可以主要推薦實用型商品。作者也推論，享樂型購買若走「立即購買」，消費者不經過購物車，就沒有機會靠加入實用型商品來降低放棄。

論文也寫出一個限制：研究 4A、4B 的推薦提示語可能讓受試者產生非預期的推論，作者建議未來研究改用較中性的提示語，例如 Related items。

推薦系統廠商達觀數據在官網文章稱，其購物車推薦方案把商品組推薦分成補全型、捆綁型、替代型三種，例如買相機就推薦相機包、鏡頭、三腳架，目標是提升加購轉換率。

結帳放棄原因：兩份引述的數字不一樣

同樣標為 Baymard 的調查，兩個來源寫出的放棄原因比例不同，兩者寫明的分母也不一樣。兩份都把額外費用與強制建立帳號排在前面。

Shnoco 彙整頁稱，引述 Baymard 2025 年調查，在非單純瀏覽的放棄者中，前五大原因是意外的額外費用 48%、要求建立帳號 26%、信用卡安全疑慮 25%、配送太慢 23%、結帳太長或太複雜 22%。

Eightx 引述的則是 Baymard 對 4,384 名美國成人網購者的結帳易用性調查，表格標示為占全部放棄者的比例（同文他處又寫成可購買的放棄者），可複選：只是逛逛或還沒準備買 43%、額外費用太高 39%、要求建立帳號 24%、配送太慢 23%、結帳太長或太複雜 19%。兩組數字都是業者轉引，無法核實。

Eightx 的建議是在商品頁就顯示含運費與稅的完整價格、開啟訪客結帳、在付款步驟附近放信用卡信任標章，並稱這些都不需要開發衝刺。Shnoco 彙整頁則引述 Baymard，建議在帳號選擇步驟把訪客結帳設成最顯眼的選項。

表單長度是另一個可以檢查的地方。Shnoco 彙整頁引述 Baymard 稱，美國電商結帳流程平均有 23.48 個預設表單元素，接近 Baymard 認為最佳的 12 到 14 個的兩倍；同一頁也引述 Shopify Enterprise 資料，稱 Shop Pay 等數位錢包可在一秒內完成結帳、略過表單欄位。

用 GA4 漏斗探索找出流失的那一步

Whereoware 列出的三份 GA4 電商報告中，第二份是用於轉換優化的漏斗探索。它的範例是建立從「加入購物車」到「購買」的漏斗，找出使用者在哪一步流失。

依該站的說明，建立方式是在報表點選「探索」，選擇漏斗探索範本，再加入漏斗步驟檢視流失點。該站稱，這份報告可以看出行銷漏斗各步驟的流失點。

Eightx 的說法可以搭配這張報告讀。它稱購物車放棄率是結果指標而非操作指標，操作上要看流量品質、加入購物車率、進入結帳率與棄單挽回信件成效；進入結帳率是該步驟放棄率的反面，進入結帳率 50%，該步驟的放棄率就是 50%。

若要往上連到營收，作者 Hankys 2021 年發表於人人都是產品經理的文章，把 GMV 拆成平均客單價乘以總消費人數，再把新客消費額拆成總客池 UV、到店轉換率、成交轉換率與客單價相乘。

銷波快觀點：推薦模組要不要改，先用自己的資料測

淘寶購物體驗的核心在演算法與標籤系統。淘寶把使用者在網頁上的所有行為分類、貼標、即時推薦，搜尋一次就持續推薦相似商品。這是所有電商都想做但少有做好的能力。

電商流量可以分成冷、暖、熱三層。冷流量（Cold Traffic）指完全不認識品牌的人，透過廣告第一次接觸；暖流量（Warm Traffic）已完成第一次消費，但還沒形成忠誠度；熱流量（Hot Traffic）是真粉絲，推什麼新品都有高機率買單。三層的信任深度不同，加購推薦的邏輯也該不同。

結帳優化真正高槓桿的做法其實很無聊：單頁結帳把所有步驟整合成一頁，介面可以一路滾到底；Apple Pay 與 Google Pay 減少表單填寫；透明定價；訪客結帳不強制註冊。

我們的判斷是，JCR 的結果值得拿來測，但不能直接當成自家店的結論。研究 4A、4B 都是美國受試者在想像情境中自評，作者也寫出推薦提示語可能影響結果。購物車組成可以當成消費者行為分析的一個變數：在以享樂型商品為主的購物車旁測試推薦實用型商品，同時用 GA4 漏斗探索看加入購物車到購買這一段有沒有變化。

結論：先對照基準，再測推薦內容

第一步是拿產業別基準對照自己的放棄率；Eightx 稱產業別決定放棄率的結構區間，結帳體驗會讓你在區間內移動幾個百分點。

接著用 GA4 漏斗探索找出流失最多的步驟。如果卡在結帳，兩份來源引述的調查都把額外費用與強制建立帳號排在前面。

至於推薦模組，JCR 研究在實驗中發現推薦實用型商品能降低自評放棄意願，作者建議讓購物車的享樂型比例保持偏低；放到自己的店裡效果如何，要用自己的 A/B 測試驗證。

喜歡這篇？讓行銷變好懂，訂閱銷波快。

資料來源

• The Effect of Online Cart Composition on Cart Abandonment（Journal of Consumer Research）academic.oup.com
• Average Ecommerce Cart Abandonment Rate by Vertical 2026eightx.co
• Checkout Conversion Statistics for 2026shno.co
• 3 Ecommerce Reports in GA4whereoware.com
• 電商：如何透過拆解指標提升 GMVwoshipm.com
• 購物車推薦邏輯優化：如何提升加購轉化率datagrand.com