電商購物車棄購率的幾個基準數字
Shopify AI 電話客服業者 Ringly 在 2026 年的棄購統計整理中引述 Baymard Institute：綜合 50 份研究計算，購物車平均棄購率是 70.22%。Ringly 換算成每 10 位加入購物車的人，約有 7 位沒有購買就離開。
其他來源的數字不完全一樣。Digital Applied 的指南把棄購率定義為「加入購物車數減去購買數，再除以加入購物車數」，並寫產業平均落在 68% 到 75%。Ringly 另外引述 Dynamic Yield 的資料：以 2025 年每月 2 億名不重複使用者計算，棄購率是 76.8%。
三個數字分別來自 Baymard Institute 的 50 份研究彙整、Dynamic Yield 的使用者追蹤資料，以及 Digital Applied 寫的產業平均。拿自家數字對照時，先確認對照的是哪一份來源、哪一種樣本。
品類之間差距也大。Ringly 引述 Dynamic Yield，美妝與個人護理類棄購率 82.32%，生鮮雜貨類 50.03%。Ringly 的解讀是，價格較高、購買過程較複雜的商品，棄購率明顯較高。
裝置的落差同樣明顯。Ringly 引述 Dynamic Yield 的資料，行動裝置購物車棄購率 80.02%，平板 68.84%，桌機 66.41%；同一篇也引述 Shopify，稱行動裝置已占全部電商流量的 60% 以上。
同一份 Dynamic Yield 資料，棄購率依品類與裝置從 50.03% 到 82.32%
Dynamic
Ringly 也引述 Baymard Institute 的估計：光是美國與歐盟，透過更好的結帳流程與設計，可挽回的流失訂單約 2,600 億美元。
用 GA4 漏斗探索把棄購拆成四個步驟
Digital Applied 稱，設定正確的 GA4 電商追蹤會記錄商品瀏覽、加入購物車、結帳步驟與完成購買，並帶有商品層級的細節；這段漏斗資料可以看出顧客在哪裡流失，以及流失的營收規模。
販售 AI 資料分析工具的 InfiniSynapse，在拆解營收的指標樹裡，把轉換率拆成三段：商品瀏覽到加入購物車、加入購物車到結帳、結帳到完成購買。把這幾個步驟依序設成行銷漏斗，每兩步之間掉了多少人就會各自成為一個數字。轉換率只是營收公式的一環，要衡量行銷效益，還得分清過程指標與結果指標。
Digital Applied 列出的 GA4 必要電商事件中，對應這四步的是 view_item（商品詳情頁載入）、add_to_cart（點擊加入購物車）、begin_checkout（進入結帳頁）、purchase（訂單確認頁）。這些事件都帶有 items 陣列，記錄商品 ID、名稱、類別、價格、數量等商品層級資料。
GA4 漏斗拆四步：商品瀏覽、加入購物車、進入結帳、完成購買
對應的
Analytics Mania 的教學說明，漏斗探索報告位在 GA4 的「探索」區，以使用者人數計算，用途之一就是看使用者在哪一步流失。文中的示範漏斗是 view_item、add_to_cart、purchase 三步，並以裝置類別做細分。
建報表時有幾個設定會影響結果。該站也提醒，GA4 的漏斗預設是封閉式，使用者只能從第一步進入；開放式漏斗則允許從任何一步進入。兩種漏斗都不能跳步，跳過某一步就算流失。步驟之間也可以設時間限制，例如「30 分鐘內」；追蹤較長的旅程時，可以設「7 天內」或不設限。
看轉換率時也要注意名稱的變化。Analytics Mania 另一篇教學指出，舊版 Google Analytics 的「電子商務轉換率」指標在 GA4 已經沒有，但仍可以自己建出來；GA4 的「轉換」已改名為「關鍵事件」，電商轉換率就是只看網站購買事件的「工作階段關鍵事件率」。
資料本身也要先檢查。Digital Applied 稱，重複送出的 purchase 事件是 GA4 電商影響最大的資料品質問題，建議用 transaction_id 參數去除重複；沒有去重，訂單確認頁重新整理就會灌大營收數字。
消費者放棄購物車的原因
Ringly 引述 Baymard Institute 對美國網購者的調查：48% 因為運費、稅與手續費等額外費用太高而放棄，43% 表示只是逛逛、還沒準備購買，26% 因為網站要求建立帳號，21% 因為結帳流程太長或太複雜，18% 不放心把信用卡資料交給網站。
Ringly 對這組數字的解讀是，只是逛逛的那 43% 無法靠更好的結帳流程挽回，其餘遇到額外費用、強制建立帳號、表單複雜的人，則是可以處理的結帳摩擦。該站在常見問題裡把結帳時才出現的額外費用列為第一名的棄購原因，建議一開始就顯示所有費用。
| 原因 | 比例 | 可對照的做法（Ringly 列出的建議） |
|---|---|---|
| 額外費用太高（運費、稅、手續費） | 48% | 一開始就顯示所有費用，避免意外收費 |
| 網站要求建立帳號 | 26% | 提供訪客結帳 |
| 結帳流程太長或太複雜 | 21% | 減少表單欄位 |
| 不放心把信用卡資料交給網站 | 18% | 放上明顯的信任標章 |
除額外費用一項外，其餘做法 Ringly 是一起列出，沒有逐項對應原因。
結帳流程的長度有基準可以對照。Ringly 引述 Baymard Institute，平均結帳流程有 5.1 個步驟、11.3 個表單元素，並估計一般大型電商網站改善結帳後，轉換率可提升 35.26%。
同一篇也列出幾項個別數字：引述 VWO，結帳步驟從 5 步減到 3 步，可讓棄購減少 27%；引述 PayPal／Krepling，提供訪客結帳可讓結帳轉換提升 45%。
InfiniSynapse 則用自家 2026 年 7 月審閱案例的綜合數字，描述漏斗各段的常見問題，並註明不是平台標準值：加入購物車到開始結帳的中位轉換約 55% 到 70%，常見問題是購物車介面、運費意外與強制建立帳號；開始結帳到完成訂單約 50% 到 65%，常見問題是付款失敗、地址驗證與頁面太慢。
已經離開的購物車：挽回信的數字與限制
Practical Ecommerce 在 2026 年 8 月 6 日的文章中引述 Baymard Institute，約 70% 的電商購物車最後沒有成交；文章稱購物車挽回信仍是基本的挽回管道，並引用 Ringly 的文章，平均開信率 50.5%、轉換率 10.7%。
在 Ringly 的原文裡，50.5% 的開信率標註出自 Klaviyo，10.7% 的轉換率標註出自 Barilliance。
Practical Ecommerce 也提醒，被放棄的購物車只記錄了結果，沒有記錄原因：平台知道客人留下哪些商品，卻無法立即知道為什麼。文章建議先降低自家的棄購率，用清楚的定價與透明的運費，力求優於 Baymard 約 70% 的平均；並用不收挽回訊息的對照組，判斷挽回訊息帶來的是新增銷售，還是把自己會回來的客人算進成績。
Digital Applied 對兩者的分工是這樣描述的：GA4 告訴你棄購問題的規模，email 與簡訊序列負責把營收追回來。除了信件與簡訊，加了購物車卻沒結帳的人，也能用再行銷廣告單獨圈出來重新溝通。
分層看漏斗：裝置、流量來源與回購
InfiniSynapse 建議把漏斗依裝置（手機與桌機）和流量來源分開看，並認為漏斗的工作大多在細分，而不在總數。
The drop-off shape, not the absolute conversion rate, is the diagnostic.
意思是：該看的是各步驟流失的分布，而不是整體轉換率的高低。
Digital Applied 的說法更直接：全站轉換率沒有意義，要依流量來源與裝置類型細分，才找得到哪裡的使用體驗在流失營收；文中稱行動裝置自然搜尋流量的表現，常比桌機低 40% 到 60%。棄購率也一樣，該文建議依商品類別、裝置與流量來源細分。
在 GA4 裡，Analytics Mania 說明漏斗探索可以比較不同區隔的行為，例如行動裝置對桌機，區隔比較最多放 4 個；報表下方的表格也能依單一維度細分。我們的看法是，這就是把消費者行為分析放到漏斗上的做法。
再往後一層是回購。InfiniSynapse 稱，在他們審閱的 50 個電商團隊中，首月回購率的中位數是 18%，並說明這是規劃用的綜合數字，不是保證值。該公司把新客在首購後 30 天內再購的比例，視為預測顧客終身價值最有力的單一數字，也認為取得客數多、首月回購率低的管道，是最常見的過度投資陷阱。
Digital Applied 則以 90 天為窗口，稱健康的電商以 90 天內回購率超過 20% 為目標，並觀察到從自然搜尋取得的顧客，90 天留存率常高於從付費社群取得的顧客。
銷波快觀點：結帳頁是最便宜的成長槓桿
結帳頁的阻力點比想像中多元，而多數優化成本極低。單頁結帳把所有步驟整合到同一頁，讓使用者滾動就填得完；數位錢包優先佈局讓 Apple Pay 與 Google Pay 直接接手表單；透明定價處理的是隱藏費用，那是 Baymard Institute 美國網購者調查裡排名第一的棄購原因；訪客結帳則是不強制註冊。四件事都不需要重做網站。
頁面速度的影響長期被低估。結帳頁如果慢，前面所有的漏斗優化都會被吃掉。
棄購率也不該當成單一數字來看。電商流量分成冷、暖、熱三層：冷流量是透過廣告第一次接觸的陌生人，暖流量是完成過一次消費的客人，熱流量是推什麼都願意買單的真粉絲。三層的信任深度不同，棄購率本來就不會一樣。Baymard Institute 的 70.22% 是 50 份研究的平均，拿它當每一層流量的單一目標值並不合理。用同一條基準線要求冷流量與熱流量，等於在懲罰負責開發新客的那一組廣告。
往長期看，落差在貼標籤的能力。GA4 的分段維度是這條路的起點，先分得出族群，才談得上針對族群調整。
同樣的邏輯也適用在前端。關鍵字分成資訊型與消費型，搜尋「拿鐵咖啡怎麼做」的人是查資料，搜尋「府中咖啡廳推薦」的人看完就去消費，後者的轉換率落在 75% 到 90%。把關鍵字丟給 AI 以廣告投手的角色分類，準確率大約 80%。前端只導有購買意圖的流量，後端把結帳頁的阻力拿掉，漏斗才是通的。
結論：先把 GA4 四步漏斗建起來，再談加預算
Baymard Institute、Dynamic Yield 與 Digital Applied 給的棄購率基準，從 68% 到 76.8% 不等，三者的樣本與彙整方式各不相同（50 份研究平均、2025 年使用者追蹤資料、產業平均）。
可以照這個順序做。第一步，在 GA4 探索裡用 view_item、add_to_cart、begin_checkout、purchase 建漏斗，並確認 purchase 事件用 transaction_id 去除重複。第二步，依裝置類別與流量來源細分，找出流失最多的那一段。第三步，對照 Baymard Institute 調查的棄購原因，逐一檢查費用是否一開始就顯示、是否提供訪客結帳、表單欄位能不能再少。
我們的判斷是，加預算之前，先讓漏斗告訴你錢漏在哪一格。
喜歡這篇？讓行銷變好懂，訂閱銷波快。
資料來源
- 50 ecommerce cart abandonment statistics for 2026ringly.io
- eCommerce Analytics 2026: Data-Driven Revenue Guidedigitalapplied.com
- Ecommerce Data Analysis in 2026: The Working Playbookinfinisynapse.com
- Funnel Exploration Report in Google Analytics 4analyticsmania.com
- Ecommerce Conversion Rate in Google Analytics 4analyticsmania.com
- Thinking About Cart Recovery in 2026practicalecommerce.com
