Оптимизация конверсии сайта (CRO): этапы и примеры

Автор

У метода нет единого автора: он вырос из веб-аналитики, исследований юзабилити и контролируемых онлайн-экспериментов, с 2000-х годов

Уровень

201 · Инструмент

Подходит

стартап, малый и средний бизнес, растущая компания

Время на внедрение

2–3 недели на первое исследование одной воронки, затем 4–8 недель на каждый цикл тестов

Что понадобится

одна важная конверсия, корректно настроенная в аналитике · данные по шагам воронки за последние 4–8 недель · способ услышать клиентов: опросы, записи сессий или пять пользовательских тестов · разработчик или инструмент, который покажет половине трафика изменённую страницу

Оптимизация конверсии (CRO) — практика, которая повышает долю посетителей, выполняющих одно выбранное действие: вы выясняете, почему остальные его не выполняют, проверяете исправления тестами и оставляете те, что победили. Сама конверсия считается просто: выполненные действия делим на число посетителей. Google Analytics 4 называет такое действие ключевым событием: это любое событие, которое измеряет что-то важное для бизнеса. Методом оптимизацию конверсии делает работа вокруг этой цифры: сначала данные, потом тесты.

Откуда взялась оптимизация конверсии

У CRO нет одного изобретателя. Она выросла из веб-аналитики, исследований юзабилити и контролируемых онлайн-экспериментов. Эми Галло отмечает в Harvard Business Review, что самому методу A/B почти 100 лет. Кохави, Хенн и Соммерфилд, которые ставили эксперименты в Microsoft, описали его веб-версию в 2007 году и дали ей запоминающуюся мишень: HiPPO, мнение самого высокооплачиваемого сотрудника (highest-paid person’s opinion). Они доказывали, что команды узнают больше, проверяя идеи на клиентах, чем полагаясь на мнение старших по должности. В большом масштабе это выглядит так: Томке сообщает, что Booking.com проводит около 25 000 тестов в год.

Цикл CRO

CRO — цикл из пяти шагов: измерить, исследовать, сформулировать гипотезу, проверить тестом и решить, затем снова измерить.

Измерение идёт первым, потому что нельзя оптимизировать цифру, которой не доверяешь. Исследование стоит перед любыми идеями, потому что мнения о том, что менять, — самое дешёвое и самое ненадёжное сырьё. Гипотеза заставляет облечь идею в форму, в которой она может оказаться неверной. Тест и решение замыкают цикл доказательством, а результат идёт в следующий круг измерений.

Где посетители уходят

Начните с воронки: посчитайте, сколько посетителей доходит до каждого шага, и найдите самую большую потерю.

Подсчёт отвечает на вопрос «где», но никогда не отвечает «почему». В нашем разборе анализа воронки есть арифметика, в том числе объяснение, почему самое большое процентное падение не всегда нужно чинить первым. Разбейте цифры ещё по устройствам и источникам трафика: воронка, которая выглядит средней, часто прячет один сегмент с гораздо худшей конверсией.

Что исследовать в месте потери

Исследование сочетает цифры со словами и действиями реальных людей. Speero описывает свою модель ResearchXL как восемь шагов: эвристический разбор, анализ данных веб-аналитики, трекинг мыши, опросы на сайте, опросы клиентов, пользовательское тестирование, тестирование текстов и итоговая сортировка выводов. В основе — триангуляция: аналитика показывает, что люди делают, а качественные методы подсказывают, почему.

Строка про пользовательские тесты — реальное расхождение, поэтому берите пять пользователей на раунд как быстрый способ поймать очевидные проблемы, а не как доказательство, что других нет. Когда проблема найдена, выбрать рычаг помогает поведенческая модель Фогга: она спрашивает, чего не хватает посетителю — мотивации, возможности или подсказки; а аудит трения перечисляет шаги, которые требуют усилий.

Как решить, что тестировать

Расставьте гипотезы по ожидаемому эффекту, уверенности и трудозатратам, например с помощью ICE-приоритизации, а затем проверьте, способен ли ваш трафик вообще заметить этот эффект. Наш разбор минимального обнаруживаемого эффекта и размера выборки показывает расчёты; в двух словах, малый прирост на малом трафике измерить нельзя.

Готовьтесь к тому, что большинство тестов проиграет. Кохави и Томке сообщают: в Google и Bing положительный результат дают лишь около 10–20% экспериментов, а в Microsoft примерно треть положительных, треть нейтральных и треть отрицательных. Проигравший тест не пропал зря: он убирает ложное убеждение. Кохави с коллегами также замечают, что многие идеи сдвигают ключевые метрики лишь примерно на 1%, поэтому надёжный порядок тестирования важнее любой отдельной идеи. Если вы запускаете много тестов, смотрите программу экспериментов; про правила остановки и повторные просмотры промежуточных результатов — последовательное и байесовское тестирование.

К каким популярным утверждениям нужно относиться осторожно

Повторяются три ловушки.

Первая: конверсия — не цель. Изменение, которое поднимает конверсию и снижает выручку на посетителя, оказывается убытком, поэтому к каждой главной метрике добавляйте контрольную.

Вторая: манипуляция. Матур с коллегами нашли 1818 случаев тёмных паттернов примерно на 11 000 интернет-магазинов, а отчёт сотрудников FTC за 2022 год описывает приёмы дизайна, которые толкают людей к выбору, которого они иначе не сделали бы. Конверсия, добытая так, обычно оборачивается возвратами, жалобами и регуляторными рисками.

Третья: фольклор. Утверждение «чем меньше вариантов, тем выше конверсия» опирается на знаменитое исследование с джемом, но метаанализ Шайбехенне (Scheibehenne) с коллегами 2010 года по 50 экспериментам показал средний эффект, практически равный нулю. Метаанализ Чернева с коллегами 2015 года выяснил: эффект появляется, когда выбор сложный, задача трудная или предпочтения неясны. Проверьте это на своей странице, а не принимайте на веру.

Если исследование показывает, что люди страницу понимают и всё равно не покупают, проблема в предложении, а не в странице. Тогда нужна архитектура оффера.

CRO рядом с соседними методами

План Growth Lab начинается с воронки и данных о каждой потере, а затем выстраивает тесты в порядке того, на что способен ответить ваш трафик; подробнее в нашей практике Growth Lab.

Как применять: Оптимизация конверсии сайта (CRO): этапы и примеры по шагам

1. Определите конверсию и проверьте разметку. Выберите одно действие, связанное с выручкой, например оплаченный заказ или запись на приём, и отметьте его в аналитике как ключевое событие. Затем сами оформите тестовый заказ и убедитесь, что он засчитался один раз. Результат: одно определение конверсии и цифры, которым можно верить.
2. Разбейте воронку и найдите, где теряются люди. Посчитайте посетителей на каждом шаге от первого визита до конверсии, отдельно по устройствам и источникам трафика. Найдите шаг, на котором уходит больше всего людей, и сегменты, которые конвертируются заметно хуже остальных. Результат: список потерь по порядку, у каждой указан объём.
3. Выясните, почему люди уходят. Для главной потери сопоставьте цифры со словами людей: опрос на сайте, короткий опрос недавних покупателей, записи сессий и тест с пятью пользователями. Проверьте скорость страницы и ошибки на тех устройствах, которыми пользуются ваши посетители. Результат: от трёх до пяти замеченных проблем, у каждой есть подтверждение.
4. Сформулируйте гипотезы и расставьте приоритеты. Формулируйте каждое исправление так: раз мы увидели X, изменение Y должно сдвинуть метрику Z. Оцените список по ICE или похожему методу и отбросьте идеи, которые ваш трафик не позволит проверить. Результат: короткий бэклог, наверху которого один тест.
5. Проведите тест и примите решение. До запуска зафиксируйте размер выборки и дату окончания, проводите тест полными неделями и смотрите результат один раз. Кроме конверсии проверьте контрольную метрику, например выручку на посетителя или долю возвратов. Результат: внедрить, отказаться или доработать; решение записано в журнал тестов.
6. Верните результат в исследование. Записывайте, чему тест научил вас о посетителе, а не только выиграл ли он, и меняйте по этому следующие гипотезы. Результат: растущий журнал, в котором каждый новый тест придумывать дешевле предыдущего.

Примеры

Стартовая страница кампании Обамы: задокументированный случай

[Optimizely сообщила](https://www.optimizely.com/insights/blog/how-obama-raised-60-million-by-running-a-simple-experiment/), что кампания проверила стартовую страницу с 4 текстами кнопки и 6 изображениями или видео, всего 24 комбинации, на примерно [310 000 посетителей](https://www.optimizely.com/insights/blog/how-obama-raised-60-million-by-running-a-simple-experiment/). Кнопка «Learn More» с семейной фотографией подняла долю регистраций с 8,26% до 11,6%, то есть на 40,6% в относительном выражении. [Заявление Optimizely](https://www.optimizely.com/insights/blog/how-obama-raised-60-million-by-running-a-simple-experiment/) о 2,88 млн дополнительных регистраций и 60 млн долларов пожертвований экстраполирует итоги этого теста, а источник продаёт ПО для тестирования, поэтому считайте эти суммы оценкой.

Страница записи в клинику

Иллюстративный пример. На страницу записи частной клиники заходят несколько тысяч человек в месяц, записываются около 3%. Записи сессий показывают: многие бросают форму на поле с номером страхового полиса, которого у них под рукой нет. Гипотеза: раз люди бросают форму на поле с полисом, то если сделать это поле необязательным, записей станет больше. Трафика мало, и сплит-тест шёл бы месяцами, поэтому клиника вносит изменение и сравнивает следующие два месяца с предыдущими двумя, а для контроля следит за числом ошибок в этом поле. Без исследования она проверяла бы цвета кнопок.

Регистрация в платёжном приложении

Иллюстративный пример. Платёжное приложение для частных клиентов видит, что меньше половины новых пользователей проходят проверку личности. Данные воронки показывают основные потери на экране загрузки документа, а записи сессий — что люди заново фотографируют документ, потому что снимок не проходит. Команда тестирует подсказку на экране о том, как поместить документ в кадр. Главная метрика — пройденные проверки; контрольные — доля заявок, ушедших на проверку мошенничества, и число обращений в поддержку на 1 000 пользователей, чтобы не внедрить рост, за которым стоят плохие документы.

Когда применять

Применяйте метод, когда на странице или в воронке уже стабильный трафик и вы хотите получить больше заказов, записей или лидов от посетителей, за которых платите. Лучше всего он работает после того, как оффер определён, а вопрос в том, почему заинтересованные люди не доходят до конца.

Когда не применять

Не берите метод, когда трафика так мало, что тест ни на что не ответит, или когда настоящая проблема лежит выше по воронке: не та аудитория, слабый оффер, продукт, который никому не нужен. Перенос кнопки их не исправит. При длинных циклах продаж с малым числом конверсий в месяц лучше анализ воронки и интервью с клиентами.

Частые ошибки

• Тестируют, не исследовав. Команды копируют тактики из кейсов, а по данным [Кохави и Томке](https://hbr.org/2017/09/the-surprising-power-of-online-experiments) контроль обгоняет лишь около трети идей в Microsoft и от одной десятой до одной пятой в Google и Bing.
• Гонятся только за конверсией. Баннер бесплатной доставки может поднять число заказов и снизить прибыль с заказа. Оценивайте каждый тест по главной метрике и хотя бы одной контрольной.
• Останавливают тест, едва он выглядит значимым. [Джохари, Пекелис и Уолш (Johari, Pekelis, Walsh)](https://arxiv.org/abs/1512.04922) показали, что постоянный мониторинг ломает обычные p-значения.
• Используют тёмные паттерны. Приёмы, которые подталкивают людей к выбору, которого они не собирались делать, могут ненадолго поднять конверсию, а Федеральная торговая комиссия США (FTC) описала их как тёмные паттерны.
• Считают каждое популярное правило законом. «Чем меньше вариантов, тем выше конверсия» берётся из знаменитого эксперимента с джемом, но два метаанализа расходятся в том, существует ли такой эффект.

Вопросы и ответы

Как рассчитать конверсию?

Разделите число посетителей, выполнивших действие, на число посетителей, которые могли его выполнить, и умножьте на 100. Если из 3 000 посетителей записались 90, конверсия — 3%. Сначала решите, кого считать посетителем (сессии, пользователей или посетителей одной страницы): от знаменателя зависит ответ.

Какая конверсия считается хорошей?

Универсальной цифры нет. Конверсия зависит от цены, источника трафика, устройства и того, что считать конверсией, поэтому показатель из другой отрасли о вашем сайте почти ничего не говорит. Сравнивайте с собственной базовой линией, отдельно по источникам трафика и устройствам, а изменение оценивайте по тому приросту, который оно даёт.

Сколько трафика нужно для тестов в CRO?

Это зависит от базовой конверсии и от прироста, который вы хотите заметить. По эмпирическому правилу на каждый вариант нужно около 16σ²/δ² пользователей: при базовой конверсии 5% и относительном приросте 10% это примерно 30 400 пользователей на вариант. Если трафика меньше, тестируйте более крупные изменения или опирайтесь на качественные исследования.

CRO и A/B-тестирование — это одно и то же?

Нет. A/B-тест — один из инструментов CRO, он нужен на шаге проверки. CRO включает также измерение воронки, поиск причин через аналитику, опросы и пользовательские тесты, расстановку приоритетов. Часть работ по CRO внедряют без теста, например чинят сломанную форму или медленную страницу.

Что значит «оптимизация конверсий» в Яндекс Директе?

Это настройка торгов в рекламе, а не CRO сайта. В Яндекс Директе вы выбираете цели Метрики как конверсии, и система настраивает ставки на посетителей, которые, скорее всего, их выполнят. Она меняет то, кто кликает по объявлению, а CRO меняет то, что происходит после клика. Лучше всего они работают вместе.

Источники

1. Ron Kohavi, Stefan Thomke, The Surprising Power of Online Experiments, Harvard Business Review, September-October 2017
2. Ron Kohavi, Diane Tang, Ya Xu, Trustworthy Online Controlled Experiments, Cambridge University Press, 2020
3. Ron Kohavi, Randal M. Henne, Dan Sommerfield, Practical Guide to Controlled Experiments on the Web, KDD 2007
4. Ron Kohavi, Alex Deng, Brian Frasca, Toby Walker, Ya Xu, Nils Pohlmann, Online Controlled Experiments at Large Scale, KDD 2013
5. Amy Gallo, A Refresher on A/B Testing, Harvard Business Review, 2017
6. Stefan Thomke, Building a Culture of Experimentation, Harvard Business Review, March-April 2020
7. Raphael Lopez Kaufman, Jegar Pitchforth, Lukas Vermeer, Democratizing online controlled experiments at Booking.com, 2017
8. Ramesh Johari, Leo Pekelis, David J. Walsh, Always Valid Inference: Bringing Sequential Analysis to A/B Testing
9. Optimizely, the Obama campaign splash page experiment
10. Speero, How to create winning tests using the ResearchXL model
11. Google, About key events, Analytics Help
12. Baymard Institute, Cart Abandonment Rate Statistics
13. Baymard Institute, Checkout flow: average form fields
14. Deloitte Digital and Google, Milliseconds Make Millions, web.dev case study
15. Google, Web Vitals, web.dev
16. Jakob Nielsen, Why You Only Need to Test with 5 Users, Nielsen Norman Group
17. William Hudson, How many users?, Syntagm (on Spool's critique of the five-user rule)
18. B.J. Fogg, Fogg Behavior Model, Stanford Behavior Design Lab
19. Benjamin Scheibehenne, Rainer Greifeneder, Peter M. Todd, Can there ever be too many options? A meta-analytic review of choice overload, Journal of Consumer Research, 2010
20. Alexander Chernev, Ulf Bockenholt, Joseph Goodman, Choice overload: a conceptual review and meta-analysis, Journal of Consumer Psychology, 2015
21. US Federal Trade Commission, Bringing Dark Patterns to Light, staff report, September 2022
22. Arunesh Mathur and colleagues, Dark Patterns at Scale: Findings from a Crawl of 11K Shopping Websites, CSCW 2019
23. Yandex, Conversions and strategies, Yandex Direct help

Обновлено 15 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn