„Jaka jest średnia konwersja w e-commerce?” to pytanie zadawane tysiące razy miesięcznie i prawie zawsze prowadzi w złe miejsce. Cudza średnia miesza branże, koszyki i modele biznesu, więc mierzy wszystkich i nikogo. Ten przewodnik pokazuje, dlaczego benchmarki rozczarowują, czym je zastąpić (własna norma plus kilka progów fizyki) i jak taka tablica norm zmienia przeglądy wyników z porównywania się z legendą na czytanie własnego sklepu.
Demonstracja
Ta sama konwersja, dwa różne biznesy
Jedna liczba, dwa sklepy, zero wspólnych wniosków:
Sklep A · akcesoria, koszyk 60 zł
Sklep B · meble, koszyk 900 zł
Ta sama wartość jest w jednym sklepie sygnałem alarmowym, a w drugim powodem do dumy. Benchmark, który nie zna koszyka, branży i ruchu, nie mówi nic; a publikowane średnie nie znają żadnej z tych rzeczy.
Pięć zmiennych
Pięć zmiennych, które unieważniają porównanie
Branża i cykl
Suplement kupuje się w minuty, meble w tygodnie. Konwersja sesji mierzy zupełnie inne procesy.
Wartość koszyka
Im droższy koszyk, tym niższa konwersja z natury rzeczy. Porównanie bez AOV to porównanie jabłek z fakturami.
Udział marki
Ruch z zapytań markowych konwertuje kilkukrotnie lepiej. Sklep z silną marką „wygrywa” benchmark bez lepszej strony.
Mix urządzeń i źródeł
Mobile konwertuje inaczej niż desktop, social inaczej niż wyszukiwarka. Średnia sklepu jest funkcją miksu bardziej niż jakości.
Metodologia raportu
Czyje sklepy, jaki rynek, jaka definicja sesji i okres: zwykle nie wiadomo. Porównujesz się z próbką, której nie znasz.
Zamiennik
Własna norma: jedyny benchmark, który zna Twój sklep
Definicja robocza
Własna norma to zakres typowych wartości metryki wyznaczony z historii sklepu: analogiczny okres rok wcześniej i średnia z ostatnich pełnych okresów, z poszanowaniem sezonu i dnia tygodnia. Sklep porównuje się z sobą z analogicznego momentu, bo tylko ten „konkurent” ma identyczną branżę, koszyk, markę i mix ruchu.
Tablica norm w praktyce (sklep z bielizną, wrzesień, dane poglądowe):
| Metryka | Moja norma (zakres) | Bieżący miesiąc | Odczyt |
|---|---|---|---|
| Konwersja mobile | 1,1–1,4% | 1,3% | w normie |
| Konwersja desktop | 2,2–2,6% | 1,8% | poniżej: sprawdź checkout po aktualizacji |
| Średni koszyk | 96–108 zł | 118 zł | powyżej: sprawdź mix (wypadł tani bestseller?) |
| MER | 4,4–5,0 | 4,7 | w normie |
| Zamówienia nieopłacone | 5–7% | 6,2% | w normie |
| Pokrycie GA4 | 93–95% | 94% | w normie |
Zwróć uwagę, jak zmienia się charakter rozmowy: zamiast „czy 1,8% to dobrze?” (pytanie bez odpowiedzi) pada „czemu desktop wypadł poniżej własnego zakresu?” (pytanie z procedurą: dekompozycja i diagnoza z przewodnika o szukaniu przyczyn spadku). Odchylenia od własnej normy to też mechanizm alertów opisany w przewodniku o monitoringu i anomaliach.
Wyjątki
Progi fizyki: porównania zewnętrzne, które obowiązują
Kilka odniesień zewnętrznych ma sens, bo wynikają z rachunku, który obowiązuje każdego:
- Próg rentowności ROAS i MER z własnej marży: 100 / marża% to granica matematyczna Twojego sklepu. Pełny rachunek w przewodniku „Jaki ROAS jest dobry”.
- Koszt dostawy względem koszyka: cennik przewoźnika jest obiektywny; koszyk, którego marża nie dźwiga dostawy, to problem niezależnie od benchmarków (rachunek progu: przewodnik o darmowej dostawie).
- Kompletność pomiaru: pokrycie GA4 blisko własnej normy i statusy produktów w Merchant Center bez odrzuceń to warunki higieny pomiaru.
- Trend rynku jako tło kierunkowe: jeśli publiczne dane mówią o rosnącym rynku, a sklep stoi w miejscu rok do roku, to informacja o utracie udziału; do tego wystarcza kierunek, bez porównywania konkretnych metryk.
Najdroższy użytek z benchmarku
Decyzje wymuszone cudzą średnią: cięcie cen „bo konwersja poniżej średniej”, przebudowa sklepu „bo koszyk za mały”. Jeśli własna norma jest stabilna, a progi fizyki spełnione, taki ruch naprawia wynik, którego nikt nie zepsuł, i psuje ten, który działał.
DataOrganizer
Jak DataOrganizer porównuje sklep z jego własną normą
Porównanie z samym sobą wymaga jednego: historii wszystkich metryk w jednym miejscu. DataOrganizer trzyma ją z połączonych źródeł, więc zakresy norm, porównania rok do roku i sezon do sezonu oraz anomalie względem własnego wzorca liczą się z danych. Miesięczny przegląd wygląda tak:
Wrzesień na tle Twojej normy:
| Metryka | Rok temu | Śr. 3 mies. | Teraz | Odczyt |
|---|---|---|---|---|
| Przychód | 412 tys. | 431 tys. | 468 tys. | +14% r/r: powyżej normy |
| Konwersja desktop | 2,4% | 2,3% | 1,8% | poniżej zakresu: diagnoza checkoutu |
| MER | 4,6 | 4,8 | 4,7 | w normie |
| Kategoria: bielizna nocna | 64 tys. | 58 tys. | 49 tys. | −23% r/r mimo sezonu: do przejrzenia |
Całość powyżej normy dzięki dwóm kategoriom, ale dwa odchylenia w dół zasługują na diagnozę: konwersja desktop poniżej własnego zakresu od trzech tygodni (zbiega się z aktualizacją szablonu) i kategoria nocna słabsza rok do roku mimo szczytu jej sezonu. Żadna z tych obserwacji nie wymagała ani jednej cudzej średniej.
Uwaga metodologiczna: liczby w przykładach są poglądowe. Własna norma wymaga porównywalności okresów: po dużych zmianach (nowy szablon, zmiana polityki cen, dojście kanału) zakresy wyznacza się na nowo od daty zmiany. Publikowane benchmarki mogą służyć za ciekawostkę do kawy; decyzje podejmuje się na normie i progach fizyki.
Do zapamiętania
Jedynym sklepem o identycznej branży, koszyku, marce i miksie ruchu jesteś Ty sprzed roku. Tablica własnych norm plus progi fizyki odpowiadają na każde „czy to dobrze?”, na które cudza średnia odpowiedzieć nie umie.
FAQ
Najczęstsze pytania o benchmarki e-commerce
Jaka jest średnia konwersja w e-commerce?
Publikowane wartości krążą wokół 1–3%, ale mieszają branże, koszyki i rynki, więc nie odpowiadają na pytanie o Twój sklep. Praktyczny punkt odniesienia to Twoja konwersja z analogicznego okresu plus trend; cudza średnia nie podejmie żadnej decyzji.
Dlaczego benchmarki mylą?
Pięć zmiennych rozjeżdża porównanie: branża i cykl zakupowy, wartość koszyka, udział ruchu markowego, mix urządzeń i źródeł oraz nieznana metodologia raportu. Wynik porównania mówi więcej o próbce niż o sklepie.
Z czym się porównywać?
Z własną normą (zakresy z analogicznych okresów: rok do roku, sezon, dni tygodnia, per kategoria i urządzenie) i z progami fizyki: próg ROAS z marży, koszt dostawy vs koszyk, kompletność pomiaru. Te dwa układy odniesienia wystarczają do decyzji.
Jak zbudować własną normę?
Dla każdej kluczowej metryki wyznacz zakres z historii: analogiczny okres rok wcześniej plus średnia ostatnich pełnych okresów, z rozbiciem na dni tygodnia tam, gdzie rytm ma znaczenie. Bieżące wartości czyta się jako: w normie / powyżej / poniżej, a odchylenia dostają diagnozę.
Jak pomaga DataOrganizer?
Trzyma historię metryk ze wszystkich źródeł, więc zakresy norm i porównania rok do roku liczą się z danych, anomalie pracują na wzorcu własnym sklepu, a czat odpowiada na „czy ten miesiąc jest dobry” zestawieniem z Twoją normą per kategoria.
Ściąga z całego przewodnika
Zamiast benchmarków: dwa układy odniesienia
1. Własna norma. Zakresy metryk z analogicznych okresów (rok do roku, sezon, dni tygodnia), per kategoria i urządzenie. Jedyny benchmark, który zna Twój koszyk, markę i ruch.
2. Progi fizyki. Próg ROAS z marży, koszt dostawy vs koszyk, kompletność pomiaru: wartości z rachunku, obowiązujące każdego.
3. Decyzje bez cudzych średnich. DataOrganizer trzyma historię wszystkich metryk razem, więc tablica norm, porównania r/r i anomalie względem własnego wzorca odświeżają się same, a pytanie „czy to dobrze?” dostaje odpowiedź z Twoich danych.
DataOrganizer · sklep porównany z własną normą
Podłącz źródła: zakresy norm, porównania rok do roku per kategoria i anomalie względem własnego wzorca policzą się z danych. Konto demo od ręki, płacisz tylko za podłączone źródła.