Jeżeli sklep ma 10 000 koszyków i 3000 zamówień, łatwo powiedzieć, że „traci 70% klientów”. Tyle że to zła diagnoza. Część osób wrzuca produkt do koszyka tylko po to, żeby sprawdzić dostawę, porównać końcową cenę albo zachować produkt na później. Inni rezygnują dopiero wtedy, gdy zobaczą koszt przesyłki, nie znajdą BLIKA albo formularz na telefonie zgubi wpisane dane.

Dlatego usługa zmniejszająca liczbę porzuconych koszyków nie powinna zaczynać się od hasła „skrócimy checkout”. Najpierw trzeba ustalić, gdzie naprawdę odpadają klienci i jaka część tego odpływu jest możliwa do naprawienia.

To rozróżnienie ma znaczenie biznesowe. Baymard Institute, agregując wyniki 50 badań, podaje średni współczynnik porzuceń koszyka na poziomie około 70%. Jednocześnie w badaniu powodów rezygnacji 42% amerykańskich kupujących wskazało, że po prostu przeglądało ofertę albo nie było jeszcze gotowych do zakupu. Takiego użytkownika nie „naprawi” ani prostszy formularz, ani kod rabatowy wysłany po godzinie.

W praktyce trzeba więc rozdzielić trzy problemy: porzucenie koszyka, porzucenie rozpoczętego checkoutu oraz spadki na wcześniejszych etapach ścieżki zakupowej. Dopiero wtedy wiadomo, czy warto poprawiać finalizację zamówienia, czy problem leży wcześniej — na przykład w cenie produktu, kosztach dostawy, karcie produktu albo jakości ruchu z kampanii.

Najpierw ustal, gdzie ginie sprzedaż — porzucony koszyk to jeszcze nie diagnoza

Najprostszy błąd polega na policzeniu liczby koszyków i liczby zamówień, a następnie potraktowaniu różnicy jako utraconej sprzedaży.

Załóżmy:

• 10 000 użytkowników dodało produkt do koszyka,

• 6000 rozpoczęło checkout,

• 4800 podało dane dotyczące dostawy,

• 3100 przeszło do etapu płatności,

• 2800 zakończyło zakup.

Na poziomie całego koszyka współczynnik finalizacji wynosi:

2800 / 10 000 = 28%

czyli współczynnik porzuceń to 72%.

Taka liczba brzmi źle, ale nadal niewiele mówi. Znacznie ciekawsze jest to, co dzieje się pomiędzy kolejnymi etapami.

Największy sygnał ostrzegawczy nie pojawia się przy płatności. Widać go między wyborem dostawy a przejściem do płatności. To właśnie tam trzeba zacząć diagnozę.

Możliwych przyczyn jest kilka: koszt dostawy ujawniony zbyt późno, brak oczekiwanej formy odbioru, źle działający wybór punktu na telefonie, niejasny termin doręczenia albo błąd techniczny występujący tylko przy określonej kombinacji produktu i sposobu wysyłki. Na tym etapie nie wiadomo jeszcze, która odpowiedź jest prawidłowa. Wiadomo natomiast, gdzie szukać.

To zasadnicza różnica między audytem a zgadywaniem.

W Google Analytics 4 podstawę takiego lejka mogą tworzyć zdarzenia add_to_cart, begin_checkout, add_shipping_info, add_payment_info i purchase. Samo ich istnienie nie wystarcza. Przed analizą należy sprawdzić, czy uruchamiają się we właściwym momencie.

Zdarza się na przykład, że purchase rejestruje się drugi raz po odświeżeniu strony podziękowania. W innym sklepie begin_checkout odpala się już po wejściu do koszyka, mimo że użytkownik nie rozpoczął finalizacji zamówienia. Jeszcze gdzie indziej po zmianie silnika sklepu przestaje działać add_shipping_info i wykres wygląda tak, jakby klienci nagle przeskakiwali jeden etap.

Na błędnym pomiarze można zbudować bardzo przekonujący raport. Tyle że jego rekomendacje będą bezużyteczne.

Pierwszym elementem usługi powinien więc być audyt pomiaru, nie audyt kolorów przycisków.

Dopiero później warto dzielić wyniki na segmenty. Minimum to:

• mobile i desktop,

• użytkownicy nowi i powracający,

• źródła ruchu,

• kategorie produktów,

• wartość koszyka,

• wybrane formy dostawy,

• sposoby płatności,

• klient zalogowany i zakup jako gość, jeśli sklep umożliwia oba warianty.

Takie rozbicie potrafi całkowicie zmienić diagnozę. Średni checkout completion rate może wyglądać przyzwoicie, ale po podziale okazuje się, że na desktopie finalizuje zakup 65% osób rozpoczynających checkout, a na telefonach tylko 38%. Wtedy problem mobilny nie jest „jednym z kilku tematów do poprawy”. Jest kandydatem do pierwszego audytu.

W polskim sklepie osobno trzeba potraktować płatności. Raport „E-commerce w Polsce 2025” wskazywał, że 72% badanych kupujących online korzystało z BLIKA, 64% z szybkiego przelewu przez serwis płatności, taki jak PayU, Przelewy24 czy Tpay, a 43% z karty przy składaniu zamówienia. To nie znaczy, że każdy sklep musi mieć identyczny zestaw metod. Sklep sprzedający do firm będzie miał inny profil niż sklep z modą dla konsumenta. Brak BLIKA w typowym polskim B2C jest jednak problemem, który warto sprawdzić przed kosmetycznymi zmianami layoutu.

Podobnie jest z kosztami.

W polskich realiach przejrzystość ceny nie jest tylko kwestią UX. Bezpośrednio przed złożeniem płatnego zamówienia konsument powinien otrzymać w jasny sposób między innymi informację o łącznej cenie wraz z podatkami. Przycisk kończący zakup musi również jednoznacznie komunikować obowiązek zapłaty. „Kup teraz” czy „Zapłać teraz” spełniają tę funkcję. Nieprecyzyjne „Potwierdź” może być problemem.

Jeżeli sklep pokazuje darmową dostawę na karcie produktu, a w koszyku okazuje się, że obowiązuje ona dopiero od 299 zł, problemem nie jest tylko irytacja użytkownika. Klient dostał ważną informację za późno.

Właśnie takich miejsc powinien szukać audyt.

Nie zaczynałbym natomiast od popularnego zalecenia „zrób one-page checkout”. Jedna strona nie jest automatycznie prostsza. Jeżeli znajdzie się na niej kilkadziesiąt pól, lista paczkomatów, dane do faktury, zgody, kupon, metody płatności i kilka rozwijanych sekcji, użytkownik dostaje długą ścianę formularza zamiast prostego procesu. Dobrze zrobiony checkout dwu- lub trzyetapowy może działać lepiej.

Podobnie z zasadą „usuń jak najwięcej pól”. Należy usuwać pola niepotrzebne, a nie przypadkowe. Jeżeli sklep B2B potrzebuje NIP-u i danych firmy do prawidłowej realizacji zamówienia, wykasowanie ich dla poprawienia wyniku w checklistcie UX nie jest optymalizacją.

Trzeba również zwrócić uwagę na rzeczy mniej efektowne od redesignu, ale często bardziej bolesne:

• po błędzie płatności klient powinien móc łatwo ponowić transakcję,

• poprawnie wpisane pola nie powinny znikać po błędzie w jednym polu,

• koszyk nie powinien opróżniać się po powrocie z bramki płatniczej,

• kod rabatowy nie powinien resetować wybranej dostawy bez wyjaśnienia,

• klient powinien widzieć, dlaczego konkretna metoda dostawy stała się niedostępna,

• formularz na telefonie nie może chować ważnego przycisku pod klawiaturą,

• wybór punktu odbioru musi działać również na małym ekranie,

• błąd walidacji powinien mówić co poprawić, a nie tylko wyświetlać „nieprawidłowe dane”.

Prawdziwy checkout najczęściej psuje się właśnie na takich detalach. Nie na kolorze przycisku.

Dobra usługa nie sprzedaje 40 rekomendacji. Sprzedaje diagnozę, priorytety i kolejność działania

Najgorszy możliwy produkt to 70-stronicowy PDF zawierający dziesiątki uwag, z których każda ma status „ważne”.

Jeżeli wszystko jest priorytetem, nic nim nie jest.

Usługę ograniczania porzuconych koszyków lepiej potraktować jako audyt CRO procesu zakupowego, którego rezultatem jest uporządkowany backlog problemów i hipotez.

Pierwszy etap to onboarding. Przed rozpoczęciem analizy potrzebne są informacje, które pozwalają zrozumieć sklep:

• platforma i sposób działania checkoutu,

• główne kategorie produktów,

• udział ruchu mobilnego,

• wykorzystywane płatności,

• sposoby dostawy,

• istotne integracje,

• ostatnie zmiany techniczne,

• znane problemy,

• sezonowość,

• najważniejsze źródła ruchu,

• dostęp do danych analitycznych i — jeśli są zbierane — nagrań sesji.

Pytanie „jaki macie abandonment rate?” nie wystarczy. Lepiej zapytać: od kiedy jest problem, na jakich urządzeniach występuje i czy wynik zmienił się po konkretnym wdrożeniu.

Jeżeli sprzedaż spadła dzień po migracji checkoutu, nie zaczynałbym od badań preferencji użytkowników. Najpierw sprawdziłbym błędy techniczne, analitykę, płatności i zachowanie procesu na najpopularniejszych urządzeniach.

Drugi etap to kontrola danych. Trzeba sprawdzić lejek i wyłapać anomalie. Warto porównać dane z GA4 z liczbą zamówień w systemie sklepu lub ERP. Jeżeli Analytics pokazuje 3250 zakupów, a sklep ma 2780 faktycznych zamówień, najpierw trzeba wyjaśnić różnicę. Optymalizowanie konwersji na podstawie takiego zbioru jest ryzykowne.

Trzeci etap to analiza ilościowa.

Nie interesuje nas tylko odpowiedź „ile osób odpada?”. Interesują nas pytania:

• gdzie odpadają,

• z jakich urządzeń,

• z jakiego ruchu,

• przy jakich koszykach,

• przy jakiej dostawie,

• przy jakiej płatności,

• czy problem dotyczy wszystkich, czy konkretnej grupy.

Jeżeli 80% błędów płatności pochodzi z jednego sposobu płatności, nie trzeba przebudowywać całego checkoutu. Najpierw należy naprawić ten jeden kanał.

Czwarty etap to analiza jakościowa. Tutaj zaczyna się poszukiwanie odpowiedzi „dlaczego”.

Pomagają nagrania sesji, mapy kliknięć, zachowanie formularzy, zgłoszenia do obsługi klienta i własne przejście pełnej ścieżki na różnych urządzeniach. Przydatne są narzędzia takie jak Microsoft Clarity czy Hotjar, ale samo zainstalowanie narzędzia niczego nie rozwiązuje.

Oglądanie losowych stu nagrań też nie jest dobrą metodą.

Najpierw trzeba zawęzić problem. Jeżeli dane pokazują anomalię na smartfonach przy wyborze dostawy, wtedy analizuje się właśnie te sesje, a nie użytkowników przeglądających kategorię na desktopie.

Każdy znaleziony problem warto opisać według jednego schematu:

Obserwacja: użytkownicy mobilni znacznie częściej odpadają przy wyborze dostawy.

Dowód: na tym etapie mobile ma dwukrotnie większy spadek niż desktop, a na nagraniach użytkownicy wielokrotnie próbują otworzyć mapę punktów odbioru.

Hipoteza: interfejs wyboru punktu odbioru utrudnia kontynuowanie zakupu na małym ekranie.

Zmiana: poprawić sposób otwierania i zatwierdzania punktu, przetestować najpopularniejsze rozdzielczości oraz rzeczywiste urządzenia.

KPI: przejście z etapu dostawy do etapu płatności na mobile.

Dopiero taki zapis nadaje się do wdrożenia.

Nie wystarczy rekomendacja „popraw UX wyboru dostawy”.

Kolejny krok to priorytetyzacja. Prosty model może uwzględniać pięć kryteriów:

1. Skala — ilu użytkowników dotyczy problem.

2. Wpływ — jak blisko zakupu problem występuje i jak duży może mieć efekt.

3. Pewność — jak mocne są dowody.

4. Koszt wdrożenia — ile pracy wymaga zmiana.

5. Ryzyko — co można popsuć przy jej wprowadzaniu.

Jeżeli problem A dotyczy 55% osób rozpoczynających checkout, jest dobrze udokumentowany i developer może poprawić go w kilka godzin, powinien trafić wyżej niż redesign sekcji, której używa 3% klientów.

Przy okazji warto odrzucić kilka popularnych „pewniaków”.

„Wyślij kod rabatowy po porzuceniu koszyka.”
To czasem działa, ale potrafi też nauczyć klientów celowego porzucania zakupów. Jeżeli sklep ma marżę 20%, rozdawanie 10-procentowego rabatu nie jest neutralnym sposobem zwiększania konwersji. Najpierw trzeba ustalić, czy problemem jest cena, checkout czy zwykły brak gotowości do zakupu.

„Usuń rejestrację.”
Jeżeli konto jest obowiązkowe tylko dlatego, że tak skonfigurowano sklep kilka lat temu, zakup jako gość jest mocnym kandydatem do wdrożenia. Jeśli jednak sklep działa w modelu wymagającym konta z powodów związanych z usługą, trzeba zaprojektować prostsze zakładanie konta, a nie udawać, że wymaganie nie istnieje.

„Dodaj więcej metod płatności.”
Nie chodzi o kolekcjonowanie logotypów. Trzeba mieć metody istotne dla klientów sklepu i sprawdzić, czy rzeczywiście działają. Dziesięć opcji płatności nie pomoże, jeżeli najczęściej wybierany BLIK zwraca część klientów do pustego koszyka po błędzie.

„Skróć checkout.”
Najważniejsza jest nie liczba ekranów, lecz ilość pracy i niepewności po stronie klienta. Dwa czytelne kroki mogą być łatwiejsze od jednego przeładowanego widoku.

W tym miejscu usługa powinna już dawać klientowi coś namacalnego. Nie „kompleksowy raport”, lecz konkretny zestaw:

• mapę lejka zakupowego,

• listę znalezionych problemów,

• dane lub obserwacje potwierdzające każdy problem,

• wskazanie segmentów, których dotyczy,

• rekomendację zmiany,

• priorytet,

• orientacyjną trudność wdrożenia,

• KPI do sprawdzenia po wdrożeniu,

• backlog hipotez do kolejnych testów.

Przykładowy wpis w backlogu może wyglądać tak:

To jest produkt, z którym developer i właściciel sklepu mogą pracować następnego dnia.

Da się go również sensownie wycenić.

Publiczne polskie cenniki z 2026 roku pokazują bardzo szeroki rozrzut. Szybkie audyty małych e-commerce można znaleźć w okolicach 1000–2500 zł netto, bardziej rozbudowane analizy sklepu z GA4, nagraniami sesji i backlogiem rekomendacji często wchodzą w zakres około 4000–9000 zł, a rozbudowane projekty dla większego e-commerce mogą przekraczać 10 000–12 000 zł.

Nie traktowałbym tych kwot jak taryfikatora. Ważniejszy jest zakres.

Za 1500 zł można uczciwie sprzedać analizę jednego checkoutu na mobile i desktopie z kilkoma scenariuszami. Nie należy za tę cenę obiecywać badań użytkowników, głębokiej analityki, projektu nowych ekranów, konfiguracji pomiaru, testów A/B, wdrożenia i miesięcznej kontroli wyników.

Rozsądne są trzy produkty:

1. Audyt punktowy
Dla sklepu, który ma konkretny problem, na przykład silny spadek między dostawą a płatnością. Zakres jest wąski, raport krótki, a klient otrzymuje kilka priorytetowych zmian.

2. Pełny audyt procesu zakupowego
Obejmuje pomiar, lejek, segmentację, analizę jakościową, checkout na mobile i desktopie oraz backlog zmian.

3. Audyt + wdrożenia + dalsza optymalizacja CRO
Po diagnozie zespół wdraża zmiany, mierzy efekt i przechodzi do następnych hipotez. To nie jest już jednorazowy PDF, tylko proces.

Ten trzeci wariant ma największy potencjał biznesowy, ale wymaga najwięcej odpowiedzialności. Nie można obiecać klientowi „zwiększymy konwersję o 30%”. Bez danych nie wiadomo, czy problem w ogóle leży w checkoutcie.

Zmiany trzeba mierzyć — inaczej poprawiony checkout może tylko lepiej wyglądać

Wróćmy do przykładowego sklepu.

Przed zmianą:

• 10 000 koszyków,

• 6000 rozpoczętych checkoutów,

• 4800 przejść przez dostawę,

• 3100 przejść do płatności,

• 2800 zakupów.

Załóżmy, że po poprawieniu etapu dostawy liczba osób przechodzących dalej rośnie z 3100 do 3400, a zakup kończy 3050 klientów.

Jeżeli ruch, oferta i struktura użytkowników pozostają porównywalne, jest to mocny sygnał poprawy. Nadal nie wolno jednak automatycznie powiedzieć: „nasza zmiana wygenerowała 250 dodatkowych zamówień”.

W tym samym czasie mogła rozpocząć się kampania promocyjna, zmienić się cena, wejść sezon zakupowy albo poprawić jakość ruchu. Porównanie „przed i po” pokazuje różnicę, ale nie zawsze dowodzi przyczyny.

Przy odpowiedniej liczbie transakcji lepszym rozwiązaniem jest kontrolowany test A/B, w którym część użytkowników widzi stary wariant, a część nowy. Trzeba przy tym wcześniej określić główny wskaźnik, minimalny oczekiwany efekt i warunki zakończenia testu. Kończenie eksperymentu po dwóch dniach dlatego, że jedna wersja chwilowo „wygrywa”, to proszenie się o fałszywy wniosek.

Mały sklep może nie mieć ruchu wystarczającego do szybkiego testowania A/B. Wtedy nie należy udawać, że problem nie istnieje. Trzeba po prostu ostrożniej interpretować dane: obserwować dłuższy okres, kontrolować sezonowość, porównywać segmenty i łączyć dane ilościowe z jakościowymi.

Wynik biznesowy również trzeba liczyć szerzej niż sam conversion rate.

Jeżeli sklep przed zmianą miał 2800 zamówień, po zmianie 3050, a średnia wartość zamówienia wynosi 250 zł, różnica w wartości zamówień to:

250 dodatkowych zamówień × 250 zł = 62 500 zł

To nadal wartość sprzedaży, a nie dodatkowy zysk.

Jeżeli sklep ma niską marżę albo poprawa została uzyskana agresywnym rabatem, wzrost obrotu może wyglądać świetnie w prezentacji, a znacznie gorzej w wyniku finansowym.

Dlatego przy większych projektach warto obserwować nie tylko:

• cart abandonment rate,

• checkout abandonment rate,

• checkout completion rate,

• konwersję zakupową,

• przejścia między etapami,

ale również:

• przychód na sesję,

• średnią wartość zamówienia,

• udział rabatów,

• odsetek nieudanych płatności,

• anulacje,

• zwroty, jeśli zmiana może wpływać na jakość zakupów,

• wyniki mobile i desktopu osobno.

Jest też moment, w którym takiej usługi nie powinno się sprzedawać jako rozwiązania głównego problemu.

Jeżeli sklep ma kilkanaście transakcji miesięcznie, diagnoza oparta na mikroskopijnym lejku będzie słaba. Można wykonać audyt ekspercki procesu, ale obietnica precyzyjnej optymalizacji na podstawie zachowania użytkowników będzie przesadzona.

Jeżeli analityka jest uszkodzona, najpierw naprawiamy pomiar.

Jeżeli ruch z reklamy jest przypadkowy i użytkownicy trafiają na produkt, którego nie szukali, poprawienie checkoutu nie naprawi jakości kampanii.

Jeżeli produkt kosztuje 300 zł, konkurenci sprzedają identyczny za 199 zł, a sklep nie oferuje niczego w zamian, problem może być w ofercie, nie w formularzu.

Jeżeli produkt jest regularnie niedostępny, nie pomoże najlepszy przycisk „Kup teraz”.

Jeżeli po wdrożeniu nowego sklepu płatności zaczęły zwracać błędy, nie trzeba rozpoczynać trzymiesięcznego programu CRO. Trzeba znaleźć i naprawić błąd.

To jest jedna z rzeczy, która odróżnia dobrą usługę od sprzedaży audytu za wszelką cenę: czasem właściwa rekomendacja brzmi „nie potrzebujecie teraz przebudowy checkoutu”.

Dobrym produktem dla wykonawcy nie jest więc „usługa odzyskiwania 70% porzuconych koszyków”. Tego nie da się obiecać. Lepsza propozycja brzmi: diagnozujemy, jaka część odpływu wynika z problemów w procesie zakupowym, ustalamy kolejność napraw i mierzymy ich efekt.

To mniej efektowne hasło. Za to da się je obronić.

FAQ

Jaki współczynnik porzuconych koszyków jest dobry?
Nie istnieje jedna granica, po której można powiedzieć, że checkout jest dobry lub zły. Benchmark oscylujący wokół 70% pokazuje skalę zjawiska w e-commerce, ale porównanie ma sens dopiero z uwzględnieniem branży, ceny produktów, źródła ruchu, urządzenia i etapu ścieżki. Ważniejszy od samego cart abandonment rate bywa współczynnik finalizacji rozpoczętego checkoutu.

Czym porzucony koszyk różni się od porzuconego checkoutu?
Przy porzuconym koszyku użytkownik dodał produkt, ale nie kupił. Przy porzuconym checkoutcie faktycznie rozpoczął proces finalizacji zamówienia i zrezygnował później. Drugi wskaźnik jest znacznie bardziej użyteczny przy ocenie samego formularza, dostawy i płatności.

Czy 70% porzuconych koszyków oznacza, że sklep traci 70% możliwej sprzedaży?
Nie. Część osób porównuje ceny, zapisuje produkty na później albo nie planuje jeszcze zakupów. Zadaniem audytu jest oddzielenie naturalnych porzuceń od problemów, które sklep rzeczywiście może ograniczyć.

Co sprawdzić, jeżeli dużo klientów odpada przy dostawie?
Najpierw podziel wyniki na mobile i desktop oraz poszczególne metody dostawy. Następnie sprawdź koszt, termin doręczenia, próg darmowej wysyłki, działanie wyboru punktu odbioru oraz błędy techniczne. Jeżeli problem występuje głównie na telefonach, zacznij od mobilnej wersji tego etapu.

Czy one-page checkout zawsze zwiększa konwersję?
Nie. Jedna strona może być prostsza, ale może też zmienić checkout w długi formularz z kilkudziesięcioma elementami. Liczy się ilość pracy wymaganej od klienta, jasność kolejnych decyzji i liczba niepotrzebnych pól, a nie sama liczba ekranów.

Czy sklep powinien umożliwiać zakup bez rejestracji?
W typowym B2C obowiązkowe tworzenie konta jest dodatkowym tarciem i warto sprawdzić możliwość zakupu jako gość. Jeżeli konto jest niezbędne ze względu na charakter usługi, rozwiązaniem jest uproszczenie jego zakładania, a nie sztuczne ukrywanie tego wymogu.

Czy warto odzyskiwać koszyki rabatem?
Taką akcję trzeba liczyć na marży, nie tylko na liczbie odzyskanych zamówień. Jeżeli klienci szybko uczą się, że porzucenie koszyka prowadzi do kodu -10%, sklep może zwiększyć konwersję, a jednocześnie obniżyć rentowność. Rabat powinien być narzędziem testowanym świadomie, nie domyślną reakcją na każde porzucenie.

Jak długo mierzyć wyniki po zmianie checkoutu?
Nie ma uniwersalnej liczby dni. Sklep z tysiącami transakcji dziennie zbierze użyteczną próbę znacznie szybciej niż mały e-commerce z kilkoma zamówieniami dziennie. Nie należy jednak wyciągać wniosków z jednego lub dwóch nietypowych dni. Trzeba uwzględnić pełne cykle tygodniowe, sezonowość, kampanie i liczbę transakcji.

Ile kosztuje audyt checkoutu?
W publicznych polskich cennikach w 2026 roku proste analizy zaczynają się w okolicach 1000–2500 zł netto. Rozbudowany audyt e-commerce z analizą danych, mobile, nagraniami sesji i backlogiem zmian często wchodzi w przedział około 4000–9000 zł, a większe projekty mogą przekroczyć 10 000–12 000 zł. Ważniejszy od samej ceny jest zakres: za tani audyt obejmujący „wszystko” zwykle kończy się listą ogólników.

Czy można zagwarantować określony wzrost konwersji?
Nie przed diagnozą i testem. Można znaleźć problemy, zbudować hipotezy, ograniczyć tarcie i zwiększyć prawdopodobieństwo poprawy. Gwarantowanie np. 20% wzrostu przed zobaczeniem danych oznacza sprzedawanie wyniku, którego wykonawca nie jest jeszcze w stanie uzasadnić.

Jeżeli masz zrobić tylko jedną rzecz, nie zaczynaj od redesignu checkoutu ani od maili z rabatem. Zbuduj lejek od add_to_cart do purchase, sprawdź poprawność pomiaru i znajdź etap z największym odpływem osobno dla mobile i desktopu. Dopiero problem widoczny w danych powinien dostać pierwszeństwo do naprawy.

Dodatkowe informacje na: https://hd-biznes.com/blog.