Tragtanalyse (funnel analysis) er metoden til at undersøge, hvordan brugere bevæger sig gennem en defineret rækkefølge af trin mod et specifikt mål, såsom et køb, en tilmelding eller et abonnement, for at identificere, hvor den største andel af brugerne mister interessen, før de gennemfører målet. En tragt visualiseres typisk som en række faser, f.eks. besøg på landingsside, produktvisning, læg i kurv, start af checkout og køb, hvor antallet eller procentdelen af brugere tilbage i hver fase vises, så den relative størrelse af frafaldet mellem to på hinanden følgende trin med det samme er synlig for enhver, der gennemgår rapporten, uden at skulle fortolke rå eventtabeller direkte eller køre en separat forespørgsel for hver fase. Tragte kan bygges som enten lukkede, hvor brugere skal gennemføre hvert trin i streng rækkefølge for at blive talt med, eller åbne, hvor brugere kan træde ind på ethvert punkt i sekvensen, og valget mellem de to ændrer væsentligt, hvordan de resulterende frafaldsprocenter bør fortolkes.
Metoden er vigtig, fordi den omformer en samlet konverteringsrate til et egentligt diagnoseværktøj. At vide, at et website konverterer med 2 procent samlet set, siger meget lidt om, hvad der konkret skal rettes, mens viden om, at 60 procent af brugerne falder fra netop mellem visning af fragtomkostninger og gennemførelse af betaling, giver et konkret, testbart mål for teamets næste sprint. Tragtanalyse er derfor den primære teknik til at gå fra at bemærke, at et konverteringsproblem findes, til at forstå præcis, hvor i brugerrejsen problemet opstår, hvilket er det nødvendige første skridt, før en design- eller indholdsændring med rimelighed kan prioriteres over en anden konkurrerende idé. At gennemgå den samme tragt over successive perioder afslører også, om en tidligere rettelse faktisk holdt, da et trin, der blev forbedret efter en release, stille kan forværres måneder senere, når ikke-relaterede ændringer udrulles andre steder på siden.
Tragte bygges og analyseres ofte med værktøjer som Google Analytics 4's funnel-udforskningsrapporter, Mixpanel eller Amplitude, som alle kræver, at hvert trin på forhånd er defineret som en sporet event, hvilket gør nøjagtig event tracking til en absolut forudsætning for pålidelig tragtanalyse af enhver art. Analytikere bygger typisk både en samlet tragt og flere segmenterede versioner, f.eks. ved at adskille tragte efter trafikkilde, enhedstype eller nye kontra tilbagevendende besøgende, fordi et trin, der ser ud til at performe tilfredsstillende samlet set, kan skjule et alvorligt problem for ét segment, såsom mobilbrugere, mens det fungerer helt fint for et andet, såsom desktopbrugere, der kommer fra brandet søgning med høj eksisterende købsintention.
En hyppig fejl er at definere tragttrin for bredt eller for løst koblet til den faktiske brugergrænseflade, f.eks. at behandle en hel checkout med mange felter som ét trin i stedet for at dele den op i leveringsoplysninger, betalingsoplysninger og ordregennemgang, hvilket skjuler netop det detaljerede frafaldspunkt, som analysen skulle afsløre. En anden almindelig fælde er at analysere en tragt udelukkende med lineær, sekventiel logik, når den reelle brugeradfærd ofte er ikke-lineær, hvor besøgende bevæger sig baglæns for at sammenligne produkter, åbner flere faner eller vender tilbage på tværs af flere sessioner og enheder, før de til sidst konverterer, mønstre som en streng trin-for-trin-tragtmodel kan fremstille ganske forkert, hvis de ikke bevidst tages højde for i den underliggende analyse- og rapporteringskonfiguration.
I CRO-rådgivning er tragtanalyse typisk andet trin i et forløb efter et audit af event tracking, og den fodrer direkte prioriteringen af, hvilket trin der skal testes først, generelt det trin med den højeste frafaldsrate i forhold til dets potentielle genvindelige værdi i omsætning. Konsulenter parrer ofte kvantitative tragtdata med kvalitativ research, såsom sessionsoptagelser af brugere, der faldt fra ved et bestemt trin, eller exit-surveys på siden, der spørger, hvorfor en besøgende valgte ikke at fortsætte, for at gå fra at identificere, hvor brugerne forlader, til at forstå, hvorfor de forlod, hvilket i sidste ende former en velrettet, evidensbaseret hypotese, der er værd at investere testressourcer i. At præsentere tragtresultater sammen med den estimerede omsætningsværdi af at lukke et givent hul, frem for kun selve frafaldsprocenten, gør også prioriteringssamtaler med ikke-tekniske interessenter betydeligt mere konkrete og overbevisende.
