Poistumisprosentti

Keskeytysprosentti on niiden käyttäjien prosenttiosuus, jotka hylkäävät määritellyn prosessin, kuten kassaprosessin, rekisteröitymislomakkeen tai monivaiheisen hakemuksen, ennen sen suorittamista. Se lasketaan tyypillisesti jokaisessa sekvenssin vaiheessa, ja se osoittaa, kuinka suuri osa kyseiseen vaiheeseen päässeistä käyttäjistä ei jatkanut seuraavaan. Tämä erottaa sen yksinkertaisesta poistumisprosentista, joka mittaa vain yhden sivun poistumisia ilman minkäänlaista järjestyksen tai edistymisen tunnetta. Esimerkiksi jos 1 000 käyttäjää aloittaa kolmivaiheisen kassaprosessin ja 700 saavuttaa vaiheen kaksi, vaiheiden yksi ja kaksi välinen keskeytysprosentti on 30 prosenttia. Tämä luku kertoo tiimille välittömästi, missä prosessin vaiheessa huomiota tarvitaan kiireellisemmin, eikä vain missä prosessi tuntuu hitaalta. Keskeytysprosentti voidaan ilmaista myös käänteislukuna, vaihe vaiheelta -suoritusprosenttina, ja molemmat kehykset näytetään tyypillisesti rinnakkain raporteissa, jotta suppiloa tarkastelevat sidosryhmät voivat heti nähdä sekä kuinka paljon säilyi että kuinka paljon menetettiin kussakin siirtymässä.

Tämä mittari on tärkeä, koska se osoittaa tarkasti, missä prosessi menettää ihmisiä, sen sijaan, että se raportoisi vain koko suppilon yhteenlasketun konversioprosentin. Kassa, jonka kokonaiskonversioprosentti on 40 prosenttia, saattaa menettää suurimman osan potentiaalisista asiakkaistaan ​​yhden kitkakohdan, kuten odottamattoman myöhässä paljastuvan toimituskulun, pakollisen tilinluontivaiheen tai hämmentävän maksulomakekentän, vuoksi. Vaihekohtainen keskeytysten analysointi tekee juuri tästä tietystä asiasta näkyvän sen sijaan, että se hautautuisi yhden yhdistetyn luvun sisään. Ilman tätä tarkkuutta tiimit usein käsittelevät kokemuksen väärää osaa hiomalla vaiheita, jotka eivät koskaan olleet varsinainen ongelma, kun taas todellinen pullonkaula pysyy koskemattomana kuukausien, joskus jopa kokonaisten tilikausien, ajan.

Poistumisastetta seurataan yleensä tapahtumapohjaisilla analytiikkatyökaluilla, kuten Google Analytics 4:n suppilotutkimusraporteilla, Mixpanelilla tai Amplitudella. Nämä edellyttävät, että jokainen virtauksen vaihe instrumentoidaan erilliseksi tapahtumaksi tai sivulataukseksi, jotta työkalu voi laskea vaiheittaisen asiakaspysyvyyden tarkasti. Istuntojen tallennustyökaluja käytetään yleisesti näiden kvantitatiivisten raporttien rinnalla seuraamaan käyttäjien todellisia istuntoja, jotka ovat poistuneet, paljastaen laadullisia syitä, kuten rikkinäisen lomakekentän, hämmentävän virheilmoituksen tai hitaasti latautuvan sivun, joita pelkät raakaluvut eivät pysty selittämään riippumatta siitä, kuinka yksityiskohtaista raportointi on. Analyytikot etsivät tyypillisesti yli 20–25 prosentin vaiheittaisia ​​​​poistumisia signaalina, joka edellyttää tarkempaa tutkimusta, vaikka hyväksyttävät kynnysarvot vaihtelevat merkittävästi toimialan, hintatason ja mitattavan virtauksen luontaisen monimutkaisuuden mukaan, ja harkitut ostokset luonnollisesti sietävät jonkin verran korkeampaa hylkäystä kuin halvat, impulssitapahtumat.

Yleinen virhe on pitää poistumisastetta luonnostaan ​​huonona asiana ja pyrkiä poistamaan se kokonaan. Jonkin verran poistumista joka vaiheessa on normaalia ja odotettavissa, koska jokainen virran aloittava kävijä ei ole pätevä tai aidosti ostovalmis sillä hetkellä. Toinen sudenkuoppa on poistumisen analysointi erillään liikenteen laadusta, koska äkillinen poistumisen piikki voi heijastaa kävijärakenteen muutosta, kuten uutta mainoskampanjaa, joka tuo vähemmän pätevää liikennettä, sen sijaan, että kyseessä olisi todellinen uusi ongelma itse virrassa. Vieraiden poistumisen segmentointi liikenteen lähteen, laitetyypin ja uusien ja palaavien kävijöiden tilan mukaan on välttämätöntä, jotta vältetään väärien johtopäätösten tekeminen ja sellaisen ongelman korjaaminen, jota ei todellisuudessa ole taustalla olevassa kokemuksessa. Vieraiden poistumisen vertaaminen tietyn ajanjakson aikana, esimerkiksi viikolta toiselle yhden päivän sijaan, auttaa myös erottamaan aidon regression tavallisesta päivittäisestä kohinasta pienemmässä tietojoukossa.

In CRO Työssä keskeytymisasteen analyysi on yleensä lähtökohta priorisoitaessa, mitä suppilon osaa testataan ensin, koska vaihe, jossa on suurin pudotus suhteessa sen liikennemäärään, edustaa tyypillisesti suurinta potentiaalista tulomahdollisuutta, joka on mahdollista palauttaa. Konsultit käyttävät sitä rakentaakseen listan kitkakohdista, validoidakseen epäillyt syyt käyttäjätestauksen tai istuntotallenteiden avulla ja suunnitellakseen sitten kohdennettuja kokeita, kuten lomakkeen yksinkertaistaminen, hinnoittelun selventäminen aiemmin tai luottamussignaalien lisääminen maksukentän lähelle, joiden tarkoituksena on erityisesti vähentää hylkäyksiä kyseisessä vaiheessa sen sijaan, että tehtäisiin laajoja, epätarkkoja muutoksia koko kokemukseen ilman selkeää teoriaa siitä, mikä vaikuttaa lukuun.