Suppiloanalyysi

Suppiloanalyysi on menetelmä, jolla tutkitaan, miten käyttäjät liikkuvat määritellyn vaihesarjan läpi kohti tiettyä tavoitetta, kuten ostoa, rekisteröitymistä tai tilausta, jotta voidaan tunnistaa, missä suurin osa käyttäjistä lopettaa ennen tavoitteen saavuttamista. Suppilo visualisoidaan tyypillisesti sarjana vaiheita, kuten aloitussivun vierailu, tuotteen katselu, ostoskoriin lisääminen, kassalle siirtyminen ja ostos. Kussakin vaiheessa jäljellä olevien käyttäjien lukumäärä tai prosenttiosuus näytetään siten, että kahden peräkkäisen vaiheen välinen pudotuksen suhteellinen koko on välittömästi näkyvissä kaikille raporttia tarkasteleville ilman, että raakatietoja tarvitsee tulkita suoraan tai suorittaa erillistä kyselyä jokaiselle vaiheelle. Suppilot voidaan rakentaa joko suljettuina, jolloin käyttäjien on suoritettava jokainen vaihe tiukassa järjestyksessä, jotta ne lasketaan, tai avoimina, jolloin käyttäjät voivat siirtyä mihin tahansa kohtaan sarjaa, ja valinta näiden kahden välillä muuttaa olennaisesti sitä, miten tuloksena olevia pudotusprosentteja tulisi tulkita.

Tämä menetelmä on tärkeä, koska se muuttaa yhden aggregoidun konversioasteen todelliseksi diagnostiikkatyökaluksi. Tieto siitä, että verkkosivuston kokonaiskonversioprosentti on 2 prosenttia, kertoo hyvin vähän siitä, mitä erityisesti pitäisi korjata, kun taas tieto siitä, että 60 prosenttia käyttäjistä keskeyttää sivuston juuri toimituskulujen näkemisen ja maksun suorittamisen välillä, antaa konkreettisen ja testattavan tavoitteen tiimin seuraavalle sprintille. Suppiloanalyysi on siksi ensisijainen tekniikka, jota käytetään siirtymään konversio-ongelman havaitsemisesta sen ymmärtämiseen, missä kohtaa käyttäjäpolkua ongelma todellisuudessa on peräisin. Tämä on välttämätön ensimmäinen askel ennen kuin mitään suunnittelu- tai sisältömuutosta voidaan kohtuudella priorisoida toiseen kilpailevaan ideaan nähden. Saman suppilon tarkastelu peräkkäisinä ajanjaksoina paljastaa myös, pitikö aiempi korjaus todella paikkansa, koska yhden julkaisun jälkeen parantunut vaihe voi hiljaa taantua kuukausia myöhemmin, kun sivun muualle tehdään asiaankuulumattomia muutoksia.

Suppiloita rakennetaan ja analysoidaan yleensä työkaluilla, kuten Google Analytics 4:n suppilokartoitusraporteilla, Mixpanelilla tai Amplitudella. Kaikki nämä edellyttävät, että jokainen vaihe määritellään etukäteen seurattavaksi tapahtumaksi, mikä tekee tarkasta tapahtumien seurannasta ehdottoman edellytyksen luotettavalle suppiloanalyysille. Analyytikot rakentavat tyypillisesti sekä kokonaissuppilon että useita segmentoituja versioita, esimerkiksi erottamalla suppilot liikenteen lähteen, laitetyypin tai uusien ja palaavien kävijöiden mukaan, koska vaihe, joka näyttää toimivan kokonaisuudessaan riittävän hyvin, voi peittää vakavan ongelman yhdelle segmentille, kuten mobiilikäyttäjille, vaikka se toimii täydellisesti toiselle segmentille, kuten brändätyn haun kautta saapuville tietokonekäyttäjille, joilla on vahva ostoaike.

Yleinen virhe on suppilon vaiheiden liian laaja määrittely tai liian löyhästi varsinaiseen käyttöliittymään kytkeytyminen. Esimerkiksi koko monikenttäinen kassaprosessi käsitellään yhtenä vaiheena sen sijaan, että se jaettaisiin toimitustietoihin, maksutietoihin ja tilauksen tarkistukseen. Tämä piilottaa juuri sen yksityiskohtaisen poistumispisteen, joka analyysin oli tarkoitus paljastaa. Toinen yleinen sudenkuoppa on suppilon analysointi käyttämällä vain lineaarista, peräkkäistä logiikkaa, kun todellinen käyttäjäkäyttäytyminen on usein epälineaarista, jolloin kävijät liikkuvat taaksepäin vertaillakseen tuotteita, avaavat useita välilehtiä tai palaavat useiden istuntojen ja laitteiden kautta ennen lopullista konversiota. Nämä mallit voivat vääristää huomattavasti tätä tiukkaa vaiheittaista suppilomallia, jos sitä ei tarkoituksella oteta huomioon taustalla olevassa analyysi- ja raportointikokoonpanossa.

In CRO Konsultoinnissa suppiloanalyysi on tyypillisesti toimeksiannon toinen vaihe tapahtumien seurantatarkastuksen jälkeen, ja se ohjaa suoraan testattavan vaiheen priorisointia. Yleensä kyseessä on vaihe, jossa poistumisprosentti on korkein suhteessa sen potentiaaliseen kerrytettävissä olevaan tuottoarvoon. Konsultit yhdistävät usein kvantitatiivista suppilodataa kvalitatiiviseen tutkimukseen, kuten istuntotallenteisiin käyttäjistä, jotka keskeytyivät tietyssä vaiheessa, tai sivun sisäisiin poistumiskyselyihin, joissa kysytään, miksi kävijä päätti olla jatkamatta, siirtyäkseen käyttäjien poistumispaikan tunnistamisesta siihen, miksi he lähtivät. Tämä lopulta muodostaa hyvin kohdennetun, näyttöön perustuvan hypoteesin, johon kannattaa investoida testausresursseja. Suppilotulosten esittäminen tietyn kuilun sulkemisen arvioidun tuottoarvon rinnalla pelkän prosentuaalisen poistumisen sijaan tekee myös ei-teknisten sidosryhmien kanssa käytävistä priorisointikeskusteluista huomattavasti konkreettisempia ja vakuuttavampia.