फ़नल एनालिसिस वह तरीका है जिसमें यह जाँचा जाता है कि यूज़र किसी विशिष्ट लक्ष्य, जैसे खरीदारी, साइनअप या सब्सक्रिप्शन, की ओर चरणों के एक तय अनुक्रम में कैसे आगे बढ़ते हैं, ताकि पहचाना जा सके कि उस लक्ष्य को पूरा करने से पहले सबसे बड़ा अनुपात कहाँ अलग हो जाता है। फ़नल को आम तौर पर चरणों की एक शृंखला के रूप में विज़ुअलाइज़ किया जाता है, उदाहरण के लिए लैंडिंग पेज विज़िट, प्रोडक्ट व्यू, ऐड टू कार्ट, चेकआउट शुरू करना और खरीदारी, जिसमें हर चरण पर बचे यूज़रों की संख्या या प्रतिशत दिखाया जाता है, ताकि रिपोर्ट देखने वाले किसी भी व्यक्ति को किन्हीं दो क्रमिक चरणों के बीच ड्रॉप-ऑफ़ का सापेक्ष आकार तुरंत दिख जाए, कच्ची इवेंट टेबल की सीधी व्याख्या किए या हर चरण के लिए अलग क्वेरी चलाए बिना। फ़नल या तो बंद बनाए जा सकते हैं, जिनमें गिने जाने के लिए यूज़रों को हर चरण सख्त क्रम में पूरा करना ज़रूरी होता है, या खुले, जिनमें यूज़र अनुक्रम में किसी भी बिंदु से प्रवेश कर सकते हैं, और दोनों में से चुनाव इस बात को भौतिक रूप से बदल देता है कि परिणामी ड्रॉप-ऑफ़ प्रतिशत की व्याख्या कैसे की जानी चाहिए।
यह पद्धति इसलिए मायने रखती है क्योंकि यह एक अकेले समग्र कन्वर्ज़न रेट को वास्तविक नैदानिक उपकरण में बदल देती है। यह जानना कि कोई वेबसाइट कुल मिलाकर 2 प्रतिशत पर कन्वर्ट करती है, इस बारे में बहुत कम बताता है कि विशेष रूप से क्या ठीक करना है, जबकि यह जानना कि 60 प्रतिशत यूज़र ठीक शिपिंग लागत देखने और भुगतान पूरा करने के बीच छोड़ देते हैं, टीम के अगले स्प्रिंट के लिए ठोस, परीक्षण योग्य लक्ष्य देता है। इसलिए फ़नल एनालिसिस वह प्राथमिक तकनीक है जिसके ज़रिए यह नोटिस करने से कि कन्वर्ज़न की समस्या मौजूद है, यह ठीक-ठीक समझने तक पहुँचा जाता है कि वह समस्या यूज़र यात्रा में वास्तव में कहाँ से उत्पन्न होती है, जो किसी भी डिज़ाइन या सामग्री बदलाव को किसी प्रतिस्पर्धी विचार पर उचित रूप से प्राथमिकता देने से पहले आवश्यक पहला कदम है। लगातार अवधियों में वही फ़नल देखना यह भी बताता है कि पिछला सुधार वास्तव में टिका या नहीं, क्योंकि जो चरण किसी एक रिलीज़ के बाद सुधरा था, वह महीनों बाद चुपचाप बिगड़ सकता है जब पेज पर कहीं और असंबद्ध बदलाव लागू किए जाते हैं।
फ़नल आम तौर पर Google Analytics 4 की फ़नल एक्सप्लोरेशन रिपोर्ट, Mixpanel या Amplitude जैसे टूल से बनाए और विश्लेषित किए जाते हैं, जिनमें से सभी के लिए हर चरण का पहले से ट्रैक किए गए इवेंट के रूप में परिभाषित होना ज़रूरी है, जो सटीक इवेंट ट्रैकिंग को किसी भी प्रकार के भरोसेमंद फ़नल एनालिसिस की अपरिहार्य पूर्वशर्त बनाता है। विश्लेषक आम तौर पर एक समग्र फ़नल और कई सेगमेंट वाले संस्करण, दोनों बनाते हैं, उदाहरण के लिए फ़नल को ट्रैफ़िक स्रोत, डिवाइस प्रकार या नए बनाम लौटने वाले विज़िटर के आधार पर अलग करना, क्योंकि जो चरण समग्र रूप से पर्याप्त प्रदर्शन करता दिखता है, वह एक सेगमेंट, जैसे मोबाइल यूज़र, के लिए गंभीर समस्या को छिपा सकता है, जबकि दूसरे सेगमेंट, जैसे ब्रांडेड सर्च से आने वाले और खरीदने का ऊँचा मौजूदा इरादा रखने वाले डेस्कटॉप यूज़र, के लिए बिल्कुल ठीक प्रदर्शन कर रहा होता है।
एक आम त्रुटि है फ़नल चरणों को बहुत व्यापक या वास्तविक यूज़र इंटरफ़ेस से बहुत ढीले ढंग से जुड़ा परिभाषित करना, उदाहरण के लिए पूरे बहु-फ़ील्ड चेकआउट को एक चरण मानना, उसे शिपिंग जानकारी, भुगतान जानकारी और ऑर्डर समीक्षा में बाँटने के बजाय, जो ठीक उसी बारीक ड्रॉप-ऑफ़ बिंदु को छिपा देता है जिसे उजागर करना ही विश्लेषण का उद्देश्य था। एक और आम जोखिम है फ़नल का विश्लेषण केवल रैखिक, क्रमिक तर्क से करना, जबकि वास्तविक यूज़र व्यवहार अक्सर अरैखिक होता है, जिसमें विज़िटर प्रोडक्ट की तुलना के लिए पीछे जाते हैं, कई टैब खोलते हैं, या अंततः कन्वर्ट होने से पहले कई सेशनों और डिवाइसों में लौटते हैं, ऐसे पैटर्न जिन्हें सख्त चरण-दर-चरण फ़नल मॉडल गंभीर रूप से गलत दर्शा सकता है, यदि अंतर्निहित विश्लेषण और रिपोर्टिंग कॉन्फ़िगरेशन में उन्हें जानबूझकर ध्यान में न रखा जाए।
CRO कंसल्टिंग में, फ़नल एनालिसिस आम तौर पर इवेंट ट्रैकिंग ऑडिट के बाद एंगेजमेंट का दूसरा चरण होता है, और यह सीधे इस प्राथमिकता को तय करता है कि पहले किस चरण का परीक्षण करना है, आम तौर पर वह चरण जिसका ड्रॉप-ऑफ़ रेट राजस्व के संदर्भ में उसके संभावित वसूली योग्य मूल्य के सापेक्ष सबसे ऊँचा हो। कंसल्टेंट अक्सर मात्रात्मक फ़नल डेटा को गुणात्मक रिसर्च के साथ जोड़ते हैं, जैसे किसी विशिष्ट चरण पर छोड़ने वाले यूज़रों की सेशन रिकॉर्डिंग या ऑन-पेज एग्ज़िट सर्वे जो पूछते हैं कि विज़िटर ने आगे न बढ़ने का फ़ैसला क्यों किया, ताकि यह पहचानने से कि यूज़र कहाँ छोड़ते हैं, यह समझने तक पहुँचा जा सके कि उन्होंने क्यों छोड़ा, जो अंततः उस सुगठित, प्रमाण-समर्थित परिकल्पना को आकार देता है जिसमें टेस्टिंग संसाधन लगाना सार्थक है। फ़नल निष्कर्षों को केवल प्रतिशत ड्रॉप-ऑफ़ के साथ ही नहीं, बल्कि किसी दिए गए अंतर को पाटने के अनुमानित राजस्व मूल्य के साथ प्रस्तुत करना भी गैर-तकनीकी हितधारकों के साथ प्राथमिकता वाली बातचीत को काफ़ी अधिक ठोस और प्रभावी बनाता है।
F से शुरू होने वाले और शब्द
फ़ेसेटेड नेविगेशन (Faceted Navigation)फ़ीचर फ़्लैग (Feature Flag)फ़र्स्ट क्लिक टेस्टिंग (First Click Testing)फ़र्स्ट कंटेंटफ़ुल पेंट (FCP)फ़र्स्ट-पार्टी डेटा (First-Party Data)फ़िट्स का नियम (Fitts's Law)फ़ाइव-सेकंड टेस्ट (Five-Second Test)फ़्लिकर इफ़ेक्ट (Flicker Effect)फ़ॉर्म ऑप्टिमाइज़ेशन (Form Optimization)फ़्रीक्वेंसी कैपिंग (Frequency Capping)फ़्रिक्शन (Friction)
