Avhoppsfrekvens (drop-off rate) är andelen användare som överger en definierad process, till exempel ett kassaflöde, ett registreringsformulär eller en flerstegsansökan, innan de slutfört den. Den beräknas vanligtvis vid varje enskilt steg i en sekvens och visar vilken andel av de användare som nådde det steget som inte gick vidare till nästa, vilket skiljer den från en enkel avvisningsfrekvens som bara mäter utgångar från en enskild sida utan någon känsla för sekvens eller framsteg. Om till exempel 1 000 användare påbörjar en kassa i tre steg och 700 når steg två är avhoppsfrekvensen mellan steg ett och steg två 30 procent, en siffra som omedelbart talar om för ett team var i processen uppmärksamhet mest akut behövs, snarare än var processen bara känns långsam. Avhoppsfrekvens kan också uttryckas som sin invers, slutförandegraden från steg till steg, och båda perspektiven visas vanligtvis sida vid sida i rapporter så att intressenter som granskar en tratt omedelbart kan se både hur mycket som behölls och hur mycket som gick förlorat vid varje övergång.
Måttet är viktigt eftersom det pekar ut exakt var en process tappar människor, i stället för att bara rapportera en aggregerad konverteringsgrad för hela tratten. En kassa med en total konverteringsgrad på 40 procent kan förlora de flesta av sina potentiella kunder vid en enda friktionspunkt, till exempel en oväntad fraktkostnad som avslöjas sent, ett obligatoriskt steg för kontoskapande eller ett förvirrande betalningsfält, och avhoppsanalys på stegnivå är precis det som gör just den punkten synlig i stället för att begravas i ett enda blandat tal. Utan denna detaljnivå åtgärdar team ofta fel del av en upplevelse och polerar steg som aldrig var det verkliga problemet medan den verkliga flaskhalsen lämnas orörd i månader, ibland under hela räkenskapskvartal.
Avhoppsfrekvens spåras vanligtvis med händelsebaserade analysverktyg som Google Analytics 4:s tratt-utforskningsrapporter, Mixpanel eller Amplitude, vilka kräver att varje steg i ett flöde instrumenteras som en egen händelse eller sidvisning så att verktyget kan beräkna retentionen från steg till steg korrekt. Sessionsinspelningsverktyg används ofta tillsammans med dessa kvantitativa rapporter för att titta på faktiska sessioner hos användare som hoppade av, vilket avslöjar kvalitativa orsaker, till exempel ett trasigt formulärfält, ett förvirrande felmeddelande eller en långsamt laddande sida, som enbart råa siffror inte kan förklara oavsett hur detaljerad rapporteringen blir. Analytiker letar vanligtvis efter avhopp mellan steg som överstiger 20 till 25 procent som en signal som motiverar djupare undersökning, även om acceptabla tröskelvärden varierar avsevärt beroende på bransch, prisnivå och den inneboende komplexiteten i flödet som mäts, där köp med högt övervägande naturligt tolererar något högre avhopp än billiga impulsköp.
Ett vanligt misstag är att behandla avhoppsfrekvens som något i grunden dåligt och sträva efter att eliminera den helt; en viss mängd avhopp i varje steg är normalt och förväntat, eftersom inte varje besökare som påbörjar ett flöde är en kvalificerad eller genuint redo köpare just då. En annan fallgrop är att analysera avhopp isolerat från trafikkvalitet, eftersom en plötslig ökning i avhopp kan spegla en förändring i besökarmixen, till exempel en ny annonskampanj som drar in mindre kvalificerad trafik, snarare än ett genuint nytt problem med själva flödet. Att segmentera avhopp efter trafikkälla, enhetstyp och nya jämfört med återkommande besökare är nödvändigt för att undvika att dra fel slutsats och jaga en åtgärd för ett problem som egentligen inte finns i den underliggande upplevelsen. Att jämföra avhopp över ett rullande fönster, till exempel vecka för vecka snarare än en enskild dag, hjälper också till att skilja en genuin försämring från vanligt dagligt brus i en mindre datamängd.
I CRO-arbete är analys av avhoppsfrekvens vanligtvis utgångspunkten för att prioritera vilken del av en tratt som ska testas först, eftersom steget med högst avhopp i förhållande till sin trafikvolym vanligtvis representerar den största potentiella intäktsmöjligheten att återvinna. Konsulter använder den för att bygga en rangordnad lista över friktionspunkter, validera misstänkta orsaker genom användartester eller sessionsinspelningar och sedan utforma riktade experiment, till exempel att förenkla ett formulär, förtydliga priset tidigare eller lägga till förtroendeskapande element nära ett betalningsfält, som specifikt syftar till att minska avhoppen vid det identifierade steget i stället för att göra breda, ofokuserade förändringar över hela upplevelsen utan någon tydlig teori om vad som kommer att flytta siffran.
