Avlämningsfrekvens

Bortfallsfrekvensen är andelen användare som överger en definierad process, såsom ett utcheckningsflöde, ett registreringsformulär eller en flerstegsapplikation, innan de slutfört den. Den beräknas vanligtvis vid varje enskilt steg i en sekvens och visar hur stor andel av användarna som nådde det steget som inte fortsatte till nästa, vilket skiljer den från en enkel avvisningsfrekvens som bara mäter utgångar på en sida utan någon känsla för sekvens eller framsteg. Om till exempel 1 000 användare startar en utcheckning i tre steg och 700 når steg två, är bortfallsfrekvensen mellan steg ett och steg två 30 procent, en siffra som omedelbart visar ett team var inom processen uppmärksamhet behövs mest, snarare än var processen bara känns långsam. Bortfallsfrekvensen kan också uttryckas som dess invers, den stegvisa slutförandefrekvensen, och båda ramarna visas vanligtvis sida vid sida i rapporteringen så att intressenter som granskar en tratt omedelbart kan se både hur mycket som behölls och hur mycket som förlorades vid varje övergång.

Denna mätvärde är viktigt eftersom det pekar ut exakt var en process förlorar personal, snarare än att bara rapportera en aggregerad konverteringsfrekvens för hela tratten. En kassa med en total konverteringsfrekvens 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 att skapa ett konto eller ett förvirrande betalningsformulärsfält, och bortfallsanalys på stegnivå är just det som gör den specifika punkten synlig snarare än begravd i en enda blandad siffra. Utan denna granularitet tar team ofta itu med fel del av en upplevelse och finslipar steg som aldrig var det faktiska problemet medan den verkliga flaskhalsen förblir orörd i månader, ibland under hela räkenskapskvartal.

Bortfallsfrekvens spåras vanligtvis med hjälp av händelsebaserade analysverktyg som Google Analytics 4-funnelutforskningsrapporter, Mixpanel eller Amplitude, vilka kräver att varje steg i ett flöde instrumenteras som en distinkt händelse eller sidvisning så att verktyget kan beräkna steg-för-steg-retention korrekt. Sessionsinspelningsverktyg används ofta tillsammans med dessa kvantitativa rapporter för att övervaka faktiska sessioner hos användare som avbröt sökningen, vilket avslöjar kvalitativa orsaker, såsom ett trasigt formulärfält, ett förvirrande felmeddelande eller en långsamt laddande sida, som råa siffror ensamma inte kan förklara oavsett hur detaljerad rapporteringen blir. Analytiker letar vanligtvis efter steg-för-steg-bortfall som överstiger 20 till 25 procent som en signal som motiverar djupare undersökning, även om acceptabla tröskelvärden varierar avsevärt beroende på bransch, prispunkt och den inneboende komplexiteten i flödet som mäts, där köp med hög övervägning naturligtvis tolererar något högre avbrott än billiga impulstransaktioner.

Ett vanligt misstag är att behandla bortfall som i sig dåligt och sträva efter att eliminera det helt. En viss minskning i varje steg är normalt och förväntat, eftersom inte alla besökare som påbörjar ett flöde är en kvalificerad eller genuint redo köpare just då. En annan fallgrop är att analysera bortfall isolerat från trafikkvaliteten, eftersom en plötslig ökning i bortfallet kan återspegla en förändring i besökarmixen, till exempel en ny annonskampanj som lockar mindre kvalificerad trafik, snarare än ett genuint nytt problem med själva flödet. Att segmentera bortfallet efter trafikkälla, enhetstyp och status som ny kontra återkommande besökare är nödvändigt för att undvika att dra fel slutsatser och jaga en lösning på ett problem som faktiskt inte existerar i den underliggande upplevelsen. Att jämföra bortfall över ett rullande fönster, till exempel vecka för vecka snarare än en enda dag, hjälper också till att skilja en genuin regression från vanligt dagligt brus i en mindre datamängd.

In CRO I arbetet är analys av bortfallsfrekvens vanligtvis utgångspunkten för att prioritera vilken del av en tratt som ska testas först, eftersom steget med det högsta bortfallet i förhållande till dess trafikvolym vanligtvis representerar den största potentiella intäktsmöjligheten som finns att återhämta. Konsulter använder den för att bygga en rankad lista över friktionspunkter, validera misstänkta orsaker genom användartester eller sessionsinspelningar och sedan utforma riktade experiment, som att förenkla ett formulär, förtydliga prissättning tidigare eller lägga till förtroendesignaler nära ett betalningsfält, som specifikt syftar till att minska övergivandet vid det identifierade steget snarare än att göra breda, ofokuserade förändringar över hela upplevelsen utan någon tydlig teori om vad som kommer att påverka antalet.