Trattanalys

Trattanalys är en metod för att undersöka hur användare rör sig genom en definierad sekvens av steg mot ett specifikt mål, såsom ett köp, en registrering eller en prenumeration, för att identifiera var den största andelen användare avbryter innan de slutför målet. En tratt visualiseras vanligtvis som en serie steg, till exempel besök på landningssidan, produktvisning, lägg till i varukorgen, initiering av kassan och köp, där antalet eller procentandelen användare som är kvar i varje steg visas så att den relativa storleken på bortfallet mellan två på varandra följande steg är omedelbart synlig för alla som granskar rapporten, utan att behöva tolka råa händelsetabeller direkt eller köra en separat fråga för varje steg. Trattar kan antingen byggas som stängda, vilket kräver att användare slutför varje steg i strikt ordning för att räknas, eller öppna, vilket gör att användare kan gå in när som helst i sekvensen, och valet mellan de två förändrar väsentligt hur de resulterande bortfallsprocenten ska tolkas.

Den här metoden är viktig eftersom den omformulerar en enda aggregerad konverteringsfrekvens till ett faktiskt diagnostiskt verktyg. Att veta att en webbplats konverterar med totalt 2 procent säger väldigt lite om vad som specifikt ska åtgärdas, medan vetskapen om att 60 procent av användarna avbryter specifikt mellan att se fraktkostnader och slutföra betalning ger ett konkret, testbart mål för ett teams nästa sprint. Trattanalys är därför den primära tekniken som används för att gå från att notera att ett konverteringsproblem finns till att förstå exakt var i användarresan det problemet faktiskt har sitt ursprung, vilket är det nödvändiga första steget innan någon design- eller innehållsändring rimligen kan prioriteras framför en annan konkurrerande idé. Att granska samma tratt över på varandra följande perioder avslöjar också om en tidigare åtgärd faktiskt höll, eftersom ett steg som förbättrades efter en release i tysthet kan regrediera månader senare när orelaterade ändringar skickas någon annanstans på sidan.

Trattar byggs och analyseras vanligtvis med hjälp av verktyg som Google Analytics 4:s trattutforskningsrapporter, Mixpanel eller Amplitude, vilka alla kräver att varje steg definieras som en spårad händelse i förväg, vilket gör korrekt händelsespårning till en absolut förutsättning för tillförlitlig trattanalys av alla slag. Analytiker bygger vanligtvis både en övergripande tratt och flera segmenterade versioner, till exempel genom att separera trattar efter trafikkälla, enhetstyp eller ny kontra återkommande besökare, eftersom ett steg som verkar prestera tillräckligt bra sammantaget kan maskera ett allvarligt problem för ett segment, till exempel mobilanvändare, medan det presterar utmärkt för ett annat, till exempel datoranvändare som kommer från varumärkessökning med hög befintlig köpintention.

Ett vanligt fel är att definiera trattsteg för brett eller för löst kopplade till det faktiska användargränssnittet, till exempel att behandla en hel utcheckning med flera fält som ett enda steg istället för att dela upp den i leveransinformation, betalningsinformation och ordergranskning, vilket döljer exakt den detaljerade avlämningspunkt som analysen var avsedd att avslöja från första början. En annan vanlig fallgrop är att analysera en tratt med endast linjär, sekventiell logik när det verkliga användarbeteendet ofta är icke-linjärt, med besökare som går bakåt för att jämföra produkter, öppnar flera flikar eller återkommer över flera sessioner och enheter innan de slutligen konverterar, mönster som en strikt steg-för-steg-trattmodell kan allvarligt felaktigt framställas om de inte medvetet beaktas i den underliggande analys- och rapporteringskonfigurationen.

In CRO Inom konsultbranschen är trattanalys vanligtvis det andra steget i ett uppdrag, efter en granskning av händelsespårning, och den bidrar direkt till prioriteringen av vilket steg som ska testas först, vanligtvis det steg med den högsta bortfallsfrekvensen i förhållande till dess potentiella återvinningsvärde i intäktsmässiga termer. Konsulter parar ofta ihop kvantitativ trattdata med kvalitativ forskning, såsom sessionsinspelningar av användare som hoppade av vid ett specifikt steg eller enkäter på sidan där man frågar varför en besökare valde att inte fortsätta, för att gå från att identifiera var användare lämnar till att förstå varför de lämnade, vilket i slutändan är det som formar en välriktad, evidensbaserad hypotes som är värd att investera testresurser i. Att presentera trattresultat tillsammans med det uppskattade intäktsvärdet av att stänga ett givet gap, snarare än bara själva procentuella bortfallet, tenderar också att göra prioriteringssamtal med icke-tekniska intressenter betydligt mer konkreta och övertygande.