Tratanalys (funnel analysis) är metoden att undersöka hur användare rör sig genom en definierad sekvens av steg mot ett specifikt mål, till exempel ett köp, en registrering eller en prenumeration, för att identifiera var den största andelen användare tappar intresset innan de slutfört målet. En tratt visualiseras vanligtvis som en serie steg, till exempel besök på landningssida, produktvisning, lägg i varukorg, påbörjad kassa och köp, med antalet eller andelen användare som återstår i varje steg visat så att den relativa storleken på avhoppet mellan två på varandra följande steg omedelbart syns för alla som granskar rapporten, utan att behöva tolka råa händelsetabeller direkt eller köra en separat fråga för varje steg. Trattar kan byggas antingen som stängda, där användare måste slutföra varje steg i strikt ordning för att räknas, eller öppna, där användare kan gå in vid vilken punkt som helst i sekvensen, och valet mellan de två förändrar väsentligt hur de resulterande avhoppsprocenten ska tolkas.
Metoden är viktig eftersom den omformar en enda aggregerad konverteringsgrad till ett faktiskt diagnostiskt verktyg. Att veta att en webbplats konverterar med 2 procent totalt säger mycket lite om vad som specifikt behöver åtgärdas, medan vetskapen att 60 procent av användarna hoppar av just mellan att se fraktkostnader och att slutföra betalningen ger ett konkret, testbart mål för teamets nästa sprint. Tratanalys är därför den primära tekniken för att gå från att märka att ett konverteringsproblem finns till att förstå exakt var i användarresan problemet faktiskt uppstår, vilket är det nödvändiga första steget innan någon design- eller innehållsförändring rimligen kan prioriteras framför en annan konkurrerande idé. Att granska samma tratt över successiva perioder avslöjar också om en tidigare åtgärd faktiskt höll, eftersom ett steg som förbättrades efter en release i det tysta kan försämras igen månader senare när orelaterade förändringar levereras någon annanstans på sidan.
Trattar byggs och analyseras vanligtvis med verktyg som Google Analytics 4:s tratt-utforskningsrapporter, 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 tratanalys av alla slag. Analytiker bygger vanligtvis både en övergripande tratt och flera segmenterade versioner, till exempel genom att separera trattar efter trafikkälla, enhetstyp eller nya jämfört med återkommande besökare, eftersom ett steg som ser ut att prestera tillräckligt väl i aggregat kan dölja ett allvarligt problem för ett segment, till exempel mobilanvändare, medan det presterar helt bra för ett annat, till exempel datoranvändare som kommer från varumärkessökning med hög befintlig köpintention.
Ett vanligt fel är att definiera tratsteg för brett eller för löst kopplade till det faktiska användargränssnittet, till exempel genom att behandla en hel kassa med flera fält som ett enda steg i stället för att dela upp den i leveransinformation, betalningsinformation och orderöversikt, vilket döljer just den detaljerade avhoppspunkt som analysen var avsedd att avslöja från början. En annan vanlig fallgrop är att analysera en tratt med enbart linjär, sekventiell logik när verkligt användarbeteende ofta är icke-linjärt, med besökare som går bakåt för att jämföra produkter, öppnar flera flikar eller återvänder över flera sessioner och enheter innan de slutligen konverterar, mönster som en strikt steg-för-steg-trattmodell kan framställa kraftigt missvisande om de inte medvetet beaktas i den underliggande analys- och rapportkonfigurationen.
I CRO-konsulting är tratanalys vanligtvis det andra steget i ett uppdrag, efter en granskning av händelsespårningen, och den matar direkt prioriteringen av vilket steg som ska testas först, i allmänhet steget med högst avhoppsfrekvens i förhållande till dess potentiella återvinningsbara värde i intäkter. Konsulter kombinerar ofta kvantitativ tratdata med kvalitativ research, till exempel sessionsinspelningar av användare som hoppade av vid ett specifikt steg eller utgångsenkäter på sidan som frågar varför en besökare valde att inte gå vidare, 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 värd att investera testresurser i. Att presentera tratfynd tillsammans med det uppskattade intäktsvärdet av att täppa till ett givet gap, snarare än bara själva avhoppsprocenten, gör också prioriteringssamtal med icke-tekniska intressenter betydligt mer konkreta och övertygande.
Fler termer som börjar på F
Facetterad navigering (Faceted Navigation)Feature flagFörstaklickstestning (first click testing)First Contentful Paint (FCP)Förstapartsdata (first-party data)Fitts lag (Fitts's Law)Femsekunderstest (five-second test)Flimmereffekt (Flicker Effect)Formuläroptimering (Form Optimization)Frekvenstak (Frequency Capping)Friktion (Friction)
