Huni analizi, kullanıcıların bir satın alma, kayıt veya abonelik gibi belirli bir hedefe doğru tanımlı bir adım dizisi boyunca nasıl ilerlediğini inceleyerek, kullanıcıların en büyük bölümünün bu hedefi tamamlamadan nerede ilgisini kaybettiğini belirleme yöntemidir. Bir huni genellikle açılış sayfası ziyareti, ürün görüntüleme, sepete ekleme, ödeme başlatma ve satın alma gibi bir dizi aşama olarak görselleştirilir; her aşamada kalan kullanıcı sayısı veya yüzdesi gösterilir, böylece ardışık iki adım arasındaki terkin göreli büyüklüğü, ham olay tablolarını doğrudan yorumlamaya veya her aşama için ayrı bir sorgu çalıştırmaya gerek kalmadan raporu inceleyen herkes tarafından hemen görülebilir. Huniler ya kapalı olarak, yani sayılabilmek için kullanıcıların her adımı katı bir sırayla tamamlamasını gerektirecek şekilde, ya da açık olarak, yani kullanıcıların dizinin herhangi bir noktasından girmesine izin verecek şekilde oluşturulabilir ve ikisi arasındaki seçim, ortaya çıkan terk yüzdelerinin nasıl yorumlanması gerektiğini esaslı biçimde değiştirir.
Bu yöntem önemlidir, çünkü tek bir toplu dönüşüm oranını gerçek bir tanı aracına dönüştürür. Bir web sitesinin genel olarak yüzde 2 oranında dönüşüm yaptığını bilmek, özellikle neyin düzeltilmesi gerektiği hakkında çok az şey söyler; oysa kullanıcıların yüzde 60'ının tam olarak kargo maliyetlerini görüntülemek ile ödemeyi tamamlamak arasında terk ettiğini bilmek, bir ekibin bir sonraki sprint'i için somut, test edilebilir bir hedef sağlar. Bu nedenle huni analizi, bir dönüşüm sorununun var olduğunu fark etmekten, bu sorunun kullanıcı yolculuğunun tam olarak neresinde ortaya çıktığını anlamaya geçmek için kullanılan birincil tekniktir; bu, herhangi bir tasarım veya içerik değişikliğinin rakip bir fikre göre makul biçimde önceliklendirilebilmesinden önce gereken ilk adımdır. Aynı huniyi ardışık dönemler boyunca gözden geçirmek, önceki bir düzeltmenin gerçekten kalıcı olup olmadığını da ortaya koyar; çünkü bir sürümden sonra iyileşen bir adım, sayfanın başka bir yerinde ilgisiz değişiklikler yayınlandıkça aylar sonra sessizce geriye gidebilir.
Huniler yaygın olarak Google Analytics 4'ün huni keşif raporları, Mixpanel veya Amplitude gibi araçlarla oluşturulur ve analiz edilir; bunların hepsi her adımın önceden izlenen bir olay olarak tanımlanmasını gerektirir ve bu da doğru olay takibini her türlü güvenilir huni analizinin mutlak ön koşulu yapar. Analistler genellikle hem genel bir huni hem de, örneğin trafik kaynağına, cihaz türüne veya yeni ile geri dönen ziyaretçiye göre ayrılmış, birkaç bölümlenmiş versiyon oluşturur; çünkü toplamda yeterli performans gösteriyor gibi görünen bir adım, bir segment için (örneğin mobil kullanıcılar) ciddi bir sorunu maskeleyebilirken, bir başkası için (örneğin satın alma niyeti yüksek, markalı aramadan gelen masaüstü kullanıcıları) gayet iyi performans gösteriyor olabilir.
Sık görülen bir hata, huni adımlarını çok geniş ya da gerçek kullanıcı arayüzüne çok gevşek bağlı tanımlamaktır; örneğin çok alanlı bir ödeme sürecinin tamamını tek bir adım olarak ele almak yerine kargo bilgisi, ödeme bilgisi ve sipariş incelemesi olarak ayırmamak, analizin ilk başta ortaya çıkarmayı amaçladığı ayrıntılı terk noktasını tam olarak gizler. Bir diğer yaygın tuzak, gerçek kullanıcı davranışı çoğu zaman doğrusal olmayan bir yapıdayken bir huniyi yalnızca doğrusal, sıralı mantıkla analiz etmektir; ziyaretçiler ürünleri karşılaştırmak için geri gider, birden fazla sekme açar veya sonunda dönüşüm yapmadan önce birden fazla oturum ve cihaz arasında geri döner ve bu kalıplar, altta yatan analiz ve raporlama yapılandırmasında bilinçli olarak hesaba katılmazsa katı bir adım adım huni modeli tarafından ciddi biçimde yanlış temsil edilebilir.
CRO danışmanlığında huni analizi genellikle bir çalışmanın olay takibi denetiminden sonraki ikinci adımıdır ve hangi aşamanın önce test edileceğinin önceliklendirilmesini doğrudan besler; bu genellikle gelir açısından geri kazanılabilir potansiyel değerine göre en yüksek terk oranına sahip aşamadır. Danışmanlar, kullanıcıların nerede ayrıldığını belirlemekten neden ayrıldığını anlamaya geçmek için nicel huni verilerini çoğunlukla belirli bir adımda terk eden kullanıcıların oturum kayıtları veya bir ziyaretçinin neden devam etmemeyi seçtiğini soran sayfa içi çıkış anketleri gibi nitel araştırmalarla eşleştirir; bu da nihayetinde test kaynaklarına yatırım yapmaya değer, iyi hedeflenmiş, kanıta dayalı bir hipotezi şekillendiren şeydir. Huni bulgularını yalnızca yüzde terkin kendisiyle değil, belirli bir boşluğun kapatılmasının tahmini gelir değeriyle birlikte sunmak da teknik olmayan paydaşlarla önceliklendirme görüşmelerini önemli ölçüde daha somut ve ikna edici kılma eğilimindedir.
F ile başlayan diğer terimler
Çok Yönlü Gezinme (Faceted Navigation)Özellik Bayrağı (Feature Flag)İlk Tıklama Testi (First Click Testing)İlk İçerikli Boyama (First Contentful Paint, FCP)Birinci Taraf Veri (First-Party Data)Fitts Yasası (Fitts's Law)Beş Saniye Testi (Five-Second Test)Titreme Etkisi (Flicker Effect)Form Optimizasyonu (Form Optimization)Frekans Sınırlama (Frequency Capping)Sürtünme (Friction)
