SwitasLiên hệ

Phân tích phễu chuyển đổi (Funnel Analysis)

Phân tích phễu là phương pháp xem xét cách người dùng di chuyển qua một chuỗi bước xác định hướng đến một mục tiêu cụ thể, như mua hàng, đăng ký hay thuê bao, nhằm xác định nơi tỷ lệ lớn nhất người dùng ngừng tương tác trước khi hoàn thành mục tiêu đó. Một phễu thường được trực quan hóa thành chuỗi các giai đoạn, ví dụ truy cập landing page, xem sản phẩm, thêm vào giỏ, bắt đầu thanh toán và mua hàng, với số lượng hoặc phần trăm người dùng còn lại ở mỗi giai đoạn được hiển thị để quy mô tương đối của mức rời bỏ giữa hai bước liên tiếp bất kỳ hiện ra ngay với bất kỳ ai xem báo cáo, mà không cần diễn giải trực tiếp các bảng sự kiện thô hay chạy truy vấn riêng cho từng giai đoạn. Phễu có thể được xây dựng theo dạng đóng, yêu cầu người dùng hoàn thành từng bước theo đúng thứ tự mới được tính, hoặc dạng mở, cho phép người dùng vào ở bất kỳ điểm nào trong chuỗi, và lựa chọn giữa hai dạng làm thay đổi đáng kể cách diễn giải các phần trăm rời bỏ thu được. Phương pháp này quan trọng vì nó biến một tỷ lệ chuyển đổi tổng hợp đơn lẻ thành một công cụ chẩn đoán thực sự. Biết rằng website chuyển đổi 2 phần trăm tổng thể nói rất ít về việc cần sửa cụ thể điều gì, trong khi biết rằng 60 phần trăm người dùng bỏ đi cụ thể giữa lúc xem chi phí vận chuyển và hoàn tất thanh toán cung cấp một mục tiêu cụ thể, có thể thử nghiệm cho sprint tiếp theo của nhóm. Vì vậy, phân tích phễu là kỹ thuật chính để đi từ việc nhận thấy có vấn đề chuyển đổi đến hiểu chính xác vấn đề đó thực sự bắt nguồn từ đâu trong hành trình người dùng, bước đầu tiên cần thiết trước khi bất kỳ thay đổi thiết kế hay nội dung nào có thể được ưu tiên hợp lý hơn một ý tưởng cạnh tranh khác. Xem xét cùng một phễu qua các giai đoạn liên tiếp cũng cho thấy một bản sửa trước đó có thực sự bền hay không, vì một bước đã cải thiện sau một bản phát hành có thể âm thầm thụt lùi nhiều tháng sau khi các thay đổi không liên quan được phát hành ở nơi khác trên trang. Phễu thường được xây dựng và phân tích bằng các công cụ như báo cáo khám phá phễu của Google Analytics 4, Mixpanel hoặc Amplitude, tất cả đều yêu cầu mỗi bước được định nghĩa trước dưới dạng sự kiện được theo dõi, khiến việc theo dõi sự kiện chính xác trở thành điều kiện tiên quyết tuyệt đối cho bất kỳ phân tích phễu đáng tin cậy nào. Các nhà phân tích thường xây dựng cả phễu tổng thể lẫn nhiều phiên bản đã phân đoạn, ví dụ tách phễu theo nguồn lưu lượng, loại thiết bị hoặc khách mới so với khách quay lại, vì một bước có vẻ hoạt động đủ tốt khi gộp có thể đang che giấu một vấn đề nghiêm trọng ở một phân khúc, như người dùng di động, trong khi vẫn hoạt động hoàn toàn tốt ở phân khúc khác, như người dùng máy tính để bàn đến từ tìm kiếm thương hiệu với ý định mua sẵn có cao. Một lỗi thường gặp là định nghĩa các bước phễu quá rộng hoặc kết nối quá lỏng với giao diện người dùng thực tế, ví dụ coi toàn bộ quy trình thanh toán nhiều trường là một bước duy nhất thay vì chia thành thông tin giao hàng, thông tin thanh toán và xem lại đơn hàng, điều che giấu chính điểm rời bỏ chi tiết mà phân tích vốn nhằm làm lộ ra. Một cạm bẫy phổ biến khác là phân tích phễu chỉ bằng logic tuyến tính, tuần tự trong khi hành vi người dùng thực tế thường phi tuyến, với khách quay lại để so sánh sản phẩm, mở nhiều tab hoặc quay lại qua nhiều phiên và thiết bị trước khi cuối cùng chuyển đổi, những mẫu hình mà mô hình phễu từng bước nghiêm ngặt có thể thể hiện sai nghiêm trọng nếu không được tính đến có chủ ý trong cấu hình phân tích và báo cáo nền tảng. Trong tư vấn CRO, phân tích phễu thường là bước thứ hai của một dự án, sau kiểm toán theo dõi sự kiện, và nó trực tiếp định hướng việc ưu tiên giai đoạn nào cần thử nghiệm trước, thường là giai đoạn có tỷ lệ rời bỏ cao nhất so với giá trị doanh thu có thể thu hồi tiềm năng của nó. Các chuyên gia tư vấn thường kết hợp dữ liệu phễu định lượng với nghiên cứu định tính, như bản ghi phiên của người dùng đã rời bỏ ở một bước cụ thể hoặc khảo sát thoát trên trang hỏi lý do khách chọn không tiếp tục, để đi từ việc xác định nơi người dùng rời đi đến hiểu vì sao họ rời đi, điều cuối cùng định hình một giả thuyết có mục tiêu tốt, có bằng chứng, đáng để đầu tư nguồn lực thử nghiệm. Trình bày các phát hiện phễu cùng giá trị doanh thu ước tính của việc lấp một khoảng trống nhất định, thay vì chỉ phần trăm rời bỏ, cũng thường làm các cuộc trao đổi ưu tiên với các bên liên quan phi kỹ thuật cụ thể và thuyết phục hơn đáng kể.

Thêm thuật ngữ bắt đầu bằng F

Hãy cùng xây dựng sản phẩm tiếp theo.

Liên hệ