Phân tích phễu là phương pháp kiểm tra cách người dùng di chuyển qua một chuỗi các bước xác định hướng tới một mục tiêu cụ thể, chẳng hạn như mua hàng, đăng ký hoặc đăng ký dịch vụ, để xác định nơi mà tỷ lệ người dùng rời bỏ quá trình trước khi hoàn thành mục tiêu đó cao nhất. Phễu thường được hình dung như một chuỗi các giai đoạn, ví dụ: truy cập trang đích, xem sản phẩm, thêm vào giỏ hàng, bắt đầu thanh toán và mua hàng, với số lượng hoặc tỷ lệ phần trăm người dùng còn lại ở mỗi giai đoạn được hiển thị để người xem báo cáo có thể ngay lập tức thấy được mức độ bỏ cuộc tương đối giữa bất kỳ hai bước liên tiếp nào, mà không cần phải diễn giải trực tiếp các bảng sự kiện thô hoặc chạy một truy vấn riêng cho mỗi giai đoạn. Phễu có thể được xây dựng dưới dạng phễu đóng, yêu cầu người dùng phải hoàn thành từng bước theo đúng thứ tự để được tính, hoặc phễu mở, cho phép người dùng tham gia ở bất kỳ điểm nào trong chuỗi, và sự lựa chọn giữa hai loại này sẽ thay đổi đáng kể cách diễn giải tỷ lệ phần trăm bỏ cuộc.
Phương pháp này rất quan trọng vì nó biến tỷ lệ chuyển đổi tổng hợp đơn lẻ thành một công cụ chẩn đoán thực sự. Việc biết rằng một trang web có tỷ lệ chuyển đổi tổng thể là 2% không nói lên nhiều điều về việc cần sửa chữa cụ thể ở đâu, trong khi việc biết rằng 60% người dùng bỏ ngang giữa giai đoạn xem chi phí vận chuyển và hoàn tất thanh toán cung cấp một mục tiêu cụ thể, có thể kiểm chứng được cho sprint tiếp theo của nhóm. Do đó, phân tích phễu là kỹ thuật chính được sử dụng để chuyển từ việc nhận thấy vấn đề về chuyển đổi sang việc hiểu chính xác vấn đề đó thực sự bắt nguồn từ đâu trong hành trình của người dùng, đây là bước đầu tiên cần thiết trước khi bất kỳ thay đổi nào về thiết kế hoặc nội dung có thể được ưu tiên một cách hợp lý so với một ý tưởng cạnh tranh khác. Việc xem xét lại cùng một phễu trong các khoảng thời gian liên tiếp cũng cho thấy liệu một bản sửa lỗi trước đó có thực sự hiệu quả hay không, vì một bước đã được cải thiện sau một bản phát hành có thể âm thầm thụt lùi vài tháng sau đó khi các thay đổi không liên quan được triển khai ở những nơi khác trên trang.
Phễu bán hàng 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 phải được xác định trước đó như một sự kiện được theo dõi, do đó việc theo dõi sự kiện chính xác là điều kiện tiên quyết tuyệt đối để phân tích phễu đáng tin cậy. Các nhà phân tích thường xây dựng cả phễu tổng thể và một số phiên bản phân đoạn, ví dụ như tách phễu theo nguồn lưu lượng truy cập, loại thiết bị hoặc khách truy cập mới so với khách truy cập quay lại, bởi vì một bước có vẻ hoạt động tốt khi tổng hợp có thể che giấu một vấn đề nghiêm trọng đối với một phân khúc, chẳng hạn như người dùng di động, trong khi lại hoạt động hoàn hảo đối với một phân khúc khác, chẳng hạn như người dùng máy tính để bàn đến từ tìm kiếm thương hiệu với ý định mua hàng cao.
Một lỗi thường gặp là định nghĩa các bước trong phễu bán hàng quá rộng hoặc quá lỏng lẻo so với giao diện người dùng thực tế, ví dụ như coi toàn bộ quy trình thanh toán nhiều trường là một bước duy nhất thay vì chia nhỏ thành thông tin vận chuyển, thông tin thanh toán và xem lại đơn hàng, điều này che giấu chính xác điểm dừng cụ thể mà phân tích ban đầu nhằm mục đích tiết lộ. Một sai lầm phổ biến khác là chỉ phân tích phễu bằng logic tuyến tính, tuần tự trong khi hành vi người dùng thực tế thường không tuyến tính, với khách truy cập 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 kiểu hành vi mà mô hình phễu từng bước nghiêm ngặt có thể thể hiện sai lệch nghiêm trọng nếu không được tính đến một cách có chủ ý trong cấu hình phân tích và báo cáo cơ bản.
In CRO Trong tư vấn, phân tích phễu thường là bước thứ hai của một dự án, sau khi kiểm tra theo dõi sự kiện, và nó trực tiếp giúp ưu tiên giai đoạn nào cần thử nghiệm trước, thường là giai đoạn có tỷ lệ bỏ ngang cao nhất so với giá trị doanh thu tiềm năng có thể thu hồi được. Các chuyên gia tư vấn thường kết hợp dữ liệu phễu định lượng với nghiên cứu định tính, chẳng hạn như ghi lại phiên hoạt động của người dùng đã bỏ ngang ở một bước cụ thể hoặc khảo sát người dùng trên trang hỏi lý do tại sao khách truy cập không tiếp tục, để chuyển từ việc xác định nơi người dùng rời đi sang hiểu lý do tại sao họ rời đi, điều này cuối cùng sẽ hình thành nên một giả thuyết được nhắm mục tiêu tốt, có bằng chứng hỗ trợ, đáng để đầu tư nguồn lực thử nghiệm. Việc trình bày các phát hiện về phễu cùng với giá trị doanh thu ước tính của việc khắc phục một lỗ hổng nhất định, thay vì chỉ tỷ lệ bỏ ngang, cũng có xu hướng làm cho các cuộc thảo luận về ưu tiên với các bên liên quan không chuyên về kỹ thuật trở nên cụ thể và thuyết phục hơn đáng kể.