Funnel Analysis là gì? Cách tìm điểm rơi trong hành trình chuyển đổi

Funnel analysis (phân tích phễu chuyển đổi) là việc chia một hành trình chuyển đổi thành các bước nối tiếp, đếm số người đi qua từng bước và tính tỷ lệ rơi (drop-off) giữa các bước. Mục đích là tìm điểm nghẽn (bottleneck): bước nào đang làm mất nhiều khách có ý định thật nhất.

Funnel analysis khác với khái niệm phễu marketing. Phễu marketing là mô hình chiến lược: khách đi từ nhận biết, cân nhắc đến quyết định, và mỗi tầng cần nội dung khác nhau. Funnel analysis là việc đo: mỗi bước phải là một hành vi ghi nhận được, như xem trang dịch vụ, bấm nút đặt lịch, gửi form thành công. Một bên trả lời “nên nói gì với khách ở giai đoạn nào”, bên kia trả lời “khách đang rơi ở bước nào, bao nhiêu người”.

Các khái niệm cần nắm trong funnel analysis

Funnel analysis cũng khác phân tích ROAS hay CAC: những chỉ số đó cho biết chi phí có đáng không, còn phễu cho biết vì sao chi phí chưa biến thành khách. Khi ROAS kém dù lượt nhấp nhiều, câu trả lời thường nằm trong phễu.

Dữ liệu cần chuẩn bị

• Sự kiện đo được cho từng bước trên website hoặc ứng dụng, đã kiểm thử là ghi đúng lúc. Theo tài liệu của Google Analytics về sự kiện, mọi tương tác trong GA4 đều được ghi dưới dạng sự kiện — đó là nguyên liệu của phễu.
• Dữ liệu bước ngoài website nếu có: khách đến spa, học viên đến học thử, khách ký hợp đồng — thường nằm trong phần mềm đặt lịch hay sổ bán hàng.
• Nguồn truy cập được đánh dấu nhất quán bằng UTM, để phân đoạn theo kênh.
• Thiết bị và loại khách (mới hay cũ) để so sánh.
• Phản hồi định tính: tin nhắn khách hỏi, ghi chú của lễ tân, bản ghi hay quan sát người dùng thật thao tác.

Quy trình funnel analysis 6 bước

Bước 1. Định nghĩa từng bước bằng sự kiện

Viết phễu ra giấy trước khi mở công cụ. Mỗi bước phải là một hành vi cụ thể, ghi nhận được, và đi đúng thứ tự khách thật sự đi. Tránh bước mơ hồ như “quan tâm”. Ghi rõ bước nào đo trên website và bước nào lấy từ hệ thống khác. Nếu một bước chưa có sự kiện, hoặc sự kiện ghi lúc bấm nút thay vì lúc gửi thành công, sửa phần đo trước — phân tích trên dữ liệu sai chỉ cho ra kết luận sai nhanh hơn.

Bước 2. Kiểm tra thứ tự và cửa sổ

Quyết định phễu đóng hay mở, các bước có phải xảy ra liền nhau không, và trong bao lâu. Công cụ khám phá phễu trong GA4 cho phép chọn các thiết lập kiểu này; hãy chọn theo hành vi thật. Khách spa có thể xem dịch vụ hôm nay, ba ngày sau mới quay lại đặt — cửa sổ trong một phiên sẽ tính họ là rơi. Cũng quyết định đếm theo người hay theo phiên, và giữ nguyên khi so sánh giữa các kỳ.

Bước 3. Tính tỷ lệ chuyển tiếp

Với mỗi bước, tính tỷ lệ chuyển tiếp so với bước ngay trước, không chỉ tỷ lệ so với bước đầu. Tỷ lệ tổng 2,5% không nói được gì; tỷ lệ chuyển tiếp từng bước mới chỉ ra chỗ rơi. Đặt thêm cột số người rơi tuyệt đối, vì bước có tỷ lệ rơi cao nhưng ít người đi qua có thể không đáng ưu tiên bằng bước rơi vừa phải mà đông người.

Bước 4. Phân đoạn theo nguồn và thiết bị

Một phễu trung bình thường che mất vấn đề thật. Tách theo điện thoại và máy tính, theo nguồn truy cập, theo khách mới và khách cũ. Nếu tỷ lệ gửi form trên điện thoại thấp hơn hẳn máy tính, thủ phạm thường là giao diện hay lỗi kỹ thuật. Nếu khách từ một chiến dịch quảng cáo rơi ngay ở bước đầu, thông điệp quảng cáo và trang đích có thể không khớp nhau.

Bước 5. Kết hợp phản hồi định tính

Con số chỉ cho biết khách rơi ở đâu, không cho biết vì sao. Tự làm lại hành trình trên điện thoại của mình, nhờ vài người quen đặt thử và quan sát họ, đọc tin nhắn fanpage, hỏi lễ tân khách hay phàn nàn gì. Tỷ lệ gửi form thấp có thể do thông điệp không hợp, giá hiện muộn quá, hay đơn giản là nút chọn giờ không bấm được trên một số điện thoại.

Bước 6. Ưu tiên điểm rơi có tác động

Không sửa mọi thứ một lúc. Ưu tiên theo ba câu hỏi: bước này mất bao nhiêu người có ý định cao, sửa có dễ không, và nếu cải thiện thì thêm được bao nhiêu khách. Sửa một chỗ, đo lại sau đủ thời gian, rồi mới sang chỗ tiếp theo. Đưa tỷ lệ chuyển tiếp của các bước chính vào dashboard marketing để thấy ngay khi một bước đột ngột gãy.

Ví dụ thực hành: phễu đặt lịch online của một spa

Bước 1 sang 2 có tỷ lệ rơi lớn nhất, nhưng đó là người mới xem, nhiều người chỉ tham khảo giá. Bước 3 sang 4 đáng chú ý hơn: 540 người đã chọn ngày giờ — ý định rất cao — rồi không gửi. Tách theo thiết bị cho thấy rõ hơn:

Chủ spa tự đặt thử trên điện thoại và phát hiện ô nhập số điện thoại bị bàn phím che, nút gửi nằm ngoài màn hình. Đó là giả thuyết để sửa và đo lại, chưa phải kết luận: con số chỉ cho biết nơi cần điều tra. Nếu sau khi sửa, tỷ lệ trên điện thoại lên được 60%, spa có thêm khoảng 210 lượt đặt mỗi tháng từ cùng lượng người xem — không tốn thêm đồng quảng cáo nào. Đây là ví dụ minh hoạ cách ra quyết định, không phải kết quả thực tế.

Phễu dừng ở lần đến đầu tiên. Khách có quay lại hay không là chuyện của Customer Lifetime Value, và toàn bộ hiệu quả chi tiêu của spa thì nhìn qua MER.

AI giúp được gì trong funnel analysis

• Soạn nháp danh sách bước của phễu từ mô tả hành trình khách, kèm gợi ý hành vi đo được cho mỗi bước.
• Tính tỷ lệ chuyển tiếp và số người rơi từ bảng số bạn xuất ra, so sánh giữa các phân đoạn.
• Gom nhóm phản hồi định tính: đọc tin nhắn, ghi chú lễ tân và chia thành các nhóm lý do.
• Đưa danh sách giả thuyết cho từng điểm rơi, và viết lại tiêu đề, lời kêu gọi, nội dung trang đích để thử.
• Giới hạn: AI không thấy website của bạn chạy trên điện thoại ra sao và không biết sự kiện có ghi đúng không. Giả thuyết của AI cần được kiểm chứng bằng thao tác thật và số liệu sau khi sửa.

Sai lầm thường gặp

• Phân tích trên sự kiện ghi sai, như ghi lúc bấm nút thay vì lúc gửi thành công.
• Chỉ nhìn tỷ lệ tổng mà không xem tỷ lệ chuyển tiếp từng bước.
• Chọn cửa sổ thời gian quá ngắn cho hành vi cần cân nhắc nhiều ngày.
• Không phân đoạn, để phễu trung bình che mất lỗi chỉ xảy ra trên điện thoại.
• Coi con số là nguyên nhân, sửa theo cảm tính mà không xem khách thật thao tác.
• Sửa nhiều thứ cùng lúc, không biết thay đổi nào có tác dụng.

Câu hỏi thường gặp