خلاصه مطلب
- مراحل قیف فروش را از روی کاری بسازید که کاربر واقعاً در سایت انجام میدهد، نه مسیری که دوست دارید طی کند.
- نرخ تبدیل کل حاصلضرب نرخ همه مراحل است؛ پس ۱۰ درصد بهبود نسبی در هر مرحله، کل قیف را هم ۱۰ درصد بالا میبرد.
- پنجره تبدیل تعیین میکند چه کسی ریزش حساب شود؛ آن را از فاصله واقعی بازدید تا خرید مشتریهایتان بگیرید.
- قبل از اعتماد به عدد ریزش، کاربر را بشمارید نه نشست را، دستگاهها را به هم وصل کنید و قیف را بخشبندی کنید.
- برای مرحلهای که بیشترین نشتی را دارد یک تست A/B با حجم نمونه درست اجرا کنید و قیف را با همان تعریف دوباره بخوانید.
قیف فروش نشان میدهد مشتری دقیقاً در کدام قدم خرید را رها میکند. مراحلی را که مشتری طی میکند تعریف میکنید، مثلاً دیدن محصول، افزودن به سبد، شروع پرداخت و خرید، تعداد کاربران یکتای هر مرحله را میشمارید و نرخ عبور از هر مرحله به مرحله بعد را مقایسه میکنید. مرحلهای که بیشترین ریزشِ بیدلیل را دارد، جای اصلاح و تست بعدی شماست.
قیف فروش مدلی است که نشان میدهد چند کاربر هر مرحله از یک مسیر مشخص را در بازه زمانی معین کامل میکنند و چه سهمی از آنها بین هر مرحله و مرحله بعد از دست میروند (نرخ ریزش).
قیف فروش چیست و مراحلش را چطور تعریف کنیم؟
بیشتر قیفها از همان مرحله تعریف خراباند: کسی مسیری را که روی وایتبرد طراحی کرده به گزارش تبدیل میکند، در حالی که مشتریهای واقعی کمتر از آن مسیر میگذرند.
از رفتار واقعی شروع کنید. ببینید خریدارها قبل از خرید از چه صفحهها و رویدادهایی عبور کردهاند. اگر نیمی از خریداران شما از تبلیغ گوگل یا لینک ترب مستقیم روی صفحه محصول میآیند و هیچوقت صفحه اصلی را نمیبینند، قیفی که با «صفحه اصلی» شروع شود نرخ تبدیل را کمتر از واقعیت نشان میدهد و تقصیر را گردن صفحه اشتباه میاندازد.
هر مرحله خوب سه ویژگی دارد:
- یک تصمیم واقعی است. «دیدن محصول»، «افزودن به سبد» و «شروع پرداخت» هر کدام یک تصمیماند. «اسکرول تا نیمه صفحه» معمولاً نیست.
- درست ثبت میشود. رویدادی را انتخاب کنید که برای هر اقدام واقعی یک بار ثبت شود. اگر رویداد «افزودن به سبد» در بعضی قالبها با بارگذاری صفحه ثبت میشود، مرحله دوم قیف شما خیالی است.
- بیشتر خریدارها از آن عبور میکنند. مرحلهای مثل «وارد کردن کد تخفیف» که فقط بخشی از خریدارها طی میکنند، جایش در بخشبندی یا یک قیف جداست، نه مسیر اصلی.
برای یک فروشگاه آنلاین معمولی چهار یا پنج مرحله کافی است: دیدن محصول، افزودن به سبد، شروع پرداخت، وارد کردن آدرس و خرید. نام رویداد پشت هر مرحله را کنارش بنویسید تا هر کسی گزارش را میخواند بداند دقیقاً چه چیزی شمرده شده است.
نرخ تبدیل هر مرحله با نرخ تبدیل کل چه فرقی دارد؟
از هر قیف دو نرخ بیرون میآید و هر کدام به سؤال متفاوتی جواب میدهد:
- نرخ تبدیل مرحله = کاربرانی که مرحله n را کامل کردهاند ÷ کاربرانی که مرحله n − 1 را کامل کردهاند. نشان میدهد یک گذر چقدر خوب کار میکند.
- نرخ تبدیل کل = کاربرانی که مرحله آخر را کامل کردهاند ÷ کاربرانی که وارد مرحله اول شدهاند. نشان میدهد کل قیف چقدر خوب کار میکند.
فرض کنید یک فروشگاه آنلاین پوشاک در یک ماه این اعداد را دارد. اعداد فرضیاند، کاربران یکتا شمرده شدهاند، قیف بسته است و پنجره تبدیل هفت روز:
| مرحله | کاربران | نرخ تبدیل مرحله | نرخ تبدیل کل | ریزش در این مرحله |
|---|---|---|---|---|
| ۱. دیدن محصول | ۴۰٬۰۰۰ | — | ۱۰۰٪ | — |
| ۲. افزودن به سبد | ۴٬۸۰۰ | ۱۲٫۰٪ | ۱۲٫۰٪ | ۳۵٬۲۰۰ |
| ۳. شروع پرداخت | ۲٬۴۰۰ | ۵۰٫۰٪ | ۶٫۰٪ | ۲٬۴۰۰ |
| ۴. وارد کردن آدرس | ۱٬۶۸۰ | ۷۰٫۰٪ | ۴٫۲٪ | ۷۲۰ |
| ۵. خرید | ۱٬۰۰۸ | ۶۰٫۰٪ | ۲٫۵۲٪ | ۶۷۲ |
نرخ تبدیل کل میشود ۱٬۰۰۸ ÷ ۴۰٬۰۰۰ = ۲٫۵۲ درصد. همین عدد از ضرب نرخ مراحل هم به دست میآید: 0.12 × 0.50 × 0.70 × 0.60 = 0.0252.
این ضرب مهمترین نکته تحلیل قیف است. چون نرخ کل حاصلضرب است، ۱۰ درصد بهبود نسبی در هر مرحلهای، کل قیف را ۱۰ درصد بالا میبرد. اگر مرحله پنجم را از ۶۰ به ۶۶ درصد برسانید، خریدها از ۱٬۰۰۸ به ۱٬۱۰۹ میرسد. اگر مرحله دوم را از ۱۲ به ۱۳٫۲ درصد برسانید، باز همان ۱٬۱۰۹ خرید را میگیرید. با میانگین سفارش ۹۰۰ هزار تومان، هر کدام از این دو تغییر در این مثال حدود ۹۱ میلیون تومان در ماه میارزد.
پس بزرگترین ریزش مطلق، یعنی ۳۵٬۲۰۰ نفر در مرحله دوم، لزوماً اولین جای کار نیست. نگاه کردن ارزان است و خریدن نه؛ پس این مرحله همیشه بیشترین ریزش را دارد. سؤال بهتر این است که کدام مرحله «بدتر از چیزی است که باید باشد» و اصلاح کدام ارزانتر است. پرداخت ۶۰ درصدی بعد از وارد کردن آدرس، نشانه قویتری است از افزودن به سبد ۱۲ درصدی که شاید در دسته محصول شما عادی باشد. هر مرحله را با سابقه خودش و بخشهای خودش مقایسه کنید، نه با مراحل دیگر.
قیف باز و قیف بسته چه فرقی دارند؟
در قیف بسته، کاربر فقط وقتی شمرده میشود که از مرحله اول وارد شده باشد. در قیف باز، کاربر از هر مرحلهای میتواند وارد شود؛ پس مرحله سوم ممکن است کسانی را هم داشته باشد که مراحل اول و دوم را رد کردهاند. راهنمای Funnel exploration در GA4 هم همین تقسیم را توضیح میدهد.
هر کدام به کار خودش میآید:
- قیف بسته جواب میدهد «از کسانی که این مسیر را شروع کردند، چند نفر تمامش کردند؟». برای نرخهای جدول بالا و بیشتر کارهای بهینهسازی تبدیل، همین را لازم دارید.
- قیف باز جواب میدهد «از هر جایی، چقدر ترافیک به هر مرحله میرسد؟». وقتی آدمها وسط مسیر وارد میشوند به کار میآید؛ مثلاً مشتری قدیمی که مستقیم سراغ سبد خرید میرود، یا پیامکی که لینکش روی صفحه پرداخت باز میشود.
دام اصلی، قاطی کردن این دو است. در قیف باز ممکن است مرحله بعدی کاربر بیشتری از مرحله قبلی داشته باشد. اگر نرخ تبدیل مرحلهای بالای ۱۰۰ درصد دیدید، یعنی قیف باز را مثل قیف بسته خواندهاید.
تنظیم دیگر، ترتیب مراحل است: مراحل به ترتیب و با اجازه کارهای دیگر در میانه، یا هر مرحله بلافاصله بعد از قبلی. GA4 این دو را indirectly followed by و directly followed by مینامد و Amplitude گزینههای this order و exact order را دارد. برای بیشتر قیفهای فروش، حالت اول به رفتار واقعی نزدیکتر است، چون مشتری معمولاً چند محصول را میبیند و بعد یکی را به سبد اضافه میکند.
پنجره تبدیل قیف را چقدر بگذاریم؟
پنجره تبدیل مدت زمانی است که کاربر فرصت دارد از مرحله اول به مرحله آخر برسد و هنوز «تبدیلشده» حساب شود. مستندات Mixpanel هم سؤال قیف را همینطور تعریف میکند: چه سهمی از کاربران در یک بازه زمانی مشخص تبدیل شدهاند. اگر پنجره را خیلی کوتاه بگذارید، خریدارهای کند ولی واقعی ریزش حساب میشوند. اگر خیلی بلند بگذارید، خریدهای بیربط به حساب قیف نوشته میشوند.
پنجره را از داده خودتان دربیاورید:
- کاربرانی را که در چند ماه اخیر خرید کردهاند جدا کنید.
- فاصله اولین بازدید محصول تا خرید را برای هر کدام حساب کنید.
- پراکندگی این فاصله را ببینید و پنجرهای انتخاب کنید که بیشترش را پوشش بدهد؛ مثلاً نقطهای که حدود ۸۰ تا ۹۰ درصد خریدارها تا آن زمان خرید کردهاند.
- هر بار که دورهها، کمپینها یا تستها را مقایسه میکنید، همان پنجره را نگه دارید.
برای محصول ارزان و خرید لحظهای، یک نشست کافی است. فروشگاه مبلمان یا ثبتنام B2B شاید ۱۴ یا ۳۰ روز لازم داشته باشد. اگر وسط کار پنجره را عوض کردید، نتیجه را یک سری جدید بدانید، نه ادامه قبلی.
کدام اشتباهها نرخ ریزش واقعی را پنهان میکنند؟
این پنج اشتباه رایجاند و هر کدام قیف را سالمتر یا بیمارتر از واقعیت نشان میدهند:
- مراحل زیاد. قیف دهمرحلهای مسیر را به گذرهایی آنقدر کوچک میشکند که نوسان تصادفی شکل مشکل پیدا میکند. هر رویدادی هم که درست ثبت نشود، همه مراحل بعدی را خراب میکند. قیف اصلی را به چند تصمیم مهم محدود کنید و برای جزئیات، مثل فیلدهای فرم پرداخت، قیف فرعی بسازید.
- پنجره تبدیل اشتباه. پنجره یکنشستی برای محصولی که مردم یک هفته دربارهاش تحقیق میکنند، بیشتر خریدارها را ریزش نشان میدهد. پنجره ۹۰ روزه برای محصول لحظهای هم صفحه پرداختی را که واقعاً خراب است پنهان میکند.
- قاطی کردن نشست، دستگاه و کاربر. اگر قیف نشستها را بشمارد، کسی که امشب با موبایل از اینستاگرام محصول را به سبد اضافه میکند و فردا با لپتاپ میخرد، یک نشست رهاشده و یک خرید بیسابقه دیده میشود. کاربر یکتا را بشمارید و از ابزاری استفاده کنید که بازدیدهای یک نفر را روی دستگاههای مختلف به هم وصل کند.
- نادیده گرفتن بخشها. نرخ میانگین، مرحلهای را که فقط برای یک گروه خراب است پنهان میکند. فرض کنید نرخ ۶۰ درصدی خرید در فروشگاه فرضی ما در واقع ۱٬۰۸۰ کاربر موبایل با نرخ ۵۰ درصد و ۶۰۰ کاربر دسکتاپ با نرخ ۷۸ درصد است. میانگین قابل قبول به نظر میرسد، اما مشکل در صفحه پرداخت موبایل است. قبل از تصمیم، قیف را بر اساس دستگاه، کانال، کاربر جدید و قدیمی و کمپین جدا کنید.
- شمردن رباتها. خزندهها، ابزارهای پایش و اسکرپرها مرحله اول را باد میکنند و همه نرخها را پایین میکشند. بعضی ابزارها رباتهای شناختهشده را خودکار حذف میکنند؛ گوگل میگوید Google Analytics این کار را میکند و نمیشود دید چه مقدار حذف شده است. جهش ناگهانی ترافیک مرحله اول بدون تغییر در مراحل بعدی، نشانهای است که باید بررسی شود.
چطور در ادپیکس قیف فروش بسازید و بخشبندی کنید؟
ادپیکس گزارش مسیر کامل تبدیل دارد؛ نمای قیفیِ دادههای شما که هر مرحله را از اولین بازدید تا ثبتنام یا خرید دنبال میکند و نشان میدهد کاربران کجا ریزش میکنند. برای ساختنش:
- تگ را نصب و رویدادها را بررسی کنید. کد ادپیکس را به سایت اضافه کنید یا کانتینر Google Tag Manager خود را وارد کنید؛ راهاندازی کمتر از پنج دقیقه طول میکشد. در گزارش لحظهای مطمئن شوید هر رویدادی که قرار است مرحله قیف باشد، برای هر اقدام یک بار ثبت میشود.
- مراحل را تعریف کنید. همان چهار یا پنج تصمیمی را که بالاتر انتخاب کردید، به ترتیب وارد کنید و نام رویدادها را با بقیه گزارشهایتان یکدست نگه دارید.
- نرخ هر مرحله و نرخ کل را کنار هم بخوانید. گزارشهای ادپیکس نمونهبرداری (sampling) ندارند؛ پس بخشهای کوچک و مراحل کمحجم هم عدد واقعیِ ثبتشده را نشان میدهند، نه تخمین.
- آدم بشمارید، نه بازدید. ادپیکس بازدیدهای یک کاربر را روی دستگاهها و کانالهای مختلف به یک مسیر واحد وصل میکند؛ همان چیزی که اشتباه سوم را برطرف میکند.
- بر اساس منبع جدا کنید. گزارشهای جذب، کانالها، source / medium و کمپینهای دارای UTM را نشان میدهند. مثلاً ببینید آیا کمپین اینستاگرام بازدیدکنندهای میآورد که هیچوقت چیزی به سبد اضافه نمیکند؛ راهنمای پارامترهای UTM یک قاعده نامگذاری ماندگار را توضیح میدهد.
- مرحله پرنشتی را بخشبندی کنید. بخشبندی (segments) از پلن استارتر به بالا در دسترس است. جزئیات پلنها در صفحه قیمت ادپیکس آمده است.
اگر فروش آنلاین دارید، تحلیل سفارشها در همه پلنها هست و از پلن استارتر به بالا گزارشهای فروش آنلاین و درآمد هم اضافه میشوند تا تغییر نرخ یک مرحله را مثل مثال ۹۱ میلیون تومانی بالا به تومان تبدیل کنید. ارزش یک خرید هم به سفارش اول محدود نیست، چون مشتری راضی برمیگردد؛ راهنمای ارزش طول عمر مشتری (LTV) نشان میدهد این ارزش را چطور حساب کنید. تشخیص ترافیک نامعتبر و تقلب از پلن استارتر به بالا در دسترس است؛ در پلن رایگان، الگوی رباتی را که در اشتباه پنجم گفتیم زیر نظر داشته باشید. ادپیکس کنار Google Analytics هم بدون تداخل اجرا میشود و میتوانید قیف دو ابزار را با هم مقایسه کنید؛ روش مقایسه منصفانه در راهنمای جایگزین گوگل آنالیتیکس آمده و مراحل راهاندازی در مستندات ادپیکس.
وقتی مرحله پرنشتی را پیدا کردید، فقط یک چیز را در همان مرحله تغییر دهید، مثلاً فیلدهای کمتر در فرم، نمایش روشنتر هزینه ارسال یا چیدمان دیگری برای درگاه پرداخت، و آن را در برابر نسخه فعلی تست کنید. قبل از شروع، حجم نمونه را حساب کنید: مرحلهای که ماهی ۱٬۶۸۰ کاربر دارد به تست خیلی طولانیتری از مرحلهای با ۴۰٬۰۰۰ کاربر نیاز دارد. راهنمای حجم نمونه تست A/B محاسبهاش را توضیح میدهد و کتاب Trustworthy Online Controlled Experiments از کوهاوی، تانگ و شو مرجع استاندارد اجرای تستهای قابل اعتماد است.
در آخر، قیف را وارد گزارشهای منظمتان کنید. نرخ تبدیل کل جایش کنار شاخصهای کلیدی بازاریابی (KPI) است و نرخ مراحل باید کنارش باشد تا افت، همان هفتهای که اتفاق میافتد دیده شود. اگر کمپینی بالای قیف قوی و در خرید ضعیف به نظر میرسد، قبل از جابهجا کردن بودجه ببینید با کدام مدل اتریبیوشن اعتبار آن را حساب میکنید. این ماه مرحلهای را پیدا کنید که از سابقه خودش بدتر است، آن را بر اساس دستگاه و کانال جدا کنید و از همانجا شروع کنید.
محاسبهگر تست A/B
حجم نمونه و مدت زمان آزمایش بعدی شما. پلن رایگان ادپیکس تا ۱۰۰ هزار رویداد در ماه، بدون کارت بانکی. راهاندازی کمتر از پنج دقیقه طول میکشد.
پرسشهای متداول
قیف فروش چیست؟
قیف فروش مجموعهای از مراحل پشت سر هم است، مثل دیدن محصول، افزودن به سبد، شروع پرداخت و خرید، که نشان میدهد چند نفر هر مرحله را کامل میکنند و بین کدام مراحل از دست میروند.
فرق نرخ تبدیل هر مرحله با نرخ تبدیل کل چیست؟
نرخ تبدیل مرحله سهم کاربرانی است که از یک مرحله به مرحله بعد میروند. نرخ تبدیل کل سهم کسانی است که از مرحله اول شروع کردهاند و به مرحله آخر رسیدهاند و برابر حاصلضرب نرخ همه مراحل است.
قیف باز با قیف بسته چه فرقی دارد؟
در قیف باز کاربر میتواند از هر مرحلهای وارد شود. در قیف بسته فقط کسانی شمرده میشوند که از مرحله اول شروع کردهاند.
پنجره تبدیل قیف را چند روز بگذاریم؟
بر اساس فاصله زمانی واقعی خریدارانتان از اولین مرحله تا خرید. برای خرید لحظهای یک نشست کافی است؛ برای خریدهای گرانتر معمولاً چند روز یا بیشتر لازم است.
قیف بازاریابی با قیف فروش فرق دارد؟
قیف بازاریابی معمولاً مراحل آشنایی و جذب را هم در بر میگیرد و قیف فروش روی مراحل نزدیک به خرید تمرکز دارد. روش تحلیل هر دو یکی است: شمردن کاربران در هر مرحله و پیدا کردن نقطه ریزش.
منابع و روش
همه اعداد قیف در این مقاله مربوط به یک فروشگاه آنلاین فرضی است و برای ساده شدن محاسبه انتخاب شدهاند. توضیح قیف باز و بسته، ترتیب مراحل و حذف رباتها از مستندات ابزارهایی گرفته شده که در منابع آمدهاند.
- Google Analytics Help: [GA4] Funnel exploration
- Google Analytics Help: Known bot-traffic exclusion
- Mixpanel Docs: Funnels
- Amplitude Docs: Build a funnel analysis
- Kohavi, Tang and Xu: Trustworthy Online Controlled Experiments (Cambridge University Press, 2020)
این مطلب با کمک هوش مصنوعی نوشته شده و پیش از انتشار توسط تیم ادپیکس بازبینی شده است. سیاست تحریریه