Mở đầu — vì sao bài này quan trọng
Ở bài trước, chúng ta đã làm quen với nền tảng của product analytics: sự kiện (event), thuộc tính (property), và việc đo lường hành vi người dùng thay vì chỉ đếm lượt truy cập. Nhưng nếu bạn chỉ dừng ở việc đếm "có bao nhiêu người click nút Đăng ký", bạn mới chạm tới bề nổi. Câu hỏi thật sự mà mọi Product Manager phải trả lời là: Người dùng đi qua sản phẩm của tôi như thế nào? Họ rơi rụng ở đâu? Bao nhiêu người quay lại sau một tuần, một tháng?
Ba công cụ phân tích trong bài này — Funnel (phễu chuyển đổi), Cohort (nhóm người dùng cùng đặc điểm) và Retention (giữ chân) — chính là bộ ba nền tảng để trả lời những câu hỏi đó. Tôi thường nói với học viên rằng: nếu bạn chỉ được phép học ba biểu đồ trong cả sự nghiệp làm sản phẩm, hãy học ba cái này. Một startup có thể thiếu tính năng đẹp, thiếu ngân sách marketing, nhưng nếu không đọc được ba biểu đồ này thì gần như chắc chắn sẽ "chết" mà không hiểu vì sao.
Điều quan trọng cần nhấn mạnh ngay: đây là bài về khái niệm và tư duy phân tích, không phải hướng dẫn bấm nút trong Mixpanel hay Amplitude (những thứ đó sẽ có ở các bài sau). Mục tiêu của bài này là để khi bạn mở bất kỳ công cụ nào, bạn đã hiểu bản chất mình đang nhìn cái gì.
Khái niệm cốt lõi
Funnel — Phễu chuyển đổi
Funnel mô tả một chuỗi các bước mà người dùng phải đi qua tuần tự để hoàn thành một mục tiêu. Hình dung như một cái phễu: đầu vào rộng, càng xuống dưới càng hẹp, vì ở mỗi bước sẽ có người rơi rụng.
Ví dụ một phễu đăng ký khóa học đơn giản:
Xem trang khóa học: 1.000 người
↓ 40%
Bấm "Đăng ký ngay": 400 người
↓ 60%
Điền thông tin thanh toán: 240 người
↓ 75%
Hoàn tất thanh toán: 180 người
Ba con số quan trọng bạn phải đọc được từ một phễu:
- Tỷ lệ chuyển đổi tổng (overall conversion): từ bước đầu đến bước cuối. Ở đây là 180/1.000 = 18%.
- Tỷ lệ chuyển đổi từng bước (step conversion): ví dụ từ "điền thông tin" sang "hoàn tất" là 75%.
- Điểm rơi rụng lớn nhất (biggest drop-off): bước nào mất nhiều người nhất theo số tuyệt đối lẫn tỷ lệ. Ở phễu trên, bước "Xem trang → Bấm đăng ký" mất 600 người — đây là nơi đáng đầu tư nhất.
- Closed funnel (phễu đóng): người dùng phải đi đúng thứ tự các bước mới được tính. Phù hợp với quy trình bắt buộc như thanh toán.
- Open funnel (phễu mở): người dùng có thể làm bước khác xen giữa vẫn được tính. Phù hợp khi hành trình linh hoạt.
Cohort — Nhóm người dùng cùng đặc điểm
Cohort (thường dịch là "nhóm thuần tập") là một tập người dùng được gom lại vì cùng chia sẻ một đặc điểm. Phổ biến nhất là cohort theo thời gian gia nhập — ví dụ "tất cả người dùng đăng ký trong tháng 1/2026". Nhưng cohort cũng có thể dựa trên hành vi: "những người đã tạo ít nhất 1 dự án", hoặc thuộc tính: "người dùng ở TP.HCM dùng iOS".
Vì sao cohort quan trọng? Vì nó cho phép bạn so sánh táo với táo. Nếu chỉ nhìn tổng số người dùng hoạt động toàn hệ thống, bạn sẽ không thấy được rằng nhóm đăng ký tháng 3 giữ chân tốt hơn nhóm tháng 1 (có thể nhờ một cải tiến onboarding). Cohort tách các nhóm ra để bạn nhìn thấy xu hướng theo từng lứa.
Retention — Giữ chân người dùng
Retention đo lường: trong số người dùng bắt đầu ở thời điểm T0, bao nhiêu phần trăm quay lại thực hiện một hành động có ý nghĩa ở các mốc thời gian sau (ngày 1, ngày 7, ngày 30...).
Có ba cách tính retention mà bạn phải phân biệt rõ, vì chọn sai sẽ dẫn đến quyết định sai:
- N-day retention: người dùng có quay lại đúng ngày thứ N không. Nghiêm ngặt, phù hợp với sản phẩm dùng hằng ngày (game, mạng xã hội).
- Unbounded / Rolling retention: người dùng có quay lại vào ngày thứ N hoặc bất kỳ ngày nào sau đó không. Rộng lượng hơn, phù hợp sản phẩm dùng không thường xuyên.
- Bracket retention: gom theo khoảng (tuần 1, tuần 2...) thay vì từng ngày, giúp làm mượt số liệu cho sản phẩm dùng thưa.
Tình huống thực tế
Tình huống 1 — Phễu thanh toán của một sàn TMĐT (bối cảnh Việt Nam)
Một sàn thương mại điện tử giả định tên ChợNhanh phát hiện doanh thu chững lại dù traffic tăng đều. Đội PM dựng phễu mua hàng:
Xem sản phẩm: 50.000
↓ 30%
Thêm giỏ hàng: 15.000
↓ 55%
Vào trang checkout: 8.250
↓ 45%
Đặt hàng thành công: 3.712
Nhìn qua thì bước "Xem → Thêm giỏ" mất nhiều người nhất về số tuyệt đối (35.000 người). Nhưng đây là hành vi tự nhiên — không phải ai xem cũng mua. Điểm bất thường nằm ở bước Checkout → Đặt hàng chỉ đạt 45%, thấp bất thường so với chuẩn ngành (~60-70%). Khi đội PM phân tích sâu, họ phát hiện cổng thanh toán qua thẻ nội địa (ATM/Napas) bị lỗi timeout trên trình duyệt Chrome Android — nhóm chiếm gần một nửa người dùng. Sau khi sửa, tỷ lệ bước cuối tăng lên 61%, tương đương thêm khoảng 1.300 đơn/ngày mà không cần thêm một đồng marketing nào.
Bài học: Đừng chỉ nhìn drop-off tuyệt đối. Hãy so sánh tỷ lệ từng bước với chuẩn ngành và luôn segment (chia nhỏ) theo thiết bị/nền tảng — điểm rơi rụng lớn nhất chưa chắc là điểm bất thường nhất.
Tình huống 2 — So sánh cohort onboarding của một app fintech (Đông Nam Á)
Một ví điện tử giả định tên PayViet thay đổi luồng onboarding vào tháng 3: rút gọn từ 5 bước xác thực xuống 3 bước, đẩy phần eKYC còn lại sang sau lần dùng đầu tiên. Để đánh giá, họ so sánh retention theo cohort tháng:
| Cohort | D1 | D7 | D30 |
|---|---|---|---|
| Tháng 2 | 42% | 21% | 12% |
| Tháng 3 | 58% | 26% | 13% |
Bài học: Retention theo cohort giúp cô lập tác động của một thay đổi. Cải thiện D1 mà không cải thiện D30 thường chỉ là "kéo thêm người vào cái xô thủng". Phải nhìn cả đường cong, không chỉ một điểm.
Tình huống 3 — Đường cong retention hình chữ "smile" ở một app ghi chú
Một startup SaaS công cụ ghi chú thấy retention giảm dần đều đến D14 rồi đi lên ở D30 — đường cong hình nụ cười. Ban đầu họ tưởng số liệu lỗi. Thực ra đây là hiện tượng có thật: nhóm người dùng dùng công cụ theo chu kỳ (ví dụ lập kế hoạch đầu tháng) sẽ vắng mặt giữa tháng rồi quay lại. Điều này gợi ý một cơ hội: nếu gửi thông báo nhắc nhở đúng nhịp chu kỳ, họ có thể kéo phần "trũng" giữa tháng lên cao hơn.
Bài học: Hình dạng đường cong kể một câu chuyện về nhịp sử dụng tự nhiên của sản phẩm. Đừng vội cho là số liệu sai — hãy hỏi "hành vi nào tạo ra hình dạng này?".
Hướng dẫn từng bước
Dưới đây là quy trình tư duy để phân tích ba loại biểu đồ này với bất kỳ công cụ nào:
- Xác định câu hỏi kinh doanh trước, biểu đồ sau. Ví dụ: "Vì sao tỷ lệ mua hàng thấp?" → dùng funnel. "Thay đổi onboarding có hiệu quả không?" → dùng cohort retention. Đừng dựng biểu đồ chỉ vì công cụ có sẵn.
- Định nghĩa các bước/sự kiện thật chính xác. Với funnel, liệt kê tuần tự các event (ví dụ
product_viewed→add_to_cart→checkout_started→order_completed). Đảm bảo các event này đã được tracking đúng ở bài trước.
- Chọn cửa sổ thời gian (conversion/retention window) hợp lý. Sản phẩm mua nhanh (đồ ăn) dùng cửa sổ ngắn; sản phẩm cân nhắc lâu (bảo hiểm, khóa học đắt tiền) cần cửa sổ dài hơn.
- Segment — chia nhỏ. Luôn tách theo ít nhất một chiều: nền tảng (iOS/Android/Web), nguồn traffic, khu vực, hoặc nhóm hành vi. Số liệu tổng thường che giấu vấn đề.
- Đọc theo tỷ lệ VÀ số tuyệt đối. Một bước rơi 50% nghe đáng sợ, nhưng nếu chỉ ảnh hưởng 20 người thì không đáng ưu tiên bằng bước rơi 10% ảnh hưởng 5.000 người.
- Tìm điểm phẳng của đường cong retention. Xác định "retention floor" để biết tỷ lệ người dùng cốt lõi thật sự của bạn là bao nhiêu.
- Đặt giả thuyết và hành động. Phân tích không có giá trị nếu không dẫn tới hành động. Mỗi biểu đồ nên kết thúc bằng một câu: "Vì thấy X, chúng ta sẽ thử làm Y."
Lỗi thường gặp & mẹo
- Nhầm correlation với causation. Thấy cohort tháng 3 tốt hơn không có nghĩa thay đổi onboarding là nguyên nhân duy nhất — có thể tháng 3 trùng chiến dịch marketing chất lượng cao. Khi cần khẳng định nhân quả, phải dùng A/B test (bài sau).
- Chỉ nhìn retention tổng, không nhìn theo cohort. Retention tổng có thể "phẳng đẹp" một cách giả tạo vì người dùng cũ trung thành che lấp việc người dùng mới rơi rụng nhanh. Luôn tách cohort.
- Đặt cửa sổ chuyển đổi tùy tiện. Cửa sổ 1 giờ cho một khóa học 5 triệu đồng sẽ khiến conversion trông thảm hại. Hãy khớp cửa sổ với hành vi thật.
- Chọn sai sự kiện "quay lại" cho retention. Retention phải đo hành động có ý nghĩa (ví dụ "gửi tin nhắn", "hoàn thành 1 bài học"), không phải chỉ "mở app". Mở app rồi thoát ngay không phải là giữ chân thật sự.
- Mẹo: dùng "biggest drop-off" làm la bàn ưu tiên. Trong mọi phễu, hãy tìm bước có tích số (số người rơi × mức độ dễ sửa) cao nhất để đầu tư trước.
- Mẹo: so với chính mình theo thời gian. Đừng ám ảnh với benchmark ngành (thường không đáng tin). Quan trọng hơn là cohort tháng này có tốt hơn tháng trước không.
Bài tập thực hành
- Dựng phễu trên giấy. Chọn một sản phẩm bạn đang dùng (ví dụ Shopee, Grab, Duolingo). Viết ra 4-5 bước của một phễu quan trọng (ví dụ đặt xe, hoàn thành bài học). Với mỗi bước, ước lượng tỷ lệ chuyển đổi và chỉ ra bước bạn nghi ngờ là điểm rơi rụng lớn nhất. Giải thích vì sao.
- Phân tích bảng cohort. Cho bảng retention sau, hãy nhận xét: cohort nào khỏe nhất? Có dấu hiệu "xô thủng" không? Bạn sẽ điều tra điều gì tiếp theo?
| Cohort | D1 | D7 | D30 |
|---|
| Tuần 1 | 50% | 30% | 22% |
|---|
| Tuần 2 | 65% | 28% | 15% |
|---|
| Tuần 3 | 48% | 29% | 23% |
|---|
- Chọn định nghĩa retention. Cho ba sản phẩm — (a) một game giải đố chơi hằng ngày, (b) một app đặt vé máy bay, (c) một công cụ hóa đơn cho doanh nghiệp — hãy chọn loại retention (N-day / rolling / bracket) phù hợp cho từng cái và giải thích lý do.
- Viết một câu hành động. Với phễu bạn dựng ở bài 1, viết đúng một câu theo mẫu: "Vì thấy [dữ liệu], chúng tôi sẽ thử [hành động] để cải thiện [chỉ số]."
Tóm tắt
Bài này giới thiệu ba công cụ phân tích nền tảng mà mọi PM phải thành thạo. Funnel cho bạn thấy người dùng rơi rụng ở đâu trong một hành trình tuần tự — hãy đọc cả tỷ lệ lẫn số tuyệt đối, chú ý cửa sổ chuyển đổi, và luôn segment. Cohort gom người dùng theo đặc điểm chung để bạn so sánh công bằng và cô lập tác động của thay đổi. Retention đo lường khả năng giữ chân qua thời gian — đường cong lý tưởng phải phẳng lại ở một mức "sàn" chứ không chạm 0.
Điểm mấu chốt xuyên suốt: số liệu tổng luôn nói dối bằng cách che giấu; hãy chia nhỏ, so sánh theo cohort, và luôn kết thúc mỗi phân tích bằng một hành động cụ thể. Ba tình huống của ChợNhanh, PayViet và app ghi chú cho thấy cùng một bài học — hình dạng và con số của biểu đồ chỉ có giá trị khi bạn đặt câu hỏi "vì sao nó lại như thế, và tôi sẽ làm gì tiếp theo?". Ở các bài sau, chúng ta sẽ mổ xẻ sâu từng loại (funnel optimization, retention curves, cohort building) và cách triển khai thực tế trong Mixpanel và Amplitude.