Mở đầu — vì sao bài này quan trọng
Hãy tưởng tượng bạn đang vận hành một cửa hàng trên phố. Mỗi ngày có 1.000 người đi ngang, 300 người dừng lại nhìn tủ kính, 100 người bước vào, 40 người cầm sản phẩm lên xem, và cuối cùng chỉ 10 người ra quầy thanh toán. Nếu bạn chỉ nhìn con số cuối cùng — "hôm nay bán được 10 đơn" — bạn sẽ không bao giờ biết mình đang mất khách ở đâu. Nhưng nếu bạn nhìn toàn bộ hành trình đó dưới dạng một cái phễu, bạn sẽ thấy ngay: chỉ 33% người đi ngang chịu dừng lại, và trong số vào cửa hàng thì tận 90% bỏ đi mà không mua gì. Đó chính là bản chất của Funnel Analysis (phân tích phễu chuyển đổi).
Trong UX, funnel analysis là một trong những công cụ định lượng mạnh mẽ nhất để trả lời câu hỏi "người dùng rơi rụng ở đâu và tại sao". Nó biến một sản phẩm số phức tạp — với hàng chục màn hình, nút bấm, form — thành một chuỗi bước tuần tự dễ đo, dễ so sánh. Quan trọng hơn, nó chỉ cho bạn chính xác màn hình nào, bước nào đang giết chết trải nghiệm, thay vì để bạn đoán mò dựa trên cảm tính hay ý kiến sếp.
Ở bài này, chúng ta tập trung vào hai khái niệm cốt lõi mà một chuyên gia UX Metrics bắt buộc phải nắm vững: drop-off (tỷ lệ rơi rụng giữa các bước) và cohort (phân tích theo nhóm người dùng cùng đặc điểm). Đây không phải kiến thức "biết cho vui" — đây là công cụ bạn sẽ dùng gần như hàng tuần khi làm việc thật.
Khái niệm cốt lõi
Funnel là gì?
Một funnel (phễu) là một chuỗi các bước tuần tự mà người dùng phải đi qua để đạt được một mục tiêu cụ thể. "Tuần tự" là từ khóa quan trọng: bước sau chỉ xảy ra sau bước trước, và bạn quan tâm đến việc bao nhiêu phần trăm người đi được từ bước này sang bước kế tiếp.
Ví dụ kinh điển là phễu thanh toán (checkout funnel) của một sàn thương mại điện tử:
- Xem giỏ hàng (View cart)
- Nhấn thanh toán (Click checkout)
- Nhập địa chỉ giao hàng (Enter shipping)
- Chọn phương thức thanh toán (Choose payment)
- Xác nhận đơn hàng (Confirm order — bước hoàn tất)
Drop-off: nơi bạn mất khách
Drop-off rate là tỷ lệ người dùng rời bỏ giữa hai bước liên tiếp. Đây là chỉ số quan trọng nhất trong funnel analysis, vì nó chỉ đúng chỗ "chảy máu".
Với ví dụ trên, ta tính drop-off từng bước:
- Bước 1 → 2: mất 3.500 người, drop-off = 3.500 / 10.000 = 35%
- Bước 2 → 3: mất 2.300 người, drop-off = 2.300 / 6.500 = 35,4%
- Bước 3 → 4: mất 700 người, drop-off = 700 / 4.200 = 16,7%
- Bước 4 → 5: mất 400 người, drop-off = 400 / 3.500 = 11,4%
Cohort: cùng một phễu, những nhóm người khác nhau
Một phễu tổng hợp (aggregate funnel) cho bạn bức tranh trung bình, nhưng trung bình thường che giấu sự thật. Cohort analysis là kỹ thuật chia người dùng thành các nhóm (cohort) có chung một đặc điểm, rồi so sánh phễu của từng nhóm.
Cohort có thể được định nghĩa theo:
- Thời gian: người đăng ký trong tuần 1 tháng 6 so với tuần 2, để xem thay đổi thiết kế có tác dụng không.
- Nguồn truy cập (acquisition source): người đến từ quảng cáo Facebook so với người tìm kiếm Google.
- Thiết bị: người dùng mobile so với desktop.
- Hành vi: người mua lần đầu so với khách quay lại.
Phân biệt funnel với các khái niệm liền kề
Một lưu ý về phạm vi: bài này tập trung vào cấu trúc phễu, drop-off và cohort. Việc tối ưu hóa tỷ lệ chuyển đổi một cách hệ thống (CRO) là chủ đề của Bài 16, và cách chạy A/B test để chứng minh cải tiến là Bài 17. Ở đây, mục tiêu của chúng ta là đọc và diễn giải phễu cho đúng — nền tảng để làm mọi việc sau đó.
Tình huống thực tế
Ví dụ 1 — Tiki và bài toán "địa chỉ giao hàng"
Giả định một đội UX tại Tiki phân tích phễu checkout trong quý và thấy tổng chuyển đổi từ giỏ hàng đến đặt đơn thành công chỉ đạt 28%. Khi vẽ phễu, họ phát hiện bước "Nhập/chọn địa chỉ giao hàng" có drop-off tới 33% — cao bất thường.
Đào sâu bằng cohort theo thiết bị, họ thấy điều thú vị: trên desktop drop-off ở bước này chỉ 18%, nhưng trên mobile lên tới 41%. Xem lại giao diện, nguyên nhân lộ ra: trên mobile, ô nhập địa chỉ dùng dropdown ba cấp (Tỉnh/Thành → Quận/Huyện → Phường/Xã), và mỗi lần chọn phải chờ tải lại danh sách. Người dùng ở TP.HCM với hàng trăm phường xã phải cuộn rất lâu, nhiều người bỏ cuộc.
Giải pháp đề xuất: thêm ô tìm kiếm gõ chữ trong dropdown, ghi nhớ địa chỉ đã dùng, và tự động gợi ý phường/xã theo mã bưu chính. Bài học rút ra: drop-off cao ở một bước là tín hiệu chỉ đường; cohort theo thiết bị biến "form địa chỉ hơi khó" thành "form địa chỉ đang giết 41% đơn hàng mobile" — một con số đủ sức thuyết phục ban lãnh đạo cấp ngân sách sửa.
Ví dụ 2 — Một app fintech Việt và cohort theo nguồn quảng cáo
Một startup ví điện tử (gọi là "PayViet" cho dễ hình dung) chạy phễu onboarding: Tải app → Đăng ký số điện thoại → Xác thực OTP → Chụp CMND/CCCD (eKYC) → Liên kết ngân hàng → Nạp tiền lần đầu. Tổng tỷ lệ đi hết phễu là 9%, ban giám đốc rất lo.
Khi chia cohort theo nguồn acquisition, bức tranh sáng tỏ: người đến từ chương trình "giới thiệu bạn bè" (referral) hoàn tất phễu tới 22%, trong khi người đến từ quảng cáo game thưởng (nhận xu đổi quà) chỉ 3%. Nhóm quảng cáo game chủ yếu dừng lại ngay ở bước eKYC — họ không có ý định thật, chỉ muốn nhận thưởng rồi rời đi.
Bài học rút ra: đôi khi drop-off cao không phải do UX tệ, mà do bạn đang thu hút sai người. Nếu PayViet dồn tiền "sửa màn hình eKYC" cho toàn bộ user, họ sẽ tốn công vô ích, vì nhóm chuyển đổi tốt (referral) vốn không gặp vấn đề. Việc đúng nên làm là cắt ngân sách kênh game thưởng và dồn vào referral. Cohort đã ngăn một quyết định tối ưu hóa sai lầm.
Ví dụ 3 — Grab Food và phễu "so sánh theo tuần"
Giả định đội tăng trưởng của Grab Food muốn kiểm chứng một thay đổi: rút gọn màn hình chọn món từ 2 bước xuống 1 bước. Họ dùng cohort theo thời gian: cohort tuần trước (giao diện cũ) so với cohort tuần này (giao diện mới), với điều kiện lưu lượng và khuyến mãi tương đương.
Phễu: Mở app → Chọn nhà hàng → Thêm món vào giỏ → Thanh toán. Cohort cũ có drop-off ở bước "Thêm món vào giỏ" là 46%; cohort mới giảm xuống 38%. Nghe có vẻ thắng lợi. Nhưng khi nhìn tiếp bước "Thanh toán", cohort mới lại tăng drop-off từ 20% lên 27% — vì giao diện gộp khiến nhiều người thêm nhầm món, đến bước thanh toán mới phát hiện và bỏ giỏ.
Bài học rút ra: tối ưu một bước có thể đẩy vấn đề sang bước sau. Luôn nhìn phễu toàn cục, không chỉ bước bạn vừa động vào. Và cohort theo thời gian chỉ đáng tin khi các điều kiện khác (lưu lượng, khuyến mãi, mùa vụ) được kiểm soát tương đương — nếu tuần này có sale lớn, so sánh sẽ vô nghĩa.
Hướng dẫn từng bước
Đây là quy trình thực hiện một funnel analysis hoàn chỉnh:
Bước 1 — Xác định mục tiêu và định nghĩa phễu. Bắt đầu từ mục tiêu kinh doanh (đặt đơn, đăng ký, kích hoạt tài khoản). Từ đó liệt kê các bước tuần tự bắt buộc. Giữ phễu gọn — thường 3 đến 6 bước. Phễu quá dài (10+ bước) sẽ khiến mỗi bước drop-off nhỏ, khó phân tích.
Bước 2 — Định nghĩa event cho từng bước. Mỗi bước phải tương ứng với một sự kiện đo được rõ ràng (ví dụ view_cart, click_checkout, submit_shipping). Thống nhất với đội kỹ thuật để tracking chính xác. Đây là bước hay bị làm ẩu nhất — nếu event bắn sai, mọi phân tích sau đều vô nghĩa.
Bước 3 — Chọn khung thời gian và cửa sổ chuyển đổi (conversion window). Quyết định người dùng có bao lâu để hoàn tất phễu — trong 1 phiên (session), trong 24 giờ, hay 7 ngày? Với checkout, thường tính trong cùng phiên. Với onboarding fintech (chờ duyệt eKYC), có thể cần 3–7 ngày.
Bước 4 — Vẽ phễu tổng hợp và tính drop-off. Lấy số người ở mỗi bước, tính tỷ lệ chuyển đổi giữa các bước và drop-off. Đánh dấu bước có drop-off cao nhất theo tỷ lệ, không chỉ theo số tuyệt đối.
Bước 5 — Bổ theo cohort. Chia phễu theo ít nhất một chiều quan trọng (thiết bị, nguồn, thời gian). Tìm cohort có phễu lệch bất thường so với trung bình.
Bước 6 — Đưa ra giả thuyết và kiểm chứng định tính. Drop-off chỉ cho biết ở đâu, không cho biết tại sao. Kết hợp session replay, khảo sát, hoặc usability test để hiểu nguyên nhân. Sau đó mới đề xuất thay đổi (và chứng minh qua A/B test — Bài 17).
Lỗi thường gặp & mẹo
Lỗi 1 — Nhầm phễu tuần tự với phễu tùy chọn. Không phải mọi hành trình đều tuyến tính. Nếu người dùng có thể vào checkout từ nhiều điểm khác nhau, hoặc quay lại bước trước, việc ép nó thành phễu cứng sẽ tạo drop-off ảo. Cân nhắc phễu "any order" khi thứ tự không bắt buộc.
Lỗi 2 — Bỏ qua conversion window. Nếu bạn tính "hoàn tất trong 1 giờ" nhưng nhiều người mua vào ngày hôm sau, phễu sẽ báo drop-off cao giả tạo. Chọn cửa sổ phù hợp với hành vi thực tế của sản phẩm.
Lỗi 3 — Chỉ nhìn con số tuyệt đối. Như đã nói: bước mất nhiều người nhất chưa chắc là bước có vấn đề nhất. Luôn ưu tiên đọc tỷ lệ drop-off.
Lỗi 4 — Trung bình che giấu sự thật. Không bao giờ dừng ở phễu tổng hợp. Một chuyển đổi 30% "bình thường" có thể gồm mobile 10% và desktop 50%. Cohort là bắt buộc, không phải tùy chọn.
Lỗi 5 — Nhầm tương quan với nhân quả. Cohort quảng cáo A chuyển đổi kém hơn B không có nghĩa UX kém — có thể do chất lượng traffic. Đừng vội sửa giao diện khi vấn đề nằm ở nguồn khách.
Mẹo: Luôn ghi lại "baseline" (chuyển đổi và drop-off hiện tại) trước khi thay đổi bất cứ gì. Không có baseline, bạn không thể chứng minh mình đã cải thiện. Và mẹo cuối: đặt ngưỡng cảnh báo — nếu drop-off một bước tăng đột biến so với tuần trước, đó thường là dấu hiệu một bug vừa được release.
Bài tập thực hành
- Vẽ và tính phễu. Cho phễu đăng ký một app học tiếng Anh: Vào trang → Nhập email (8.000) → Xác thực email (5.200) → Chọn trình độ (4.400) → Hoàn tất hồ sơ (3.960). Trang có 12.000 lượt vào. Hãy tính: (a) tỷ lệ chuyển đổi tổng thể, (b) drop-off từng bước theo phần trăm, (c) bước nào cần ưu tiên sửa nhất và vì sao.
- Thiết kế cohort. Với chính app trên, hãy đề xuất 3 chiều cohort bạn muốn bổ, và với mỗi chiều, viết một giả thuyết cụ thể mà cohort đó có thể giúp bạn kiểm chứng.
- Phân tích tình huống. Một sàn TMĐT thấy sau khi ra mắt tính năng "đăng nhập bằng vân tay", chuyển đổi checkout tổng thể giảm. Hãy liệt kê ít nhất 3 giả thuyết giải thích, và với mỗi giả thuyết, nêu cohort hoặc dữ liệu bạn cần để xác minh.
Tóm tắt
Funnel analysis là công cụ định lượng cốt lõi giúp bạn thấy chính xác người dùng rơi rụng ở đâu trên hành trình đến mục tiêu. Một phễu là chuỗi bước tuần tự; drop-off đo tỷ lệ mất người giữa các bước và chỉ cho bạn nơi cần tập trung sửa. Nhưng phễu tổng hợp luôn tiềm ẩn nguy cơ đánh lừa bằng con số trung bình — vì thế cohort analysis, việc bổ phễu theo thiết bị, nguồn khách, thời gian hay hành vi, là bắt buộc để nhìn ra sự thật ẩn bên dưới. Ba nguyên tắc cần khắc cốt: đọc tỷ lệ chứ không chỉ con số tuyệt đối, luôn bổ theo cohort, và nhớ rằng drop-off chỉ nói ở đâu chứ không nói tại sao — cần kết hợp phương pháp định tính để tìm nguyên nhân. Nắm vững phần này, bạn đã có nền tảng vững chắc để bước sang tối ưu hóa chuyển đổi (Bài 16) và kiểm chứng cải tiến bằng A/B testing (Bài 17).