Mở đầu — vì sao bài này quan trọng
Hãy tưởng tượng bạn đang quản lý một quán cà phê. Mỗi ngày có 1.000 người đi ngang qua, 300 người dừng lại đọc menu trước cửa, 120 người bước vào, 80 người gọi nước, nhưng chỉ 50 người thực sự trả tiền. Nếu chỉ nhìn con số "50 đơn hàng", bạn sẽ chẳng biết phải sửa gì. Nhưng khi nhìn theo từng bước — 1.000 → 300 → 120 → 80 → 50 — bạn lập tức thấy chỗ rò rỉ lớn nhất: 700 người đi qua mà không thèm dừng lại đọc menu. Đó chính là tư duy của funnel analysis (phân tích phễu chuyển đổi).
Trong UX research, funnel analysis là cây cầu nối giữa định tính và định lượng. Các bài trước trong khóa đã dạy bạn quan sát người dùng, phỏng vấn, lập journey map. Nhưng khi sản phẩm đã có hàng nghìn, hàng triệu lượt truy cập, bạn không thể phỏng vấn từng người. Funnel analysis cho bạn biết "chỗ nào người dùng rơi rớt" (drop-off) — và đó chính là tấm bản đồ chỉ cho bạn nên đặt camera quan sát, nên mở phiên usability test, hay nên gửi survey ở đâu.
Một UX researcher giỏi không dừng lại ở con số "tỷ lệ chuyển đổi tổng là 3%". Họ đào sâu vào từng bước để trả lời câu hỏi vàng: "Vì sao người dùng bỏ cuộc ở đúng bước này?" Bài học hôm nay sẽ trang bị cho bạn cách đọc một phễu, cách định vị điểm rò rỉ, và quan trọng nhất — cách biến một con số khô khan thành giả thuyết nghiên cứu có thể hành động.
Khái niệm cốt lõi
Funnel là gì?
Funnel (phễu) là chuỗi các bước tuần tự mà người dùng phải đi qua để đạt được một mục tiêu cụ thể — đăng ký tài khoản, mua hàng, hoàn tất một bài học, hay điền xong một biểu mẫu. Gọi là "phễu" vì hình dạng của nó: số người ở bước đầu luôn nhiều, và càng xuống dưới càng thu hẹp lại, giống như miệng phễu rộng và đáy phễu hẹp.
Mỗi bước trong phễu có hai con số quan trọng:
- Conversion rate (tỷ lệ chuyển đổi) giữa hai bước: phần trăm người đi từ bước A sang bước B. Ví dụ 120 người vào quán / 300 người đọc menu = 40%.
- Drop-off rate (tỷ lệ rơi rớt): phần ngược lại — phần trăm người không đi tiếp. Trong ví dụ trên là 60%.
Phễu mẫu cho thương mại điện tử
Đây là phễu kinh điển bạn sẽ gặp nhiều nhất, lấy bối cảnh một sàn TMĐT như Tiki hay Shopee:
- Land on PDP (Product Detail Page) — Người dùng vào trang chi tiết sản phẩm.
- Add to Cart — Bấm "Thêm vào giỏ".
- Begin Checkout — Bắt đầu thanh toán.
- Enter Shipping/Payment — Nhập thông tin giao hàng và thanh toán.
- Purchase Complete — Hoàn tất đơn hàng.
| Bước | Số người | Conversion vs bước trước | Drop-off |
|---|---|---|---|
| Xem PDP | 10.000 | — | — |
| Thêm vào giỏ | 2.500 | 25% | 75% |
| Bắt đầu checkout | 1.500 | 60% | 40% |
| Nhập thông tin | 900 | 60% | 40% |
| Hoàn tất mua | 720 | 80% | 20% |
Phân biệt drop-off "bình thường" và drop-off "bất thường"
Đây là sai lầm lớn nhất của người mới: thấy drop-off cao là hoảng. Nhưng không phải mọi rò rỉ đều xấu. Bước "PDP → Add to Cart" mất 75% là hoàn toàn bình thường — rất nhiều người chỉ xem, so sánh, lướt qua. Trong khi đó, bước "Nhập thông tin → Hoàn tất" mà mất 40% mới đáng báo động, vì ở bước này người dùng đã có ý định mua rất rõ ràng (high intent), họ đã bỏ công nhập địa chỉ rồi mà vẫn bỏ cuộc.
Nguyên tắc vàng: drop-off càng ở gần đáy phễu càng đắt giá, vì đó là những người đã thể hiện ý định mạnh nhất. Mất một người ở bước cuối tốn kém hơn nhiều so với mất một người ở bước đầu.
Các loại funnel thường gặp
- Acquisition funnel: từ quảng cáo → click → landing page → đăng ký.
- Activation funnel: từ đăng ký → hoàn tất onboarding → thực hiện hành động giá trị đầu tiên (aha moment).
- Purchase funnel: như ví dụ TMĐT ở trên.
- Feature funnel: chuỗi bước để dùng một tính năng cụ thể (ví dụ: mở tính năng → cấu hình → lưu → chia sẻ).
Open funnel vs Closed funnel
Một khái niệm kỹ thuật quan trọng: closed funnel chỉ đếm người dùng đi đúng thứ tự các bước. Open funnel cho phép người dùng nhảy vào ở bất kỳ bước nào. Trong công cụ như Mixpanel hay GA4, bạn cần xác định rõ điều này, vì nó ảnh hưởng lớn đến con số. Ví dụ, có người vào thẳng giỏ hàng từ một lần truy cập trước mà không xem PDP trong phiên hiện tại — closed funnel sẽ không tính họ.
Tình huống thực tế
Ví dụ 1 — Sàn TMĐT Việt và bí ẩn ở bước nhập địa chỉ
Một sàn thương mại điện tử thời trang tại TP.HCM (gọi là "ModaVN") phát hiện tỷ lệ chuyển đổi tổng chỉ 2,1%, thấp hơn nhiều so với benchmark ngành (~3%). Team marketing đề xuất đổ thêm tiền quảng cáo để kéo traffic. Nhưng UX researcher đã dựng phễu lên trước:
- Xem PDP: 50.000 → Add to Cart: 9.000 (18%) → Checkout: 6.300 (70%) → Nhập địa chỉ: 2.700 (43%!) → Hoàn tất: 1.050 (39%).
Bài học: Nếu ModaVN nghe theo team marketing và đổ tiền quảng cáo, họ chỉ đổ thêm người vào một cái phễu thủng. Funnel analysis đã chỉ đúng chỗ thủng, và usability test giải thích tại sao. Sau khi thay ba dropdown bằng ô tìm kiếm địa chỉ thông minh, drop-off ở bước này giảm từ 57% xuống 31%.
Ví dụ 2 — App học tiếng Anh và "aha moment" bị chôn quá sâu
Một startup edtech (giả định "SpeakEasy") có app học tiếng Anh. Họ thấy người dùng tải app nhiều nhưng tỷ lệ giữ chân (retention) ngày 7 rất thấp. Researcher dựng activation funnel:
- Mở app lần đầu: 20.000 → Hoàn tất đăng ký: 14.000 (70%) → Làm bài test xếp lớp: 5.600 (40%) → Hoàn tất bài học đầu tiên: 2.800 (50%) → Quay lại ngày 2: 1.400 (50%).
Họ chạy A/B test: nhóm B được làm một bài học ngắn 2 phút trước, rồi mới đến test xếp lớp. Kết quả: bước này tăng từ 40% lên 63%, và retention ngày 7 tăng 22%.
Bài học: Drop-off không phải lúc nào cũng do "bước này tệ", mà có thể do thứ tự các bước sai. Người dùng cần nếm giá trị (aha moment) trước khi bạn yêu cầu họ bỏ công sức. Funnel chỉ ra chỗ rớt; nghiên cứu định tính + thử nghiệm chỉ ra cách sửa.
Ví dụ 3 — Drop-off "ảo" do lỗi đo lường
Một ngân hàng số ở Đông Nam Á thấy phễu mở tài khoản có drop-off 90% ở bước "Xác thực OTP". Cả team hoảng loạn, nghĩ rằng SMS OTP không gửi được. Nhưng khi researcher đào sâu, họ phát hiện sự kiện (event) "OTP verified" bị gắn sai: nó chỉ bắn khi người dùng dùng app phiên bản mới, còn 80% người dùng đang ở bản cũ không hề gửi event này dù họ vẫn xác thực thành công.
Bài học: Trước khi tin vào một con số drop-off sốc, hãy nghi ngờ chính dữ liệu của bạn. Rất nhiều "điểm rò rỉ" thực chất là lỗi tracking (instrumentation). Luôn kiểm tra: event có bắn đúng không, có bị tính trùng/thiếu không, định nghĩa bước có khớp với thực tế không.
Hướng dẫn từng bước
Bước 1 — Xác định mục tiêu và định nghĩa phễu. Trả lời rõ: mục tiêu cuối là gì (mua hàng? đăng ký? hoàn tất bài học?). Liệt kê các bước trung gian bắt buộc phải đi qua. Đừng tham lam nhồi quá nhiều bước — 4 đến 6 bước là vừa đẹp.
Bước 2 — Ánh xạ mỗi bước với một event đo lường được. Mỗi bước phải tương ứng với một sự kiện cụ thể trong công cụ analytics (GA4, Mixpanel, Amplitude, PostHog). Ghi rõ tên event, điều kiện kích hoạt. Đây là lúc dễ sai nhất — hãy kiểm tra thủ công bằng cách tự đi qua phễu và xem event có bắn đúng không.
Bước 3 — Dựng phễu và tính conversion/drop-off cho từng bước. Ghi cả số tuyệt đối lẫn phần trăm. Đừng chỉ nhìn tỷ lệ tổng.
Bước 4 — Định vị điểm rò rỉ đáng chú ý. Tìm bước có drop-off cao bất thường so với kỳ vọng. So sánh với benchmark ngành nếu có. Ưu tiên các bước high-intent (gần đáy phễu).
Bước 5 — Phân tách (segment) phễu. Đây là kỹ thuật quyền lực nhất. Hãy chẻ phễu theo: thiết bị (mobile vs desktop), nguồn traffic (organic vs ads), người mới vs cũ, khu vực địa lý, trình duyệt. Rất thường xuyên, một drop-off tổng 40% thực ra là 20% trên desktop nhưng 65% trên mobile — và bạn vừa tìm ra một bug giao diện mobile.
Bước 6 — Hình thành giả thuyết. Với mỗi điểm rò rỉ, viết một giả thuyết kiểm chứng được: "Chúng tôi tin rằng người dùng mobile bỏ cuộc ở bước nhập địa chỉ vì form dropdown khó dùng trên màn hình nhỏ."
Bước 7 — Chọn phương pháp nghiên cứu định tính để xác minh. Đây là nơi funnel analysis gặp lại phần còn lại của khóa học. Tùy giả thuyết, bạn chọn: session recording để xem hành vi, usability test để quan sát trực tiếp, exit survey để hỏi lý do rời đi, hoặc heuristic evaluation để rà soát màn hình đó.
Bước 8 — Đề xuất, thử nghiệm, đo lại. Đưa ra giải pháp, chạy A/B test nếu có thể, rồi dựng lại phễu để xem drop-off có giảm không. Funnel analysis là một vòng lặp, không phải việc làm một lần.
Lỗi thường gặp & mẹo
Lỗi 1 — Chỉ nhìn tỷ lệ chuyển đổi tổng. "Chuyển đổi của chúng ta là 3%" là một câu vô nghĩa nếu không biết 3% đó mất ở đâu. Luôn chẻ nhỏ từng bước.
Lỗi 2 — Không phân tách (no segmentation). Con số trung bình che giấu sự thật. Mobile và desktop, người mới và người cũ, có thể có hành vi trái ngược hoàn toàn. Bao giờ cũng segment ít nhất theo thiết bị.
Lỗi 3 — Tin mù vào dữ liệu mà không kiểm tra tracking. Như ví dụ 3, "drop-off 90%" có thể chỉ là event gắn sai. Mẹo: tự mình đi qua toàn bộ phễu một lần và đối chiếu event bắn ra.
Lỗi 4 — Nhầm tương quan với nhân quả. Phễu chỉ cho bạn biết chỗ nào rớt, không bao giờ tự nói tại sao. "Tại sao" luôn cần nghiên cứu định tính bổ sung. Đừng đoán mò lý do rồi sửa bừa.
Lỗi 5 — Bỏ qua yếu tố thời gian. Một số phễu không xảy ra trong một phiên. Người dùng có thể xem sản phẩm hôm nay, mua sau ba ngày. Đặt cửa sổ thời gian (conversion window) phù hợp, nếu không bạn sẽ thấy drop-off ảo cao.
Mẹo 1 — Dùng phễu để ưu tiên tài nguyên research. Nguồn lực research luôn hữu hạn. Funnel giúp bạn đặt camera quan sát đúng chỗ đau nhất thay vì rải mỏng.
Mẹo 2 — So sánh phễu theo thời gian (trend). Drop-off ở một bước đột nhiên tăng vọt tuần này? Có thể một lần release đã làm hỏng tính năng. Phễu là một hệ thống cảnh báo sớm tuyệt vời.
Mẹo 3 — Kết hợp với exit survey micro. Gắn một câu hỏi nhỏ ngay tại bước rò rỉ: "Điều gì khiến bạn ngần ngại hoàn tất?" — câu trả lời định tính ngay tại điểm đau cực kỳ giá trị.
Bài tập thực hành
Bài tập 1 — Đọc phễu. Một app giao đồ ăn có dữ liệu: Mở app 30.000 → Chọn nhà hàng 18.000 → Thêm món vào giỏ 9.000 → Bấm đặt hàng 5.400 → Thanh toán thành công 4.860. Hãy: (a) tính conversion và drop-off từng bước; (b) chỉ ra bước rò rỉ đáng lo nhất và giải thích vì sao bạn chọn bước đó chứ không phải bước có drop-off tuyệt đối lớn nhất.
Bài tập 2 — Phân tách. Với cùng phễu trên, giả sử bước "Thêm món → Bấm đặt hàng" có drop-off 40%. Khi chẻ theo thiết bị, bạn thấy desktop 25%, mobile 52%. Hãy viết một giả thuyết kiểm chứng được và chọn một phương pháp research (đã học trong khóa) để xác minh nó.
Bài tập 3 — Thiết kế phễu cho sản phẩm của bạn. Chọn một sản phẩm bạn đang dùng hằng ngày (app ngân hàng, ví điện tử như MoMo, app học tập...). Vẽ ra phễu 5 bước dẫn tới một mục tiêu cụ thể, ánh xạ mỗi bước với một event đo lường được, và đoán xem bước nào có drop-off cao nhất cùng lý do.
Bài tập 4 — Săn drop-off ảo. Liệt kê 3 nguyên nhân kỹ thuật có thể tạo ra một drop-off "ảo" (không phản ánh hành vi thật của người dùng), và cách bạn sẽ kiểm tra để loại trừ chúng.
Tóm tắt
Funnel analysis là công cụ định lượng giúp UX researcher định vị chính xác chỗ người dùng rơi rớt trên hành trình tới mục tiêu. Những điểm cốt lõi cần nhớ:
- Phễu là chuỗi bước tuần tự; mỗi bước có conversion rate và drop-off rate. Luôn nhìn từng bước, đừng dừng ở tỷ lệ tổng.
- Không phải drop-off nào cũng xấu: rò rỉ ở gần đáy phễu (high intent) đắt giá hơn ở đầu phễu.
- Segmentation là siêu năng lực: chẻ phễu theo thiết bị, nguồn, nhóm người dùng để lộ ra sự thật bị che giấu sau con số trung bình.
- Phễu chỉ nói "chỗ nào", không nói "tại sao": luôn dùng nghiên cứu định tính (session recording, usability test, exit survey) để giải thích nguyên nhân.
- Luôn nghi ngờ dữ liệu: nhiều điểm rò rỉ sốc thực chất là lỗi tracking.