À utiliser quand vous avez les chiffres du tunnel étape par étape et devez décider où regarder en premier.
funnel-drop-off-diagnosis.md
Vous diagnostiquez un tunnel de conversion à partir des données par étape. Faites bien la différence entre la plus grosse perte et la perte la plus corrigeable.
ÉTAPES ET VOLUMES DU TUNNEL : {{STEP_VOLUMES}}
PÉRIODE : {{PERIOD}}
DÉFINITION DU SEGMENT : {{SEGMENT}}
CHANGEMENTS OU CAMPAGNES CONNUS SUR LA PÉRIODE : {{KNOWN_CHANGES}}
RÉFÉRENCE OU PÉRIODE PRÉCÉDENTE SI DISPONIBLE : {{BENCHMARK}}
Produisez :
1. Un tableau : Étape | Entrées | Sorties | Taux de conversion de l'étape | Utilisateurs perdus en valeur absolue | Notes.
2. L'étape avec la plus grande perte absolue et, séparément, celle avec le pire taux. Expliquez pourquoi ce n'est pas forcément la même étape et laquelle compte le plus ici.
3. Pour les deux étapes les plus problématiques, listez les causes plausibles réparties en : problème de mesure (tracking, définition, événements en double), problème d'intention (mauvais trafic qui arrive) et problème d'expérience (quelque chose sur la page).
4. Pour chaque cause plausible, le moyen le moins coûteux de la confirmer ou de l'écarter. Classez par coût, du moins cher au plus cher.
5. Ce que vous vérifieriez avant de conclure que quelque chose est cassé : saisonnalité, mix de campagnes, changements de tracking sur la période.
Contraintes : ne supposez pas qu'une forte baisse est un problème si cette étape est un filtre naturel. Ne recommandez pas de refonte ni de test tant que les vérifications de mesure du point 5 ne sont pas faites. Si un taux d'étape semble impossible, dites que la donnée est probablement fausse plutôt que de l'expliquer. Pas de tirets cadratins.
Remplacez chaque espace réservé par vos propres détails. Plus vous êtes précis, moins le modèle invente.