Funnel Analysis در تحلیل موبایل — چیست، مراحل قیف و نحوه ساخت

Funnel Analysis چیست؟

Funnel Analysis (تحلیل قیفی) — روشی در تحلیل است که در آن دنباله‌ای از رویدادهای منتهی به تبدیل جدا می‌شود. هر گام بعدی فقط کاربرانی را شامل می‌شود که همه مراحل قبلی را انجام داده‌اند. در خروجی یک «قیف» به دست می‌آید — ورودی عریض (همه کسانی که شروع کردند) و خروجی باریک (کسانی که تکمیل کردند).

در برنامه‌های موبایل، یک قیف معمولی به این شکل است: نصب → ثبت‌نام → آشنایی → اولین اقدام → اقدام مجدد → خرید. در هر گام بخشی از کاربران ریزش می‌کنند و وظیفه تحلیلگر درک علت و کاهش ریزش‌هاست.

معیارهای پایه قیف

معیار Average Time بین گام‌ها — شاخصی که اغلب دست‌کم گرفته می‌شود. اگر از نصب تا ثبت‌نام به طور متوسط ۴۵ دقیقه طول بکشد، مشکل در بارگذاری محتوا یا پیچیدگی صفحه اول است.

انواع قیف در تحلیل موبایل

قیف‌ها به دو نوع اصلی تقسیم می‌شوند — باز و بسته. انتخاب بستگی به سناریو و انعطاف‌پذیری مسیر کاربر دارد.

قیف بسته (Strict Funnel)

کاربر باید تمام گام‌ها را به ترتیب دقیق طی کند. اگر گامی را رد کند یا مسیر دیگری برود — در قیف قرار نمی‌گیرد. مثال: ثبت‌نام → تأیید ایمیل → تکمیل پروفایل → اولین سفارش. قیف‌های بسته تصویر تمیزی ارائه می‌دهند اما سناریوهای واقعی کاربران را حذف می‌کنند.

قیف باز (Open Funnel)

کاربر می‌تواند گام‌ها را به هر ترتیبی انجام دهد یا برخی را رد کند. سیستم تبدیل را در هر گام مستقل محاسبه می‌کند. مثال: مرور کاتالوگ → افزودن به سبد → ثبت سفارش. Open Funnel روش واقعی‌تری برای اکثر برنامه‌های موبایل است.

• قیف بسته — دنباله سختگیرانه، تمام گام‌ها اجباری
• قیف باز — ترتیب آزاد، گام‌ها اختیاری
• ترکیبی — گام‌های اول اجباری، بقیه آزاد

مثال قیف ترکیبی برای برنامه اشتراکی

گام ۱ (اجباری): نصب برنامه. گام ۲ (اجباری): نمایش صفحه اشتراک. گام ۳ (اختیاری): مشاهده تعرفه‌ها. گام ۴ (اجباری): ثبت اشتراک. رویکرد ترکیبی تعادل بین خلوص داده و واقع‌گرایی را فراهم می‌کند.

مراحل ساخت قیف

ساخت قیف — وظیفه‌ای در مرز تحلیل و محصول است. فرآیند از پنج گام تشکیل شده است، از فرمول‌بندی فرضیه تا خودکارسازی گزارش.

گام ۱: تبدیل هدف را تعریف کنید

می‌خواهید کاربر چه کاری انجام دهد؟ purchase_completed, subscription_started, referral_sent. رویداد هدف — رأس قیف. تمام گام‌های پایین به آن منتهی می‌شوند.

گام ۲: مسیر را به رویدادها تقسیم کنید

تمام رویدادهای اجباری بین ورود به برنامه و اقدام هدف را ثبت کنید. برای تجارت الکترونیک: app_opened → product_viewed → add_to_cart → checkout_started → payment_selected → purchase_completed. هر رویداد باید از قبل در Event Tracking وجود داشته باشد یا اضافه شود.

گام ۳: پنجره زمانی را انتخاب کنید

Time window — حداکثر زمان بین اولین و آخرین گام. برای سناریوهای سریع (نصب بازی) — ۲۴ ساعت. برای اشتراکی — ۷ یا ۳۰ روز. رویدادهای خارج از پنجره در تحلیل لحاظ نمی‌شوند.

انتخاب پنجره مستقیماً بر تبدیل تأثیر می‌گذارد: پنجره خیلی کوتاه (۱ ساعت) کاربرانی را که پس از ۲ ساعت برای تکمیل خرید بازگشته‌اند حذف می‌کند. پنجره خیلی طولانی (۳۰ روز) اقدامات تصادفی را شامل می‌شود. بهینه از طریق تحلیل زمان بین گام‌ها تعیین می‌شود: توزیع فواصل را بسازید و پنجره را در سطح صدک ۹۰ انتخاب کنید.

برای قیف‌های سریع (آشنایی، ثبت‌نام) از پنجره ۱ ساعته استفاده کنید. برای متوسط (اولین خرید) — ۷ روز. برای طولانی (اشتراک) — ۳۰ روز. در داخل یک قیف ممکن است پنجره‌های متفاوتی برای جفت‌گام‌های مختلف وجود داشته باشد.

-- مثال محاسبه Funnel در BigQuery
WITH funnel_steps AS (
  SELECT
    user_id,
    event_name,
    event_timestamp,
    LAG(event_name) OVER (
      PARTITION BY user_id ORDER BY event_timestamp
    ) AS previous_event
  FROM `project.events.*`
  WHERE event_name IN (
    'app_opened', 'product_viewed',
    'add_to_cart', 'purchase_completed'
  )
)
SELECT
  event_name AS step,
  COUNT(DISTINCT user_id) AS users,
  ROUND(
    COUNT(DISTINCT user_id)
    / MAX(COUNT(DISTINCT user_id)) OVER (), 3
  ) AS conversion_rate
FROM funnel_steps
GROUP BY step
ORDER BY ARRAY_POSITION(
  ['app_opened', 'product_viewed',
   'add_to_cart', 'purchase_completed'],
  event_name
)

این کوئری از LAG برای ردیابی دنباله و ARRAY_POSITION برای مرتب‌سازی گام‌ها استفاده می‌کند. نتیجه — جدولی با تعداد کاربران و تبدیل در هر گام.

گام ۴: روی داده‌های تاریخی بررسی کنید

قیف را روی داده‌های ۳۰ روز اخیر بسازید. اگر در گام «checkout_started» تبدیل ۸۰٪ و در «purchase_completed» — ۲۵٪ باشد، مشکل در فرم پرداخت است. با معیارهای رقابتی مقایسه کنید: میانگین تبدیل سبد در برنامه‌های موبایل — ۱۵–۲۵٪ طبق Statista (۲۰۲۴).

گام ۵: مانیتورینگ را خودکار کنید

یک گزارش روزانه با قیف در داشبورد (Looker Studio، Tableau) تنظیم کنید. هشدارها اضافه کنید: اگر Conversion Rate در یک گام از حد کنترل پایین‌تر افتاد — اعلان در Slack یا Telegram.

تحلیل ریزش در قیف

Drop-off Analysis — مرحله کلیدی Funnel Analysis. ریزش‌ها در هر گام منبع فرضیه‌هایی برای بهبود محصول هستند. سه ناحیه مشکل متمایز می‌شوند: مشکلات فنی، موانع UX و سناریوهای انگیزشی.

ریزش‌های فنی

اگر در گام «registration_completed» پس از وارد کردن شماره تلفن ۱۵٪ کاربران ریزش می‌کنند — درگاه SMS را بررسی کنید. ریزش‌های فنی در ۱–۲ روز رفع می‌شوند و افزایش سریع تبدیل را به همراه دارند. از Firebase Crashlytics در ترکیب با قیف برای شناسایی باگ‌ها استفاده کنید.

موانع UX

اگر در گام «cart_viewed» → «checkout_started» ۴۰٪ ریزش وجود دارد — مشکل در UX سبد است. احتمالاً دکمه «ثبت سفارش» بالای خط برش صفحه نیست یا هزینه حمل تا قبل از وارد کردن آدرس نمایش داده نمی‌شود. تحلیل UX نیاز به بازپخش جلسات دارد (Hotjar، UXCam، Smartlook).

ریزش‌های انگیزشی

اگر کاربر به «payment_selected» می‌رسد اما خرید را تکمیل نمی‌کند — ارزش پیشنهاد از قیمت کمتر است. ریزش‌های انگیزشی با تخفیف‌ها، آزمایش‌ها، اثبات اجتماعی درمان می‌شوند. تست A/B: به ۵۰٪ کاربران نظرات را در صفحه پرداخت نشان دهید و تبدیل را مقایسه کنید.

• فنی — باگ‌ها، تایم‌اوت‌ها، خطاهای API (تا ۲۰٪ ریزش)
• موانع UX — ناوبری پیچیده، CTA پنهان (تا ۳۵٪)
• انگیزشی — قیمت، عدم اعتماد (تا ۴۵٪)

روش تحلیل: ۵ چرا برای قیف

تکنیک ۵ چرا در مورد قیف: در گامی که تبدیل ۲۰٪ کاهش یافته، متوالیاً پنج سؤال «چرا» بپرسید. چرا کاربران به پرداخت نمی‌رسند؟ چون فرم پرداخت طولانی بارگذاری می‌شود. چرا طولانی بارگذاری می‌شود؟ چون درخواست به درگاه پرداخت تایم‌اوت می‌خورد. چرا تایم‌اوت می‌خورد؟ چون SDK به‌روز نیست. این روش علت ریشه‌ای را نشان می‌دهد نه علامت را.

تحلیل کوهورت قیف — ابزار دیگر. قیف کاربرانی که برنامه را در ژانویه و فوریه نصب کرده‌اند مقایسه کنید. اگر کوهورت فوریه کاهش ۱۵٪ تبدیل در گام «ثبت‌نام» نشان دهد، علت تغییر صفحه آشنایی است که در پایان ژانویه اعمال شده. کوهورت‌ها عوامل زمانی را جدا می‌کنند.

بر اساس داده‌های CXL Institute (۲۰۲۴)، Drop-off Analysis سیستماتیک با آزمایش A/B بعدی فرضیه‌ها به طور متوسط ۳۰٪ افزایش تبدیل قیف را در ۳ ماه به همراه دارد.

ابزارهای Funnel Analysis

هر ابزار رویکرد خود را به ساخت قیف ارائه می‌دهد. انتخاب به پیچیدگی محصول و بودجه بستگی دارد.

Amplitude — Pathfinder و Funnel Analysis

Amplitude — رهبر تحلیل محصول. Funnel Analysis داخلی امکان بخش‌بندی قیف بر اساس کوهورت‌ها، دستگاه‌ها، نسخه‌های برنامه را فراهم می‌کند. Pathfinder انشعابات را نشان می‌دهد — چند کاربر پس از گام ۲ مسیر جایگزین را رفتند.

Mixpanel — Flows

Mixpanel Flows قیف را به عنوان گراف گذرها可视化 می‌کند. مزیت — به‌روزرسانی هم‌زمان. عیب — فیلتر محدود در طرح رایگان. مناسب برای پروژه‌های متوسط با تیم تا ۱۰ تحلیلگر.

Firebase Analytics — Funnel Report

Firebase گزارش Funnel Report رایگان با محدودیت تا ۱۰ گام ارائه می‌دهد. ادغام با BigQuery امکان ساخت قیف‌های سفارشی از طریق SQL را فراهم می‌کند. ایده‌آل برای استارتاپ‌هایی که تازه شروع به تحلیل تبدیل کرده‌اند.

Tableau + BigQuery

برای راه‌حل‌های سازمانی از Tableau با منبع BigQuery استفاده کنید. این انعطاف کامل می‌دهد: معیارهای سفارشی، تحلیل جامع از نصب تا LTV، مانیتورینگ هم‌زمان. نیاز به استخدام مهندس BI دارد.

Google Analytics 4 — Funnel Exploration

GA4 Funnel Exploration را در بخش Explore ارائه می‌دهد. تا ۱۰ گام، بخش‌بندی بر اساس پارامترهای کاربر و مقایسه دوره‌های زمانی را پشتیبانی می‌کند. عیب — انعطاف محدود در مقایسه با Amplitude، اما کاملاً رایگان و با Google Ads ادغام شده است.

مقایسه ابزارهای Funnel Analysis

انتخاب ابزار با توجه به دفعات تحلیل تعیین می‌شود. برای مانیتورینگ روزانه قیف‌ها Amplitude یا Mixpanel مناسب هستند. برای گزارش‌های استراتژیک هفتگی — Tableau با BigQuery. برای استارتاپ‌ها — Firebase یا GA4.