การวิเคราะห์ฟunnel ในการวิเคราะห์มือถือ — คืออะไร ขั้นตอนของฟunnel และวิธีสร้าง

การวิเคราะห์ฟunnel คืออะไร?

การวิเคราะห์ฟunnel (Funnel Analysis) เป็นวิธีการวิเคราะห์ที่ระบุลำดับของเหตุการณ์ที่นำไปสู่การแปลง แต่ละขั้นตอนถัดไปจะรวมเฉพาะผู้ใช้ที่ทำครบทุกขั้นตอนก่อนหน้านี้ ผลลัพธ์คือ “ฟunnel” — ทางเข้ากว้าง (ทุกคนที่เริ่มต้น) และทางออกแคบ (ผู้ที่ทำสำเร็จ)

ในแอปมือถือ ฟunnel ทั่วไปจะมีลักษณะดังนี้: การติดตั้ง → การลงทะเบียน → การแนะนำ → การกระทำครั้งแรก → การกระทำซ้ำ → การซื้อ ในแต่ละขั้นตอน ผู้ใช้บางส่วนออกไป และหน้าที่ของนักวิเคราะห์คือการเข้าใจสาเหตุและลดการสูญเสีย

เมตริกพื้นฐานของฟunnel

เมตริก เวลาเฉลี่ย ระหว่างขั้นตอนมักถูกมองข้าม หากใช้เวลาเฉลี่ย 45 นาทีจากการติดตั้งถึงการลงทะเบียน ปัญหาอยู่ที่การโหลดเนื้อหาหรือความซับซ้อนของหน้าจอแรก

ประเภทของฟunnel ในการวิเคราะห์มือถือ

ฟunnel แบ่งออกเป็นสองประเภทหลัก — แบบเปิดและแบบปิด การเลือกขึ้นอยู่กับสถานการณ์และความยืดหยุ่นของการเดินทางของผู้ใช้

ฟunnel แบบปิด (Strict Funnel)

ผู้ใช้ต้องทำครบทุกขั้นตอนตามลำดับอย่างเคร่งครัด หากข้ามขั้นตอนหรือใช้เส้นทางอื่น จะไม่ถูกรวมในฟunnel ตัวอย่าง: การลงทะเบียน → การยืนยันอีเมล → การกรอกโปรไฟล์ → คำสั่งซื้อแรก ฟunnel แบบปิดให้ภาพที่ชัดเจนแต่ไม่รวมสถานการณ์ผู้ใช้จริง

ฟunnel แบบเปิด (Open Funnel)

ผู้ใช้สามารถดำเนินการขั้นตอนในลำดับใดก็ได้หรือข้ามบางขั้นตอนได้ ระบบนับการแปลงในแต่ละขั้นตอนอย่างอิสระ ตัวอย่าง: การดูแคตตาล็อก → เพิ่มในตะกร้า → ชำระเงิน ฟunnel แบบเปิด เป็นวิธีที่สมจริงกว่าสำหรับแอปมือถือส่วนใหญ่

• ฟunnel แบบปิด — ลำดับที่เข้มงวด ทุกขั้นตอนบังคับ
• ฟunnel แบบเปิด — ลำดับอิสระ ขั้นตอนไม่บังคับ
• แบบผสม — ขั้นตอนแรกบังคับ ขั้นตอนถัดไปอิสระ

ตัวอย่างฟunnel แบบผสมสำหรับแอปสมัครสมาชิก

ขั้นตอนที่ 1 (บังคับ): การติดตั้งแอป ขั้นตอนที่ 2 (บังคับ): การดูหน้าจอสมัครสมาชิก ขั้นตอนที่ 3 (ไม่บังคับ): การดูแผน ขั้นตอนที่ 4 (บังคับ): การซื้อสมาชิก วิธีการแบบผสมให้ความสมดุลระหว่างความบริสุทธิ์ของข้อมูลและความสมจริง

ขั้นตอนการสร้างฟunnel

การสร้างฟunnel เป็นงานที่จุดตัดระหว่างการวิเคราะห์และผลิตภัณฑ์ กระบวนการประกอบด้วยห้าขั้นตอน จากการตั้งสมมติฐานจนถึงการทำให้รายงานเป็นอัตโนมัติ

ขั้นตอนที่ 1: กำหนดการแปลงเป้าหมาย

คุณต้องการให้ผู้ใช้ทำอะไร? purchase_completed, subscription_started, referral_sent เหตุการณ์เป้าหมาย คือยอดของฟunnel ขั้นตอนทั้งหมดด้านล่างนำไปสู่มัน

ขั้นตอนที่ 2: แยกเส้นทางออกเป็นเหตุการณ์

แสดงรายการเหตุการณ์บังคับทั้งหมดระหว่างการเข้าแอปและการกระทำเป้าหมาย สำหรับอีคอมเมิร์ซ: app_opened → product_viewed → add_to_cart → checkout_started → payment_selected → purchase_completed แต่ละเหตุการณ์ควรมีอยู่ใน Event Tracking อยู่แล้วหรือจะถูกเพิ่ม

ขั้นตอนที่ 3: เลือกกรอบเวลา

กรอบเวลา — เวลาสูงสุดระหว่างขั้นตอนแรกและขั้นตอนสุดท้าย สำหรับสถานการณ์รวดเร็ว (การติดตั้งเกม) — 24 ชั่วโมง สำหรับแบบสมัครสมาชิก — 7 หรือ 30 วัน เหตุการณ์นอกกรอบเวลาจะไม่รวมในการวิเคราะห์

การเลือกกรอบเวลาส่งผลโดยตรงต่อการแปลง: กรอบเวลาสั้นเกินไป (1 ชั่วโมง) จะตัดผู้ใช้ที่กลับมาหลังจาก 2 ชั่วโมงเพื่อทำการซื้อให้เสร็จ ยาวเกินไป (30 วัน) จะรวมการกระทำแบบสุ่ม ค่าที่เหมาะสมที่สุดถูกกำหนดโดยการวิเคราะห์เวลาระหว่างขั้นตอน: สร้างการกระจายช่วงเวลาและเลือกกรอบเวลาที่เปอร์เซ็นไทล์ที่ 90

สำหรับ ฟunnel ที่รวดเร็ว (การแนะนำ การลงทะเบียน) ให้ใช้กรอบเวลา 1 ชั่วโมง สำหรับปานกลาง (การซื้อครั้งแรก) — 7 วัน สำหรับยาว (การสมัครสมาชิก) — 30 วัน สามารถใช้กรอบเวลาที่แตกต่างกันสำหรับคู่ขั้นตอนที่แตกต่างกันภายในฟunnel เดียวกัน

-- ตัวอย่างการคำนวณ Funnel ใน 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
)

คำสั่งใช้ LAG เพื่อติดตามลำดับและ ARRAY_POSITION เพื่อจัดเรียงขั้นตอน ผลลัพธ์คือตารางที่มีจำนวนผู้ใช้และการแปลงในแต่ละขั้นตอน

ขั้นตอนที่ 4: ตรวจสอบกับข้อมูลในอดีต

สร้างฟunnel บนข้อมูล 30 วันที่ผ่านมา หาก “checkout_started” มีการแปลง 80% แต่ “purchase_completed” มี 25% ปัญหาอยู่ที่แบบฟอร์มการชำระเงิน เปรียบเทียบกับเกณฑ์มาตรฐานคู่แข่ง: การแปลงตะกร้าเฉลี่ยในแอปมือถือคือ 15–25% ตามข้อมูลของ Statista (2024)

ขั้นตอนที่ 5: ทำให้การติดตามเป็นอัตโนมัติ

ตั้งค่า รายงานประจำวัน พร้อมฟunnel ในแดชบอร์ด (Looker Studio, Tableau) เพิ่มการแจ้งเตือน: หากอัตราการแปลงในขั้นตอนลดลงต่ำกว่าขีดจำกัดการควบคุม ให้ส่งการแจ้งเตือนไปยัง Slack หรือ Telegram

การวิเคราะห์การสูญเสียในฟunnel

การวิเคราะห์การออกกลางคัน (Drop-off Analysis) เป็นขั้นตอนสำคัญของการวิเคราะห์ฟunnel การสูญเสียในแต่ละขั้นตอนเป็นแหล่งของสมมติฐานสำหรับการปรับปรุงผลิตภัณฑ์ มีการระบุโซนปัญหาสามโซน: ข้อบกพร่องทางเทคนิค อุปสรรคด้าน UX และสถานการณ์แรงจูงใจ

การสูญเสียทางเทคนิค

หาก 15% ของผู้ใช้ออกจากขั้นตอน “registration_completed” หลังจากป้อนหมายเลขโทรศัพท์ ให้ตรวจสอบเกตเวย์ SMS การสูญเสียทางเทคนิค สามารถแก้ไขได้ภายใน 1–2 วันและให้การเพิ่มการแปลงอย่างรวดเร็ว ใช้ Firebase Crashlytics ร่วมกับฟunnel เพื่อระบุข้อบกพร่อง

อุปสรรคด้าน UX

หากสูญเสีย 40% ที่ “cart_viewed” → “checkout_started” ปัญหาอยู่ที่ UX ของตะกร้า อาจไม่มีปุ่ม “ชำระเงิน” เหนือรอยพับของหน้าจอ หรือไม่แสดงค่าจัดส่งก่อนป้อนที่อยู่ การวิเคราะห์ UX ต้องการการเล่นซ้ำเซสชัน (Hotjar, UXCam, Smartlook)

การสูญเสียด้านแรงจูงใจ

หากผู้ใช้ไปถึง “payment_selected” แต่ไม่ทำการซื้อให้เสร็จ มูลค่าของข้อเสนอต่ำกว่าราคา การสูญเสียด้านแรงจูงใจ จัดการด้วยส่วนลด การทดลองใช้ และหลักฐานทางสังคม การทดสอบ A/B: แสดงรีวิวแก่ผู้ใช้ 50% บนหน้าชำระเงินและเปรียบเทียบการแปลง

• เทคนิค — ข้อบกพร่อง การหมดเวลา ข้อผิดพลาด API (สูงถึง 20% ของการสูญเสีย)
• อุปสรรคด้าน UX — การนำทางที่ซับซ้อน CTA ที่ซ่อนอยู่ (สูงถึง 35%)
• แรงจูงใจ — ราคา การขาดความไว้วางใจ (สูงถึง 45%)

วิธีการวิเคราะห์: 5 ทำไมสำหรับฟunnel

เทคนิค 5 ทำไม ที่ประยุกต์ใช้กับฟunnel: ในขั้นตอนที่การแปลงลดลง 20% ให้ถามคำถาม “ทำไม” ห้าคำถามตามลำดับ ทำไมผู้ใช้ไม่ไปถึงการชำระเงิน? เพราะแบบฟอร์มการชำระเงินโหลดช้า ทำไมมันโหลดช้า? เพราะคำขอไปยังเกตเวย์การชำระเงินหมดเวลา ทำไมมันหมดเวลา? เพราะ SDK ไม่ได้รับการอัปเดต วิธีการนี้ระบุสาเหตุที่แท้จริง ไม่ใช่อาการ

การวิเคราะห์กลุ่ม ของฟunnel เป็นอีกหนึ่งเครื่องมือ เปรียบเทียบฟunnel ของผู้ใช้ที่ติดตั้งแอปในเดือนมกราคมและกุมภาพันธ์ หากกลุ่มเดือนกุมภาพันธ์แสดงการลดลงของการแปลง 15% ในขั้นตอน “การลงทะเบียน” สาเหตุคือการเปลี่ยนแปลงหน้าจอแนะนำที่เปิดตัวปลายเดือนมกราคม กลุ่มจะแยกปัจจัยทางเวลาออกจากกัน

ตามข้อมูลของ CXL Institute (2024) การวิเคราะห์การออกกลางคันอย่างเป็นระบบตามด้วยการทดสอบ A/B ของสมมติฐานให้การเพิ่มการแปลงฟunnel โดยเฉลี่ย 30% ภายใน 3 เดือน

เครื่องมือสำหรับการวิเคราะห์ฟunnel

แต่ละเครื่องมือ นำเสนอวิธีการสร้างฟunnel ของตนเอง การเลือกขึ้นอยู่กับความซับซ้อนของผลิตภัณฑ์และงบประมาณ

Amplitude — Pathfinder และการวิเคราะห์ฟunnel

Amplitude เป็นผู้นำในการวิเคราะห์ผลิตภัณฑ์ การวิเคราะห์ฟunnel ในตัวช่วยให้สามารถแบ่งส่วนฟunnel ตามกลุ่ม อุปกรณ์ และเวอร์ชันแอป Pathfinder แสดงการแยกสาขา — จำนวนผู้ใช้ที่ใช้เส้นทางอื่นหลังจากขั้นตอนที่ 2

Mixpanel — Flows

Mixpanel Flows แสดงภาพฟunnel เป็นกราฟการเปลี่ยนผ่าน ข้อดี: อัปเดตแบบเรียลไทม์ ข้อเสีย: การกรองจำกัดในแผนฟรี เหมาะสำหรับโครงการขนาดกลางที่มีทีมนักวิเคราะห์สูงสุด 10 คน

Firebase Analytics — รายงานฟunnel

Firebase ให้รายงานฟunnel ฟรีโดยจำกัดสูงสุด 10 ขั้นตอน การรวมกับ BigQuery ช่วยให้สร้างฟunnel ที่กำหนดเองผ่าน SQL เหมาะสำหรับสตาร์ทอัพที่เพิ่งเริ่มวิเคราะห์การแปลง

Tableau + BigQuery

สำหรับ โซลูชันระดับองค์กร ให้ใช้ Tableau โดยมี BigQuery เป็นแหล่งข้อมูล ซึ่งให้ความยืดหยุ่นเต็มที่: เมตริกที่กำหนดเอง การวิเคราะห์แบบครบวงจรจากการติดตั้งถึง LTV การติดตามแบบเรียลไทม์ ต้องมีวิศวกร BI

Google Analytics 4 — การสำรวจฟunnel

GA4 ให้การสำรวจฟunnel ในส่วน Explore รองรับสูงสุด 10 ขั้นตอน การแบ่งส่วนตามพารามิเตอร์ผู้ใช้ และการเปรียบเทียบช่วงเวลา ข้อเสีย: ความยืดหยุ่นจำกัดเมื่อเทียบกับ Amplitude แต่ฟรีอย่างสมบูรณ์และรวมกับ Google Ads

การเปรียบเทียบเครื่องมือวิเคราะห์ฟunnel

การเลือกเครื่องมือขึ้นอยู่กับความถี่ในการวิเคราะห์ สำหรับการติดตามฟunnel รายวัน Amplitude หรือ Mixpanel เหมาะสม สำหรับรายงานเชิงกลยุทธ์รายสัปดาห์ — Tableau กับ BigQuery สำหรับสตาร์ทอัพ — Firebase หรือ GA4