Funnel Doctor

Que fait Funnel Doctor ?

Diagnostiquez les entonnoirs de conversion — trouvez l'étape la plus fuyante, quantifiez la perte et montrez les sessions qui expliquent pourquoi les utilisateurs partent.

Quand l'utiliser

• « Où les utilisateurs abandonnent-ils notre processus de checkout ? »
• « Quel est le taux de conversion de l'inscription au premier achat ? »
• « Comparez l'ancien flux d'onboarding avec le nouveau — avons-nous amélioré le taux de complétion ? »
• « Montrez-moi les sessions où les utilisateurs ont abandonné à l'étape de paiement. »
• « Quelle est la plus grosse perte dans notre application ? Quantifiez le chiffre d'affaires perdu. »

Modèle mental

Un entonnoir est une séquence d'étapes que les utilisateurs doivent accomplir. L'objectif est de trouver l'étape où le plus d'utilisateurs partent — non seulement en valeur absolue, mais aussi en pourcentage de baisse par rapport à l'étape précédente.

Exemple : 10 000 atterrissent sur /checkout → 8 000 saisissent l'adresse de livraison → 6 000 arrivent au paiement → 2 000 finalisent l'achat. La plus grosse perte absolue est le paiement (6 000 → 2 000 = 4 000 perdus). La plus grosse perte en pourcentage est également le paiement (67 % de baisse). Les deux comptent — présentez les deux.

Flux de travail

Étape 1 : Définir les étapes de l'entonnoir

Clarifiez les étapes qui intéressent l'utilisateur. Entonnoirs typiques :

• E-commerce : page produit → ajouter au panier → checkout → expédition → paiement → confirmation
• Inscription SaaS : page d'accueil → formulaire d'inscription → vérification e-mail → onboarding → première action
• Flux applicatif : accueil → recherche → résultats → détail → réservation

Si l'utilisateur ne spécifie pas les étapes, demandez le point de départ et le point d'arrivée. Vous pouvez déduire les étapes intermédiaires à partir des données de navigation.

Étape 2 : Construire une métrique d'entonnoir

Appelez fullstory:build_metric avec :

• query décrivant les étapes du funnel dans l'ordre (par exemple, "utilisateurs qui ont vu /checkout, puis ont atteint l'expédition, puis le paiement, puis ont complété l'achat")
• output_type="funnel" — cela indique au constructeur de créer un entonnoir séquentiel, et non un simple décompte

Si une métrique de funnel existe déjà pour ce flux, cherchez d'abord : fullstory:get_metric(regex="checkout funnel"). Pour les entonnoirs construits avec build_funnel, utilisez fullstory:get_funnel(id) — elle retourne le nom, la description, la définition rendue et le bon num_steps (nécessaire pour le workflow get_funnel_sessions).

Étape 3 : Calculer et analyser

Appelez fullstory:compute_metric(metric_id) — ou fullstory:compute_funnel(funnel_id) pour des options spécifiques aux entonnoirs.

Comparaison de période — ajoutez compare_to pour voir les écarts par rapport à la période précédente :

fullstory:compute_funnel(funnel_id, compare_to="previous_period")

Chaque étape reçoit un objet previous avec le nombre de la période précédente et le taux de conversion. Utilisez cela pour « la nouvelle conception a-t-elle aidé ? » plutôt que de construire deux entonnoirs séparés.

Répartition par dimension — ajoutez dimension pour diviser selon une propriété :

fullstory:compute_funnel(funnel_id, dimension="device_type")

Chaque étape reçoit un tableau groups décomposé selon cette dimension (navigateur, pays, appareil, variable personnalisée, etc.). Remplace les workflows manuels de segmentation par groupe.

Présentez les résultats sous forme de détail étape par étape :

Entonnoir de checkout (30 derniers jours)
1. /checkout               10 000 utilisateurs  (100 %)
2. Formulaire d'expédition 8 000 utilisateurs  (80 % — perte de 2 000)
3. Page de paiement         6 000 utilisateurs  (75 % du reste — perte de 2 000)
4. Confirmation             2 000 utilisateurs  (33 % du reste — perte de 4 000) ← PLUS GROSSE PERTE
Taux de conversion global : 20 %

Avec compare_to, ajoutez les écarts :

4. Confirmation             2 000 utilisateurs  (33 % du reste — perte de 4 000)
   Période précédente :    1 400 utilisateurs  (28 % du reste)
   Écart :                +600 utilisateurs    (+5 pp de conversion)  ↑

Avec dimension, affichez la conversion par groupe à chaque étape.

Signalez l'étape avec la plus grosse perte absolue ET la plus grosse perte en pourcentage — elles sont souvent les mêmes, mais pas toujours.

Étape 4 : Cibler avec des segments

Si l'utilisateur demande une cohorte spécifique (utilisateurs mobiles, entreprise, nouveaux vs revenants), créez un segment et attachez-le :

fullstory:build_segment("utilisateurs mobiles") → segment_id
fullstory:update_metric(metric_id, segment_id)
fullstory:compute_metric(metric_id)

Pour les comparaisons A/B d'entonnoirs (ancien flux vs nouveau, mobile vs desktop), utilisez la compétence comparisons pour choisir le mécanisme approprié (dimensionnalité vs segments).

Étape 5 : Investiguer l'étape la plus problématique

Une fois l'étape la plus fuyante identifiée, découvrez pourquoi :

1. Appelez fullstory:get_sessions(metric_id=metric_id) en filtrant sur les sessions qui ont atteint mais pas complété l'étape problématique.
2. Chargez 3 à 5 sessions via l'agent session-context avec des tâches ciblées :
   • « Qu'a fait l'utilisateur sur la page de paiement avant de partir ? A-t-il rencontré une erreur ? »
   • « La validation du formulaire le bloquait-elle ? Quels champs étaient surlignés ? »
   • « A-t-il effectué des clics de rage ou des clics morts avant d'abandonner ? »

Étape 6 : Rapport

Synthétisez tout :

• Les chiffres de l'entonnoir (format tableau)
• L'étape qui pose le plus de problèmes (avec la perte absolue et en pourcentage)
• Ce que les preuves issues des sessions montrent sur les raisons pour lesquelles les utilisateurs quittent à cette étape
• Si applicable, l'impact estimé sur le chiffre d'affaires (nombre d'utilisateurs × valeur moyenne de commande)

Directives

• Montrez toujours la perte absolue (nombre d'utilisateurs) et la perte en pourcentage à chaque étape.
• Affichez le metric_url pour que l'utilisateur puisse vérifier dans l'interface FullStory.
• Si une étape de l'entonnoir a un très fort abandon, priorisez l'investigation de cette étape — ne consacrez pas autant de temps à chaque étape.
• Pour l'impact financier, demandez à l'utilisateur la valeur moyenne de commande. Ne devinez pas.
• Si l'utilisateur demande « est-ce que la nouvelle conception a aidé ? », construisez deux métriques d'entonnoir (avant/après la date de déploiement) et présentez-les côte à côte.