Kenapa Banyak User Tidak Sampai Checkout? Bongkar Conversion Funnel dengan SQL

Bayangkan sebuah toko online memiliki 10.000 user yang mengunjungi website dalam satu bulan. Dari jumlah tersebut, 6.000 user melihat produk, 3.000 user menambahkan produk ke keranjang, tetapi hanya 800 saja user yang akhirnya memutuskan checkout. Lalu, di tahap mana sebenarnya banyak user berhenti?

Situasi seperti ini cukup umum dijumpai dalam bisnis digital. Tingginya jumlah pengunjung belum tentu menunjukkan performa bisnis yang baik jika sebagian besar user tidak menyelesaikan proses pembelian. Di sinilah Funnel Analysis dapat membantu. Bagi data analyst, funnel analysis dapat digunakan untuk melihat perjalanan user dari satu tahapan ke tahapan berikutnya sekaligus mengidentifikasi drop-off, yaitu kondisi ketika user berhenti sebelum mencapai tujuan akhir.

SQL menjadi salah satu tools yang dapat digunakan untuk melakukan analisis tersebut, terutama ketika data aktivitas user tersimpan dalam database. Dalam konteks e-commerce, contoh funnel sederhana dapat berupa

Visit → Product View → Add to Cart → Checkout → Purchase

Setiap tahap menunjukkan perilaku user yang berbeda. Misalnya, visit (user mengunjungi website), product view (user melihat halaman produk), add to cart (user memasukkan produk ke keranjang), checkout (user memulai proses checkout), dan purchase (user menyelesaikan transaksi).

Semakin jauh user bergerak dalam funnel maka jumlahnya biasanya semakin kecil. Namun, penurunan yang terlalu besar pada salah satu tahap dapat menjadi sinyal adanya masalah yang perlu ditelusuri. Berikut penjelasan lebih lanjut sahabat DQLab terkait indikasi mengapa user berhenti di tahap checkout!

1. Menghitung User di Setiap Tahapan

Sebelum menggunakan SQL, data analyst perlu memahami struktur data yang tersedia. Misalnya, terdapat tabel bernama user_events dengan strutkur berikut:

Pada data tersebut, user_id menunjukkan identitas user, event_name menunjukkan aktivitas yang dilakukan, sedangkan event_time menunjukkan kapan aktivitas tersebut terjadi.

Kemudian, kita akan mengetahui jumlah user unik pada masing-masing tahap funnel. Query SQL yang dapat digunakan sebagai berikut:

SELECT

event_name,

COUNT(DISTINCT user_id) AS total_users

FROM user_events

WHERE event_name IN (

'visit',

'product_view',

'add_to_cart',

'checkout',

'purchase'

)

GROUP BY event_name

ORDER BY total_users DESC;

Hasilnya dapat memberikan gambaran sebagai berikut:

Dari sini sudah terlihat bahwa jumlah user terus berkurang di setiap tahap. Namun, jumlah user saja belum cukup. Data analyst perlu mengetahui seberapa besar persentase user yang berhasil berpindah dari satu tahap ke tahap berikutnya.

Baca juga: Bootcamp Data Analyst with Python & SQL

2. Menghitung Conversion Rate

Conversion Rate menunjukkan persentase user yang berhasil melanjutkan ke tahap berikutnya. Misalnya:

• 10.000 user melakukan visit

• 7.500 user melihat produk

Maka conversion rate dari visit ke product view adalah:

7.500 : 10.000 x 100% = 75%

Hal yang sama dapat dilakukan pada tahapan lainnya. Berikut contoh hasil analisisnya:

Angka tersebut menunjukkan bahwa hanya 40% dari user yang mencapai tahap product view yang akhirnya melakukan purchase atau melanjutkan transaksi pembelian, jika conversion rate dihitung terhadap tahap sebelumnya.

3. Mengidentifikasi Drop-Off

Setelah conversion rate, data analyst juga perlu menghitung drop-off rate. Drop-off menunjukkan persentase user yang tidak melanjutkan ke tahap berikutnya. Rumus sederhananya:

Drop-off Rate = 100% - Conversion Rate

Misalnya dari product view ke add to cart:

• Product View = 7.500 user

• Add to Cart = 4.000 user

Conversion rate:

4.000 : 7.500 x 100% = 53,3%

Maka drop-off rate:

100% - 53,3% = 46,7%

Artinya, sekitar 46,7% user yang sudah melihat produk tidak melanjutkan ke tahap add to cart. Ini merupakan informasi yang jauh lebih actionable dibandingkan hanya mengetahui jumlah user.

4. Membuat Funnel dengan SQL

Untuk membuat analisis yang lebih terstruktur, SQL dapat menggunakan CTE (Common Table Expression). Contohnya:

WITH funnel AS (

SELECT

COUNT(DISTINCT CASE

WHEN event_name = 'visit'

THEN user_id

END) AS visit_users,

COUNT(DISTINCT CASE

WHEN event_name = 'product_view'

THEN user_id

END) AS product_view_users,

COUNT(DISTINCT CASE

WHEN event_name = 'add_to_cart'

THEN user_id

END) AS cart_users,

COUNT(DISTINCT CASE

WHEN event_name = 'checkout'

THEN user_id

END) AS checkout_users,

COUNT(DISTINCT CASE

WHEN event_name = 'purchase'

THEN user_id

END) AS purchase_users

FROM user_events

)

SELECT *

FROM funnel;

Query tersebut menggunakan CASE WHEN untuk memisahkan user berdasarkan aktivitas yang dilakukan. Penggunaan COUNT(DISTINCT user_id) juga penting karena satu user mungkin melakukan aktivitas yang sama berkali-kali. Jika hanya menggunakan COUNT(user_id), jumlah aktivitas dapat dihitung, bukan jumlah user unik.

Baca juga: Data Analyst vs Data Scientist

5. Membaca Titik Drop-Off Terbesar

Misalnya hasil analisis menunjukkan:

Dari tabel tersebut, terlihat bahwa drop-off terbesar terjadi antara checkout dan purchase yaitu sebesar 60%. Artinya, terdapat banyak user yang sudah mencapai tahap checkout tetapi tidak menyelesaikan transaksi. Namun, data analyst tidak boleh langsung menyimpulkan bahwa halaman checkout pasti bermasalah. Hasil funnel analysis sebaiknya dinilai sebagai indikasi awal yang perlu ditelusuri lebih lanjut.

6. Kenapa User Berhenti Sebelum Purchase?

Funnel analysis dapat menunjukkan di mana user berhenti, tetapi belum tentu menjelaskan mengapa mereka berhenti. Misalnya, tingginya drop-off pada tahap checkout dapat disebabkan oleh berbagai faktor seperti:

• Biaya tambahan terlalu tinggi (User baru mengetahui biaya pengiriman atau biaya lainnya saat checkout)

• Metode pembayaran terbatas (User mungkin tidak menemukan metode pembayaran yang mereka inginkan)

• Proses checkout terlalu panjang (Terlalu banyak form atau tahapan dapat meningkatkan kemungkinan user meninggalkan halaman)

• Masalah teknis (Error pada sistem pembayaran atau halaman checkout dapat menyebabkan transaksi gagal.

• User hanya melakukan perbandingan harga (Tidak semua user yang masuk ke checkout memiliki niat membeli yang sama).

Maka dari itu, funnel analysis sebaiknya dikombinasikan dengan data lain seperti device, lokasi, sumber traffic, jenis produk, waktu transaksi, maupun hasil survei user.

Funnel Analysis membantu data analyst melihat perjalanan user dari tahap awal hingga conversion. Melalui SQL, proses tersebut dapat dilakukan dengan menghitung jumlah user unik pada setiap tahap, conversion rate, dan drop-off rate. Yang paling penting, tujuan funnel analysis bukan sekedar membuat tabel atau query SQL. Nilai sebenarnya terletak pada kemampuan menemukan titik perjalanan user yang mengalami masalah dan menerjemahkan temuan tersebut menjadi insight bisnis.

Jadi, ketika perusahaan bertanya tentang mengapa banyak user tidak sampai checkout?, data analyst dapat menggunakan funnel analysis untuk menjawab pertanyaan yang lebh spesifik. Sebagai contoh, pada tahap mana user paling banyak berhenti? Seberapa besar drop-off-nya? Segmen user mana yang paling terdampak?

FAQ

1. Apa itu Funnel Analysis?

Funnel Analysis adalah metode untuk menganalisis perjalanan user melalui beberapa tahapan hingga mencapai conversion, seperti visit, product view, add to cart, checkout, dan purchase.

2. Mengapa SQL digunakan untuk Funnel Analysis?

SQL memungkinkan data analyst mengolah data user dalam jumlah besar, menghitung user unik, mengelompokkan event, serta mengidentifikasi conversion dan drop-off pada setiap tahap funnel.

3. Apakah Funnel Analysis hanya digunakan untuk e-commerce?

Tidak. Funnel Analysis juga dapat digunakan pada aplikasi, SaaS, digital marketing, layanan berlangganan, hingga proses pendaftaran pengguna.

Kalau kamu tertarik untuk berkarir sebagai Data Analyst yang menguasai teknik Data Cleaning secara handal, ini adalah saat yang tepat! Yuk, segera Sign Up ke DQLab! Di sini, kamu bisa belajar dari dasar hingga tingkat lanjut dengan materi dan tools yang relevan dengan kebutuhan industri, bahkan tanpa latar belakang IT. Belajar kapan saja dan di mana saja dengan fleksibilitas penuh, serta didukung oleh fitur eksklusif Ask AI Chatbot 24 jam!

Tidak cuma itu, DQLab juga sudah menerapkan metode pembelajaran HERO (Hands-On, Experiential Learning & Outcome-based) yang dirancang ramah untuk pemula, dan telah terbukti mencetak talenta unggulan yang sukses berkarier di bidang data. Jadi, mau tunggu apa lagi?

Jadi, tunggu apa lagi? Segera persiapkan diri untuk menguasai keterampilan di bidang data dan teknologi dengan subscribe modul premium, atau ikuti Bootcamp Data Analyst with SQL and Python sekarang juga!

Penulis: Reyvan Maulid