Dos números se esconden detrás de una sola tasa de drop-off

¿Qué es la tasa de drop-off?

En el análisis de embudos, la tasa de drop-off es el porcentaje de usuarios que entran en un flujo definido de varios pasos y lo dejan antes de terminarlo, calculada como usuarios que salieron de un paso dividido entre usuarios que llegaron a ese paso. El sector usa el término inglés drop-off para esa caída de usuarios entre pasos, y la métrica solo existe una vez que el equipo ha escrito el flujo: una lista ordenada de pasos, un primer paso que define la entrada y un último paso que define la finalización. Fija esa secuencia antes de sacar ningún número, porque dos analistas que eligen listas de pasos distintas reportan drop-off distinto para la misma semana de tráfico.

¿Cuál es la fórmula de la tasa de drop-off?

La tasa de drop-off por paso divide los usuarios que llegaron a un paso pero nunca llegaron al siguiente entre los usuarios que llegaron a ese paso.

per-step drop-off rate = users who exited a step / users who reached that step x 100

La tasa de drop-off de extremo a extremo usa el flujo completo como denominador.

end-to-end drop-off rate = (users who entered - users who finished) / users who entered x 100

Toma un flujo de checkout en el que entran 10,000 usuarios, de los cuales 1,440 llegan a la página de confirmación. La tasa de drop-off de extremo a extremo es (10,000 - 1,440) / 10,000, o sea 85.60%. Si 6,000 usuarios llegan a la página de producto y 3,000 de ellos pasan al carrito, la tasa de drop-off de ese paso concreto es 3,000 / 6,000, o sea 50.00%.

¿Por qué difieren la tasa de drop-off por paso y la de extremo a extremo?

El drop-off por paso mide la pérdida contra los usuarios que sobrevivieron hasta ese paso, mientras que el de extremo a extremo mide la pérdida contra todos los que entraron, así que las dos cifras salen de denominadores distintos y nunca coinciden. El mismo embudo de cinco pasos vuelve concreta esa diferencia:

Ningún paso de esa tabla pierde más del 50.00% de la gente que llega a él, y el flujo sigue perdiendo el 85.60% de todos los que entraron. Quien cita "nuestra tasa de drop-off es del 20%" leyendo la fila de pago y quien cita "nuestra tasa de drop-off es del 85.60%" leyendo la columna acumulada están leyendo bien el mismo embudo. Etiqueta cada cifra de drop-off con su paso y su denominador en la misma frase, o el número no aporta información.

La tabla también resuelve qué paso arreglar primero. El paso 2 tiene el peor porcentaje, un 50.00%, pero el paso 1 pierde 4,000 personas frente a las 3,000 del paso 2. El porcentaje ordena la fuga, el número de personas ordena los ingresos, y una revisión del embudo de conversión necesita ambas columnas a la vista.

¿Es lo mismo drop-off que abandono?

Drop-off y abandono describen el mismo suceso con dos vocabularios, y la diferencia está en la intención, no en la aritmética. Los analistas que separan las palabras reservan abandono para flujos donde el usuario declaró intención y luego se marchó, como un carrito con un artículo dentro o un formulario a medio rellenar, y usan drop-off para cualquier salida de cualquier paso. Los analistas que tratan las palabras como sinónimos calculan la misma proporción y solo la llaman distinto.

Los proveedores de herramientas tampoco lo han resuelto. La documentación de exploración de embudos de GA4 de Google no usa ninguna de las dos palabras y dice que los usuarios "salen del embudo", así que un equipo que se mueve entre GA4, una herramienta de product analytics y una plataforma de ecommerce se encuentra tres etiquetas para un solo cálculo. Elige una palabra por equipo y escribe su denominador al lado.

¿En qué se diferencia la tasa de drop-off de la tasa de rebote y la tasa de salida?

La tasa de drop-off mide un flujo, mientras que la tasa de rebote y la tasa de salida miden una página, así que las tres métricas responden preguntas distintas y no se pueden sustituir entre sí.

Una página puede registrar una tasa de salida baja y aun así cargar con una tasa de drop-off brutal, porque los usuarios siguen hacia otro sitio que no es el paso siguiente del embudo. La diferencia entre rebote y salida tiene sus propios denominadores y su propio ejemplo resuelto en tasa de rebote frente a tasa de salida.

¿Qué decisiones cambian el número antes de calcular nada?

Cuatro decisiones de configuración mueven la tasa de drop-off sin que cambie nada en el comportamiento del usuario. La primera es la ventana de finalización: un embudo que da 30 minutos a los usuarios para terminar reporta más drop-off que el mismo embudo medido en 7 días. La segunda es el alcance, porque contar un flujo por sesión parte en dos entradas a cada usuario que vuelve mañana, mientras que contar por usuario las une en un solo recorrido.

La tercera es el orden: un embudo estricto descarta a un usuario que llega al checkout sin pasar por la página de producto, un embudo abierto lo conserva, y eso desplaza todos los denominadores posteriores. La cuarta es la reentrada, que decide si un usuario que reinicia el flujo la semana que viene cuenta como entrada nueva o como continuación. Anota las cuatro reglas junto a la definición del embudo, porque cambiar una en silencio es la razón más habitual de que un gráfico de drop-off parezca mejorar.

¿Qué te dicen los benchmarks publicados de abandono?

Los benchmarks públicos describen el abandono en un flujo concreto, no el drop-off en el tuyo, así que dan contexto y no pueden fijar un objetivo. La media móvil de 50 estudios distintos del Baymard Institute sitúa la tasa documentada de abandono del carrito de compra en línea en el 70.22%, con última actualización el 22 de septiembre de 2025. Esa cifra abarca tiendas con productos, precios y diseños de checkout distintos, lo que la convierte en una media de medias y no en la medición de un embudo concreto. Una tienda que reporta un 68% de abandono del carrito no ha demostrado nada sobre su propio checkout, y un flujo de onboarding de SaaS no tiene ninguna cifra publicada comparable. Compara tu embudo con sus propias semanas anteriores, y usa la tasa de abandono del carrito cuando el flujo en cuestión sea específicamente un carrito.

¿Cómo encuentras la causa detrás de un paso malo?

Una tasa de drop-off nombra el paso que pierde usuarios, y el session replay de ese paso exacto nombra el motivo. Flowsery graba cada sesión de usuario y detecta rage clicks, dead clicks, errores de JavaScript, drop-offs y flujos rotos de forma automática, luego agrupa las sesiones coincidentes en un solo issue y ordena los issues por cuántos usuarios los sufren. Su análisis de embudos se apoya en el mismo flujo de eventos, así que el peor paso y los replays que hay detrás salen de un único conjunto de datos en lugar de dos herramientas que se contradicen.

Una caída del 50.00% en un paso puede ser un botón roto, un error de validación que nadie ve o un precio que sorprende a la gente, y esos tres casos son idénticos en un gráfico de embudo. Los clics repetidos sobre un control que no hace nada aparecen como un grupo de rage clicks, lo que señala el elemento en lugar del paso. Cada issue de Flowsery llega a Slack, Linear o Jira con el replay y los pasos de reproducción adjuntos, y mencionar a @flowsery en Slack abre un borrador de pull request en el repositorio de GitHub del equipo.

Preguntas frecuentes

¿Cuál es una buena tasa de drop-off?

No hay un umbral que valga para todos los sectores, porque la tasa de drop-off depende de cuántos pasos definió el equipo y de dónde colocó el punto de entrada. Un flujo de dos pasos y uno de siete pasos que cubren el mismo recorrido reportan cifras de extremo a extremo distintas. Juzga un paso contra su propio historial y contra los pasos contiguos.

¿La tasa de drop-off es lo mismo que uno menos la tasa de conversión?

La tasa de drop-off de extremo a extremo y la tasa de conversión suman 100% cuando ambas usan el mismo denominador y el mismo evento de finalización. En el ejemplo resuelto, 1,440 de 10,000 entrantes terminan, lo que da una tasa de conversión del 14.40% y una tasa de drop-off de extremo a extremo del 85.60%. El drop-off por paso no tiene esa relación, ya que cada paso usa su propio denominador.

¿Puede la tasa de drop-off superar el 100%?

No, porque por construcción el numerador cuenta un subconjunto del denominador. Una cifra por encima del 100% significa que hay usuarios contados en un paso al que nunca llegaron, lo que apunta a un evento duplicado o a una definición de paso que se dispara en más de una página. Audita el evento de ese paso antes de fiarte de cualquier otra fila.

¿Por qué el mismo embudo muestra drop-off distinto en dos herramientas?

Dos herramientas aplican tiempos de espera de sesión, ventanas de finalización y reglas sobre el orden de los pasos que son distintos. Cualquiera de esos factores cambia el denominador en todos los pasos posteriores al primero. Compara las dos definiciones de embudo campo por campo antes de dar por hecho que una de las herramientas se equivoca.

¿La tasa de drop-off debe medirse por usuarios o por sesiones?

Mide por usuarios cuando el flujo puede abarcar más de una visita, como un registro que la gente termina al día siguiente, y por sesiones cuando el flujo está pensado para completarse de una sentada. Mezclar ambas dentro de un mismo embudo produce pasos cuyos denominadores no son comparables. Indica qué unidad usa el embudo en el propio nombre del embudo.

¿Flowsery detecta los drop-offs sin configuración adicional?

Flowsery detecta drop-offs y flujos rotos de forma automática, junto con rage clicks, dead clicks y errores de JavaScript, y se conecta a los replays de PostHog o Amplitude ya grabados sin reinstrumentar nada. El script pesa menos de 10 KB, no usa cookies y se aloja en la UE, sin muestreo de datos. Definir un embudo con nombre sigue mereciendo la pena, porque fija la lista de pasos contra la que reportan las cifras de drop-off.

¿Qué cuenta como un paso en la definición de un embudo?

La definición de un embudo necesita una lista ordenada de pasos, un primer paso que marca la entrada y un último paso que marca la finalización. Dos analistas que eligen listas de pasos distintas reportan tasas de drop-off distintas para la misma semana de tráfico. Escribe la lista de pasos antes de calcular cualquier número.

¿Por qué una página puede tener una tasa de salida baja y una tasa de drop-off alta?

La tasa de salida divide las salidas entre las páginas vistas de una sola página, sin exigir que exista una secuencia. La tasa de drop-off divide las salidas entre los usuarios que alcanzaron un paso dentro de un flujo ordenado, así que un usuario que se va hacia cualquier lugar distinto del siguiente paso del embudo cuenta contra el drop-off de una forma que la tasa de salida no capta. Por eso una página puede mostrar una tasa de salida baja y aun así tener una tasa de drop-off brutal.

¿Es el abandono de carrito lo mismo que la tasa de drop-off?

El drop-off cubre cualquier salida de cualquier paso, mientras que algunos analistas reservan la palabra abandono para flujos donde el usuario declaró primero su intención, como un carrito con un artículo dentro o un formulario parcialmente completado. El benchmark de abandono de carrito de Baymard Institute, de 70.22%, mide ese flujo específico, no un embudo general. Usa la tasa de abandono de carrito solo cuando el flujo en cuestión sea un carrito, y compara tu propio embudo con sus propias semanas anteriores.

¿Cómo ayuda el session replay a explicar un mal paso?

Flowsery graba cada sesión y detecta automáticamente rage clicks, dead clicks, errores de JavaScript, drop-offs y flujos rotos, y luego agrupa las sesiones que coinciden en un solo issue. Una caída del 50.00% en un solo paso puede deberse a un botón roto, un error de validación que nadie ve o un precio que sorprende a la gente, y esas tres causas se ven idénticas en un gráfico de embudo por sí solo. El session replay de ese paso exacto muestra cuál fue la causa real.