Deux chiffres se cachent derrière un seul taux de drop-off

Qu'est-ce que le taux de drop-off?

En analyse de funnel, le taux de drop-off, ou taux de décrochage, est le pourcentage d'utilisateurs qui entrent dans un parcours défini en plusieurs étapes et le quittent avant de le terminer, calculé comme les utilisateurs sortis d'une étape divisés par les utilisateurs arrivés à cette étape. La métrique n'existe qu'une fois que l'équipe a écrit le parcours: une liste ordonnée d'étapes, une première étape qui définit l'entrée, une dernière qui définit l'achèvement. Fixez cette séquence avant de sortir le moindre chiffre, parce que deux analystes qui choisissent des listes d'étapes différentes rapportent des drop-off différents sur la même semaine de trafic.

Quelle est la formule du taux de drop-off?

Le taux de drop-off par étape divise les utilisateurs arrivés à une étape mais jamais arrivés à la suivante par les utilisateurs arrivés à cette étape.

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

Le taux de drop-off de bout en bout prend le parcours entier comme dénominateur.

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

Prenez un parcours de checkout dans lequel 10,000 utilisateurs entrent, dont 1,440 atteignent la page de confirmation. Le taux de drop-off de bout en bout est (10,000 - 1,440) / 10,000, soit 85.60%. Si 6,000 utilisateurs atteignent la page produit et que 3,000 d'entre eux passent au panier, le taux de drop-off de cette seule étape est de 3,000 / 6,000, soit 50.00%.

Pourquoi le taux de drop-off par étape et de bout en bout diffèrent-ils?

Le drop-off par étape mesure la perte par rapport aux utilisateurs qui ont survécu jusqu'à cette étape, tandis que le drop-off de bout en bout mesure la perte par rapport à tous ceux qui sont entrés, donc les deux chiffres viennent de dénominateurs différents et ne coïncident jamais. Le même funnel de cinq étapes rend l'écart concret:

Aucune étape de ce tableau ne perd plus de 50.00% des personnes qui l'atteignent, et le parcours perd quand même 85.60% de tous ceux qui sont entrés. Celui qui cite "notre taux de drop-off est de 20%" depuis la ligne du paiement et celui qui cite "notre taux de drop-off est de 85.60%" depuis la colonne cumulée lisent tous les deux le même funnel correctement. Étiquetez chaque chiffre de drop-off avec son étape et son dénominateur dans la même phrase, sinon le chiffre ne porte aucune information.

Le tableau tranche aussi la question de l'étape à corriger en premier. L'étape 2 a le pire pourcentage à 50.00%, mais l'étape 1 perd 4,000 personnes contre 3,000 pour l'étape 2. Le pourcentage classe la fuite, le nombre de personnes classe le revenu, et une revue de funnel de conversion a besoin des deux colonnes sous les yeux.

Le drop-off est-il la même chose que l'abandon?

Le drop-off et l'abandon décrivent le même événement sous deux vocabulaires, et la séparation porte sur l'intention, pas sur l'arithmétique. Les analystes qui distinguent les deux mots réservent l'abandon aux parcours où l'utilisateur a déclaré une intention puis est parti, comme un panier contenant un article ou un formulaire partiellement rempli, et utilisent le drop-off pour toute sortie de n'importe quelle étape. Les analystes qui traitent les deux mots comme des synonymes calculent le même ratio et se contentent de le nommer autrement.

Les éditeurs d'outils n'ont pas tranché non plus. La documentation de l'exploration de funnel de GA4 chez Google n'emploie ni l'un ni l'autre et dit que les utilisateurs "sortent du funnel", si bien qu'une équipe qui passe de GA4 à un outil de product analytics puis à une plateforme ecommerce rencontre trois étiquettes pour un seul calcul. Choisissez un mot par équipe et écrivez son dénominateur à côté.

En quoi le taux de drop-off diffère-t-il du bounce rate et de l'exit rate?

Le taux de drop-off mesure un parcours, tandis que le bounce rate et l'exit rate mesurent une page, donc les trois métriques répondent à des questions différentes et ne peuvent pas se substituer l'une à l'autre.

Une page peut afficher un exit rate faible et rester sur un taux de drop-off brutal, parce que les utilisateurs partent ailleurs que vers l'étape suivante du funnel. La séparation entre bounce et exit a ses propres dénominateurs et son propre exemple chiffré dans bounce rate vs exit rate.

Quelles décisions modifient le chiffre avant tout calcul?

Quatre choix de configuration font bouger le taux de drop-off sans aucun changement de comportement des utilisateurs. Le premier est la fenêtre d'achèvement: un funnel qui laisse 30 minutes aux utilisateurs pour terminer rapporte un drop-off plus élevé que le même funnel mesuré sur 7 jours. Le deuxième est le périmètre, parce que compter un parcours par session découpe chaque utilisateur qui revient demain en deux entrées, tandis que le compter par utilisateur les fusionne en un seul parcours.

Le troisième est l'ordre: un funnel strict écarte un utilisateur qui atteint le checkout sans la page produit, un funnel ouvert le garde, et cela décale tous les dénominateurs suivants. Le quatrième est la ré-entrée, qui décide si un utilisateur qui recommence le parcours la semaine prochaine compte comme une nouvelle entrée ou une continuation. Consignez ces quatre règles à côté de la définition du funnel, parce qu'en changer une en silence est la raison la plus fréquente pour laquelle une courbe de drop-off semble s'améliorer.

Que vous disent les benchmarks d'abandon publiés?

Les benchmarks publics décrivent l'abandon dans un parcours précis, pas le drop-off dans le vôtre, donc ils donnent un contexte et ne peuvent pas fixer un objectif. La moyenne courante de 50 études différentes du Baymard Institute situe le taux documenté d'abandon de panier en ligne à 70.22%, dernière mise à jour le 22 septembre 2025. Ce chiffre couvre des boutiques aux produits, aux prix et aux checkouts différents, ce qui en fait une moyenne de moyennes plutôt que la mesure d'un funnel donné. Une boutique qui rapporte 68% d'abandon de panier n'a donc rien prouvé sur son propre checkout, et un parcours d'onboarding SaaS n'a aucun chiffre publié comparable. Comparez votre funnel à ses propres semaines précédentes, et utilisez le taux d'abandon de panier quand le parcours en question est précisément un panier.

Comment trouver la cause derrière une mauvaise étape?

Un taux de drop-off nomme l'étape qui perd des utilisateurs, et le session replay de cette étape exacte en nomme la raison. Flowsery enregistre chaque session utilisateur et détecte automatiquement les rage clicks, les dead clicks, les erreurs JavaScript, les drop-off et les parcours cassés, puis regroupe les sessions similaires en un seul problème et classe les problèmes selon le nombre d'utilisateurs touchés. Son analyse de funnel s'appuie sur le même flux d'événements, si bien que la pire étape et les replays derrière elle viennent d'un seul jeu de données au lieu de deux outils qui se contredisent.

Une chute de 50.00% sur une étape peut être un bouton cassé, une erreur de validation que personne ne voit, ou un prix qui surprend les gens, et ces trois cas sont identiques dans un graphique de funnel. Les clics répétés sur un contrôle qui ne fait rien apparaissent comme un groupe de rage clicks, ce qui désigne l'élément plutôt que l'étape. Chaque problème Flowsery arrive dans Slack, Linear ou Jira avec le replay et les étapes de reproduction attachés, et mentionner @flowsery dans Slack ouvre un brouillon de pull request dans le dépôt GitHub de l'équipe.

Questions fréquentes

Qu'est-ce qu'un bon taux de drop-off?

Il n'existe aucun seuil valable pour tous les secteurs, parce que le taux de drop-off dépend du nombre d'étapes qu'une équipe a définies et de l'endroit où elle a placé le point d'entrée. Un parcours en deux étapes et un parcours en sept étapes couvrant le même trajet rapportent des chiffres de bout en bout différents. Jugez une étape par rapport à son propre historique et aux étapes voisines.

Le taux de drop-off est-il égal à un moins le taux de conversion?

Le taux de drop-off de bout en bout et le taux de conversion font 100% ensemble quand les deux utilisent le même dénominateur et le même événement d'achèvement. Dans l'exemple chiffré, 1,440 des 10,000 entrants terminent, ce qui donne un taux de conversion de 14.40% et un taux de drop-off de bout en bout de 85.60%. Le drop-off par étape n'a pas cette relation, puisque chaque étape utilise son propre dénominateur.

Le taux de drop-off peut-il dépasser 100%?

Non, parce que le numérateur compte par construction un sous-ensemble du dénominateur. Un chiffre au-dessus de 100% signifie que des utilisateurs sont comptés à une étape qu'ils n'ont jamais atteinte, ce qui pointe vers un événement dupliqué ou une définition d'étape qui se déclenche sur plus d'une page. Auditez l'événement de cette étape avant de faire confiance à la moindre autre ligne.

Pourquoi le même funnel affiche-t-il un drop-off différent dans deux outils?

Deux outils appliquent des délais de session, des fenêtres d'achèvement et des règles d'ordre des étapes différents. N'importe lequel de ces éléments change le dénominateur à chaque étape après la première. Comparez les deux définitions de funnel champ par champ avant de supposer qu'un des deux outils a tort.

Faut-il mesurer le taux de drop-off par utilisateurs ou par sessions?

Mesurez par utilisateurs quand le parcours peut s'étendre sur plus d'une visite, comme une inscription que les gens terminent le lendemain, et par sessions quand le parcours doit se terminer d'une traite. Mélanger les deux dans un seul funnel produit des étapes dont les dénominateurs ne sont pas comparables. Indiquez l'unité utilisée dans le nom même du funnel.

Flowsery détecte-t-il les drop-off sans configuration supplémentaire?

Flowsery détecte automatiquement les drop-off et les parcours cassés en même temps que les rage clicks, les dead clicks et les erreurs JavaScript, et il se connecte aux replays PostHog ou Amplitude déjà enregistrés sans réinstrumentation. Le script fait moins de 10 KB, fonctionne sans cookies, est hébergé dans l'UE et n'échantillonne aucune donnée. Définir un funnel nommé reste utile, parce que cela fixe la liste d'étapes à laquelle les chiffres de drop-off se rapportent.

Qu'est-ce qui compte comme une étape dans la définition d'un funnel ?

Une définition de funnel a besoin d'une liste ordonnée d'étapes, d'une première étape qui marque l'entrée et d'une dernière étape qui marque l'achèvement. Deux analystes qui choisissent des listes d'étapes différentes obtiennent des taux de drop-off différents pour la même semaine de trafic. Note la liste des étapes avant de calculer quoi que ce soit.

Pourquoi une page peut-elle avoir un exit rate bas et un taux de drop-off élevé ?

L'exit rate divise les sorties par les pages vues d'une seule page, sans exiger qu'une séquence existe. Le taux de drop-off divise les sorties par les utilisateurs qui ont atteint une étape à l'intérieur d'un flow ordonné, donc un utilisateur qui part vers autre chose que l'étape suivante du funnel compte contre le drop-off d'une façon que l'exit rate ne capture pas. Une page peut donc afficher un exit rate bas tout en portant un taux de drop-off brutal.

L'abandon de panier est-il la même chose que le taux de drop-off ?

Le drop-off couvre toute sortie depuis n'importe quelle étape, tandis que certains analystes réservent le mot abandon aux flows où l'utilisateur a d'abord manifesté une intention, comme un panier contenant un article ou un formulaire partiellement rempli. Le benchmark d'abandon de panier de Baymard Institute, à 70,22%, mesure ce flow précis, pas un funnel général. Utilise le taux d'abandon de panier seulement quand le flow en question est un panier, et compare ton propre funnel à ses propres semaines précédentes.

Comment le session replay aide-t-il à expliquer une mauvaise étape ?

Flowsery enregistre chaque session et détecte automatiquement les rage clicks, les dead clicks, les erreurs JavaScript, les drop-off et les flows cassés, puis regroupe les sessions correspondantes en un seul issue. Une chute de 50,00% sur une seule étape peut venir d'un bouton cassé, d'une erreur de validation que personne ne voit, ou d'un prix qui surprend les gens, et ces trois causes se ressemblent à l'identique dans un funnel chart seul. Le session replay de cette étape précise montre laquelle s'est réellement produite.