Как использовать когортный анализ для уменьшения оттока пользователей и принятия лучших решений

Ти Магнин из Appcues написал в блоге компании о том, как использовать когортный анализ. Мы приводим русский перевод его статьи.

Большинство стартапов понимают это сразу – отток пользователей это плохо. Хакеры возврата это новые хакеры роста! Неважно, сколько пользователей получает ваш стартап, если ни один из них не остается в приложении.

Есть несколько полезных тактик, которые многие проджект-менеджеры используют для увеличения возвратов. Например, улучшение онбординга или повышение доступности. Но для того, чтобы непосредственно влиять на уменьшение оттока, вам необходимо диагностировать специфические проблемы вашего продукта и внести нужные коррективы.

Хорошая новость заключается в том, что если вы готовы погрузиться в числа, то можно точно определить, почему пользователи перестают пользоваться приложением. Ключ к этому в когортном анализе. Группируя пользователей по их действиям, вы можете понять, что заставляет их оставаться надолго. Тогда вы сможете принимать обоснованные решения, которые уменьшат отток и значительно увеличат прибыль.

Когортный анализ

Чтобы узнать, почему пользователи прекращают пользоваться вашим приложением, вы должны ответить на три «К» их удержания:

• Кто увлечен, а кто нет вашей игрой
• Когда пользователи отваливаются
• Как они теряют интерес

Вы можете сделать это только с помощью сегментирования пользователей в группы — или когорты — основанные на конкретных признаках. Вы можете сегментировать пользователей на два типа когорт:

• Когорты приобретения: пользователи на группы делятся по дате подписки на приложение
• Поведенческие когорты: пользователи делятся по действиям в приложении

Когорты приобретения помогут вам определить кто и когда, но поведенческие когорты – почему.

1. Посмотрите когда пользователи уходят

Используя когорты приобретения, вы можете определить, на каком этапе жизненного цикла пользователи, как правило, уходят. Наиболее распространенным способом является использование диаграммы, как показано ниже:

На левой стороне находится временная шкала и количество пользователей, приобретенных в определенный временной интервал (кто). Каждая колонка представляет собой количество времени, которое прошло с момента приобретения пользователя (когда). Каждая ячейка это процент от первоначального количества приобретенных пользователей, сохранившийся к этому времени.

Вот некоторые вещи, которые следует учесть при анализе когорты приобретения:

1. Период (день, неделя или месяц). Более короткие периоды для молодых компания, более длительные для старых.
2. Объем. Чем больше длительность рассматриваемого периода возвратов, тем труднее вывести точную гипотезу о том, что не так в вашем приложении. Выполняйте анализ для каждого периода возвратов: начального (до 8 дней), среднего (8-90 дней) и позднего (более 90 дней).
3. Ожидания. Согласно Хитену Шаху, удержание зависит от категории. Для быстрорастущего дешевого приложения относительно высокий отток – 10-15% — может быть нормальным. Для приложения, с высоким барьером входа, вы будете наблюдать гораздо более низкий отток – 2-3%.

После того как вы собрали свой график, посмотрите, где пользователи уходят больше всего. На третий день, когда им напоминают о синхронизации данных? Или на четвертой неделе, сразу после того, как они заканчивают онбординг? Это должно дать вам некоторое представление о том, где спотыкаются пользователи при использовании приложения.

Что бы дать вам ясную картину, давайте возьмем вымышленный набор данных их приложения для повышения продуктивности.

Если вы внимательно посмотрите, то увидите, что самый большой процент уходящих приходится на конец второй недели – средняя потеря пользователей на 14 и 15 день составляет целых 3 процентных пункта. Эта информация поможет нам в составлении гипотезы о том, почему пользователи оставляют приложение.

2. Найдите то, что удерживает

После того, как вы определили временные рамки, в которые уходят ваши пользователи, вы можете приступит к изучению того, почему это происходит (как).

В примере с нашим приложением, мы знаем, что должны сделать некоторые настройки на начальных стадиях возвращения пользователей. Когортный анализ поведения поможет нам с определением того, что происходит в районе 15 дня. Вот гипотезы:

• Пользователи, которые регулярно пользуются контрольным списком в первые две недели
• Которые регулярно используют социальные функции (чат, сообщения, совместные рабочие потоки)
• Которые включают пуш-уведомления при первой настройке параметров приложения.

Корреляция между поведением и оттоком станет более очевидной для конкретного поведения. Общее определение, такое как «взаимодействовал с приложением в первые 30 дней», не дает вам достаточное понимание того, что удерживает и увлекает пользователей.

Давайте перейдем к практике. Вот средние значения оттока для приложения продуктивности на основе анализа когорт приобретения:

Вот сравнение среднего оттока в сравнении с оттоком тех пользователей, которые используют одну из перечисленных функций – контрольный список.

Бинго! Мы видим, что для пользователей, использующих основную функцию (красная линия) отток очень мал, а большинство их тех, кто ушел из приложения, этот список не использовало.

Это может быть из-за того, что список не был частью онбординга в приложении, или из-за того, что сам список находится слишком далеко от основного экрана. Для того, чтобы сохранить больше пользователей, надо сделать коррективы и увеличить использование списка.

Пример из реальной жизни – приложение для медитаций Calm смогло в 3 раза увеличить возвраты за счет точного определения их главного функционала. Они поняли, что большинство пользователей, которые оставались с приложением, использовали напоминания, так что они использовали подсказки в приложении для улучшения вовлеченности с этой основной функцией.

3. Инвертируйте, комбинируйте и делайте выводы

К сожалению, не всегда так просто, найти четкую связь между поведением и удержанием. С ростом вашего продукта и пользовательской базы, вступает в дело комбинация факторов.

Подумайте об этом так: ваша цель состоит в том, чтобы точно определить общее в поведении ваших наиболее активных пользователей. Инвертируйте это и вы найдете то, что не устраивает уходящих пользователей.

Все это может быть сделано в электронной таблице с некоторым условным форматированием, но часто занимает чрезвычайно много времени. К счастью есть множество инструментов, упрощающих процесс. Такие инструменты как Amplitude, помогают вам просто создавать поведенческие когорты. Вы можете комбинировать и сравнивать когорты, быстро тестируя ваши гипотезы.

Взгляните на то, как Quizupиспользует когортный анализ и комбинирует когорты для точного определения причин оттока пользователей.

Разработчики Quizup увидели, что теряют слишком много пользователей после первой недели. Они предположили, что использование их функции «Добавить в список» приводит к долгосрочному удержанию.

Их гипотеза подтвердилась, когда в Amplitude Compass они сравнили когорты. Пользователи, использующие эту функцию 3 или более раза в первую неделю, с гораздо большей вероятностью оставались в приложении.

Quizup инвертировали результаты (для пользователей, которые не были вовлечены) и изменили процесс соответствующе. Основываясь на этих данных, они изменили онбординг и использовали пуш-уведомления для тех пользователей, которые не использовали социальные функции (такие как «Добавить в список»).

Итерируйте и итерируйте снова

Выяснение того, как исправить проблему, часто может быть столь же сложным, как и сама диагностика. Если вы знаете, что вовлечение пользователей в значительной степени зависит от использования главной функции, вы не можете просто приставать к вашим потребителям с письмами и пушами в попытке зацепить их. На самом деле, назойливость может еще больше увеличить отток.

Вместо того, чтобы внедрять в продукт большие изменения, проводите A/B-тесты изменений на ваших проблемных когортах для понимания того, что работает, а что нет. Таким образом, вы сможете внедрить мало рискованные, но основанные на данных изменения. Они гарантированно сократят отток пользователей. И как только вы успешно улучшили возвраты на основе своих поведенческих когорт, проделывайте все снова.

С таким большим количеством продуктов, доступных на рынке, приобретение пользователей для B2B приложений непростая задача. Вы вкладываетесь в рекламу, в контент-маркетинг, в продажи. Не позволяйте ценным пользователям ускользать от вас. Все данные, чтобы удержать их, у вас в руках. И когортный анализ.

Источник