Analyse de cohorte : réduire le taux de désabonnement et améliorer la rétention

L'analyse de cohorte répond à une question commerciale sur la façon dont un groupe ou un segment spécifique d'utilisateurs a interagi avec un produit, ou est censé interagir avec un produit, en fonction de leurs comportements antérieurs. En obtenant des données comportementales et en les décomposant en cohortes, cela devient plus facile à analyser.

Les cohortes sont des groupes d'utilisateurs qui partagent des caractéristiques et des modèles d'utilisation spécifiques sur une période donnée. Ceux-ci peuvent inclure des éléments tels que le temps d'utilisation, les fonctionnalités souscrites ou le nombre d'objectifs atteints. Les cohortes sont utiles car elles vous aident à segmenter votre base d'utilisateurs et à collecter des données sur la manière dont ils interagissent avec votre produit tout au long de son cycle de vie.

Les entreprises doivent utiliser l'analyse de cohorte pour comprendre le comportement des utilisateurs et améliorer la fidélisation de la clientèle. Les données que vous obtenez sont un excellent moyen de comprendre ce qui pousse les nouveaux clients à rester et certaines des raisons courantes de leur désabonnement.

Qu'est-ce que l'analyse de cohorte ?

Une cohorte est un groupe ou un segment d'utilisateurs qui partagent des traits de profil, des comportements communs ou les deux. Par exemple:

• Utilisateurs possédant des appareils iOS
• Utilisateurs qui se sont connectés tous les jours la semaine dernière
• Utilisateurs possédant des appareils iOS qui se sont connectés tous les jours la semaine dernière

En règle générale, un chef de produit ou un spécialiste du marketing pose une question commerciale, ce qui déclenche une analyse de cohorte. Ces questions peuvent tourner autour de l'engagement, de la conversion ou de la rétention du produit.

• L' engagement est le terme désignant les actions que les gens entreprennent au sein de votre application. Il peut s'agir de mettre à niveau un personnage dans un jeu, de partager une séance d'entraînement avec la communauté dans une application de fitness ou de jouer une chanson dans une application musicale.
• La conversion est le but ultime. L'analyse de cohorte peut être utilisée pour juger si différentes incitations à la conversion, comme de nouvelles fonctionnalités ou des tarifs réduits, sont efficaces.
• La rétention fait référence aux personnes qui reviennent sur votre application à maintes reprises.

Dans l'exemple de graphique ci-dessus, vous pouvez voir le parcours de l'utilisateur pour deux cohortes différentes : les utilisateurs qui ont partagé une chanson (vert) et ceux qui ne l'ont pas fait (bleu). La cohorte d'utilisateurs qui ont partagé une chanson a eu un engagement et une conversion plus élevés.

Examinons maintenant de plus près comment l'analyse de cohorte peut être utilisée pour aider les chefs de produit à réduire le taux de désabonnement des clients et à améliorer les taux de fidélisation.

Importance de prévenir le désabonnement des clients

L'analyse de cohorte est essentielle car les paramètres tels que les utilisateurs actifs quotidiens ou mensuels (DAU et MAU) sont fortement faussés par la croissance. Si votre application se développe rapidement, les nouvelles inscriptions d'utilisateurs masqueront où vos utilisateurs existants abandonnent. Peu importe la productivité de vos canaux d'acquisition si vous perdez des clients actuels aussi vite ou plus vite que vous en gagnez de nouveaux.

C'est pourquoi la réalisation d'une analyse de cohorte du taux de désabonnement est l'un des moyens les plus efficaces d'améliorer la santé de votre entreprise. Les clients qui effectuent des achats répétés aident une entreprise à générer des revenus stables et à compenser les coûts d'attraction de nouveaux clients.

Selon Business of Apps, le coût de la publicité par installation pour les applications mobiles a atteint 5,28 $. Un cycle de vie client plus long rapporte des dividendes plus élevés pour cet investissement.

Comment construire une stratégie de rétention en utilisant l'analyse de cohorte

L'aspect le plus puissant de l'analyse de cohorte est que vous ne verrez pas seulement les clients partir et quand, mais vous pouvez également commencer à comprendre Vous pouvez améliorer votre taux de rétention en mettant en place le processus suivant :

1. Fixer des objectifs : Établissez un objectif pour le processus. Vous souhaitez réduire le churn à court terme ? Long terme? Quel est votre objectif de croissance ?
2. Explorer : examinez les données actuelles pour voir où des changements peuvent être apportés pour atteindre votre objectif.
3. Faire des hypothèses : Décidez des questions à poser et des résultats possibles des expériences.
4. Remue-méninges : Concevoir des expériences possibles pour tester des hypothèses.
5. Test : Exécutez différents tests pour évaluer les hypothèses.
6. Analyser : analysez les données de test pour voir si les objectifs ont été atteints.
7. Systématiser : faites en sorte que tout changement positif fasse partie du système.

Grâce à ce système, vous pouvez continuellement améliorer votre application et augmenter la rétention. Plutôt que de regarder un nombre de désabonnements agrégé, vous ciblez un comportement spécifique et testez pour voir si encourager les utilisateurs à adopter ce comportement améliore la rétention.

Utiliser l'analyse de cohorte pour améliorer la fidélisation de la clientèle

Un rapport d'analyse de cohorte de clients peut être utilisé pour tester une hypothèse sur la façon dont certains changements de produits affectent les indicateurs de performance clés d'une entreprise.

Par exemple, supposons que vous soyez chef de produit d'une application musicale telle que Spotify et que l'un de vos principaux objectifs soit d'augmenter la fidélisation des utilisateurs.

Vous pouvez formuler l'hypothèse que les utilisateurs qui partagent un certain nombre de chansons avec leurs amis sont plus susceptibles de devenir des utilisateurs réguliers et fidèles de votre application.

Pour tester cette hypothèse, vous sélectionnez d'abord un groupe ou une cohorte d'utilisateurs en fonction de leur date d'acquisition. Ensuite, vous divisez cette cohorte d'acquisition en deux sous-ensembles. Dans un sous-ensemble de cohorte se trouvent les utilisateurs qui ont utilisé au moins une fois la fonction "partager une chanson". L'autre sous-ensemble de la cohorte comprend les utilisateurs qui n'ont pas utilisé la fonction "partager".

Enfin, exécutez une analyse de rétention basée sur l'analyse comportementale de ces deux sous-ensembles de cohorte.

Dans ce cas, le graphique d'analyse de cohorte ci-dessus montre les taux de rétention de N jours pour les utilisateurs qui ont partagé une chanson (bleu) par rapport à ceux qui ne l'ont pas fait (vert). Vous pouvez voir que les utilisateurs qui ne partagent pas une chanson ont un taux de désabonnement de 77,75 % après 30 jours. Pendant ce temps, le taux de désabonnement des utilisateurs qui ont utilisé la fonctionnalité de partage n'est que de 31 %.

C'est une différence significative, et cet ensemble de données vous donne désormais la possibilité de prendre une décision commerciale qui pourrait générer davantage de revenus. Par exemple, dans la prochaine mise à jour, vous pouvez modifier votre flux d'intégration pour inviter les nouveaux utilisateurs à partager une chanson plutôt que d'attendre qu'ils découvrent cette fonctionnalité par eux-mêmes.

Types de données de cohorte

Il existe trois types de données de cohorte, et elles ont chacune des cas d'utilisation différents.

Cohortes d'acquisition

Les cohortes d'acquisition divisent les utilisateurs en fonction du moment où ils se sont inscrits à votre produit. Une application grand public peut regrouper les cohortes le jour de leur inscription, tandis qu'un outil SaaS est plus susceptible de suivre les cohortes mensuelles.

Les cohortes d'acquisition sont utilisées pour suivre les nouveaux utilisateurs et voir combien de temps ils continuent à utiliser votre application après leur interaction initiale, c'est-à-dire la durée de vie de votre client. Cela peut être un excellent moyen d'expérimenter votre expérience d'intégration pour vous assurer que les utilisateurs voient clairement et tôt la valeur de votre produit. Plus tôt les nouveaux utilisateurs ont ce "aha!" moment, plus ils ont de chances d'être retenus.

Cohortes comportementales

Les cohortes comportementales sont un segment personnalisé de votre audience basé sur n'importe quelle combinaison de comportements passés ou de propriétés de profil utilisateur.

Certains exemples de comportements d'utilisateurs incluent le partage d'une chanson, l'inscription à un essai ou la réalisation d'un achat. Les propriétés du profil utilisateur sont des éléments tels que les données démographiques, la plate-forme utilisée par un visiteur ou la façon dont quelqu'un arrive sur votre site Web.

La combinaison des comportements et des propriétés de profil constitue collectivement une cohorte comportementale. Ce type de données de cohorte est un moyen d'examiner les actions dans un certain laps de temps pour identifier des types d'utilisateurs similaires à analyser. Cette analyse révèle généralement comment les utilisateurs interagissent avec votre produit et comment cet engagement des utilisateurs affecte des éléments tels que la rétention, le taux de conversion ou d'autres indicateurs clés importants pour votre entreprise.

Cohortes prédictives

Les cohortes prédictives examinent ce qu'un utilisateur est censé faire à l'avenir.

Ce type de données est idéal pour déterminer les utilisateurs à cibler avec une campagne marketing ou pour décider comment ajuster les prix pour augmenter les chances qu'un utilisateur entreprenne une action.

Cohortes d'acquisition : trouver des moments problématiques dans votre application

Les cohortes d'acquisition vous donnent des informations sur le cycle de vie de vos clients, plus précisément sur le temps qu'il leur faut pour se désabonner après leur date d'acquisition. Ces informations peuvent vous aider à identifier les modèles de désabonnement ou les campagnes marketing avec des taux de conversion élevés. Supposons que vous ayez une application musicale qui rencontre un problème de désabonnement avec des utilisateurs qui abandonnent chaque jour.

Les utilisateurs du tableau de rétention ci-dessus sont divisés en cohortes quotidiennes, c'est-à-dire les utilisateurs qui se sont inscrits le même jour. Vous pouvez constater que 11 528 utilisateurs se sont inscrits à votre application musicale le 16 juillet et que la rétention au jour 5 était de 49,7 %. Ainsi, un utilisateur sur deux qui s'est inscrit le 16 juillet était toujours un utilisateur actif de l'application le cinquième jour après sa première utilisation de l'application.

La meilleure façon de visualiser ces informations est de les transformer en une courbe d'analyse de rétention, qui montre votre rétention pour ces cohortes au fil du temps. Lorsque vous tracez vos données de cette manière, il devient facile de voir quand les utilisateurs quittent votre produit.

Cette courbe de rétention vous dit immédiatement quelque chose d'important : environ un tiers des utilisateurs arrêtent d'utiliser l'application après le premier jour. Après cette baisse initiale, la courbe continue de diminuer régulièrement, ne laissant qu'un peu plus de 25 % des utilisateurs d'origine encore actifs dans l'application au jour 30.

Ce n'est pas génial (bien que ce soit courant, certaines données montrent que l'application moyenne perd près de 60 % de ses utilisateurs au cours du premier mois). La rétention précoce est un problème important. Une courbe comme celle-ci indique que les utilisateurs n'obtiennent pas la valeur de base de l'application assez rapidement, alors ils partent. Vous savez maintenant que vous devez améliorer l'expérience initiale de l'application pour amener les utilisateurs à votre valeur fondamentale le plus rapidement possible.

Atteindre les limites des cohortes d'acquisition

Si votre application a la courbe de rétention indiquée ci-dessus, vous voulez immédiatement comprendre ce que vous pouvez faire pour augmenter votre rétention.

Les cohortes d'acquisition seules ne donnent aucune information sur la façon dont vous pouvez améliorer l'expérience utilisateur pour fidéliser vos utilisateurs. Vous ne pouvez pas isoler des comportements ou des propriétés utilisateur spécifiques.

Les cohortes d'acquisition sont idéales pour vous montrer les tendances et vous dire quand les gens partent, mais pour comprendre pourquoi ils partent, vous devez vous tourner vers un autre type de cohorte : les cohortes comportementales.

Cohortes comportementales : découvrez quels comportements stimulent la rétention

À partir du moment où les utilisateurs s'inscrivent à votre produit, ils prennent des centaines de décisions et présentent d'innombrables petits comportements qui les conduisent à décider de rester ou de partir. En segmentant vos utilisateurs en fonction de ces comportements, vous pouvez obtenir des informations sur les fonctionnalités de votre produit qui stimulent la croissance.

Lorsque vous retravaillerez l'intégration de vos utilisateurs pour optimiser la rétention, vous devrez identifier le moyen le plus efficace de le faire. Plutôt que de choisir sur quoi travailler en se basant sur des anecdotes ou des choix aléatoires, les cohortes comportementales vous permettent de décider d'une approche de manière systématique et quantitative. Les cohortes comportementales regroupent les utilisateurs en fonction des actions spécifiques qu'ils ont (ou n'ont pas) entreprises.

Trouver les bonnes cohortes

Pour votre application musicale, vous pouvez créer différentes cohortes d'utilisateurs à partir d'actions telles que la lecture d'une chanson, la recherche d'un artiste ou la création d'une liste de lecture.

Supposons que vous vouliez voir la rétention des utilisateurs qui ont mis des chansons en favoris dans l'application. Vous pouvez utiliser des cohortes comportementales pour examiner la rétention des nouveaux utilisateurs qui ont ajouté trois chansons ou plus à leurs favoris :

Alors que près de 60 % de tous les utilisateurs (bleu) abandonnent dans la journée suivant l'utilisation de l'application, seuls environ 15 % des utilisateurs qui ont préféré trois chansons ou plus (vert) abandonnent après le premier jour.

Inversion des cohortes

Maintenant que vous savez comment la rétention change pour les utilisateurs qui interagissent avec la fonctionnalité favorite, vous pouvez également voir comment elle change pour ceux qui ne le font pas. Vous trouverez ci-dessous la rétention pour les utilisateurs qui n'ont pas mis une chanson en favoris :

Les utilisateurs qui n'ont pas du tout préféré une chanson (violet) ont une moins bonne rétention que la plupart - moins de 25% de ces utilisateurs abandonnent après le premier jour.

À partir de cette visualisation simple, vous pouvez voir que le fait d'amener les gens à écouter leurs chansons préférées au début de leur expérience leur permet de découvrir la valeur fondamentale de l'application, ce qui signifie qu'ils sont plus susceptibles de continuer en tant qu'utilisateurs. Maintenant que vous avez ces données, vous pouvez les mettre en action en mettant l'accent sur la fonctionnalité des chansons préférées lors de l'intégration. Cela conduira à davantage d'utilisateurs à privilégier les chansons au début de leur parcours client et, en fin de compte, à de meilleurs taux de rétention.

Combiner des cohortes

Vous pouvez créer des cohortes comportementales basées sur n'importe quelle action pouvant être effectuée dans votre produit. Cela signifie que vous pouvez corréler n'importe quel nombre d'actions utilisateur différentes avec les taux de rétention des utilisateurs.

Par exemple, votre application musicale dispose d'une fonctionnalité qui permet aux utilisateurs de rejoindre des communautés en fonction de leurs genres préférés. Vous pouvez extraire cet ensemble de données pour voir si cela contribue à améliorer la rétention ou s'il s'agit d'une fonctionnalité qui ne fait aucune différence sur leur valeur à vie.

Ici, vous pouvez voir que la rétention initiale des utilisateurs qui rejoignent les communautés (violet) est similaire à celle des utilisateurs qui préfèrent les chansons (vert), mais elle est légèrement meilleure à la fin du jour 30, et bien meilleure que tous les utilisateurs (bleu).

Au fur et à mesure que les utilisateurs s'impliquent avec d'autres personnes et trouvent plus de musique à jouer, ils commencent à apprécier davantage l'application et continuent à l'utiliser. Vous en feriez probablement l'hypothèse dans votre processus de rétention, mais vous disposez maintenant de données pour étayer votre hypothèse.

La combinaison de différentes cohortes comportementales vous permet de mieux comprendre les relations entre les différentes caractéristiques de votre produit et la manière dont elles sont susceptibles de favoriser la rétention.

Trouver les bonnes combinaisons

Qu'en est-il des utilisateurs qui mettent des chansons en favoris et rejoignent des communautés ? Grâce à Amplitude, vous pouvez filtrer vos actions pour combiner ces deux cohortes :

Comme vous pouvez le constater, les utilisateurs présentant ces deux comportements sont beaucoup plus susceptibles de continuer à utiliser l'application au cours des premières semaines. A la fin de la première semaine, la rétention est supérieure à 75% pour la cohorte favori + communauté (bleu), alors qu'elle est inférieure à 25% pour les utilisateurs n'ayant aucun de ces comportements (vert).

Corrélation, pas causalité

Ce n'est pas parce que les personnes qui préfèrent les chansons et rejoignent les communautés s'attardent moins que le fait d'inciter les gens à adopter ces comportements réduira automatiquement votre taux d'attrition. Par exemple, un appel à l'action les incitant à rejoindre 20 communautés lors de leur inscription repoussera probablement les gens.

C'est parce que la corrélation n'implique pas la causalité. Favoriser des chansons et rejoindre des communautés pourrait être simplement corrélé à l'engagement des utilisateurs, sans en être la cause . Pour déterminer la causalité, vous pouvez tester différents flux d'intégration qui mettent l'accent sur les chansons préférées pour voir si cela augmente la rétention.

Une fois que vous avez des données provenant de cohortes comportementales, vous pouvez commencer à exécuter des expériences à l'aide d'un outil de test A/B comme Amplitude Experiment pour tester les comportements qui peuvent être liés à la rétention. Vous pouvez voir ce qui fonctionne et ce qui ne fonctionne pas et augmenter systématiquement votre rétention.

Cohortes prédictives : augmentez votre ROI marketing

Vous pouvez utiliser des cohortes prédictives pour déterminer la probabilité qu'un utilisateur achète une chanson à l'avenir en fonction de sa cohorte comportementale.

Une façon de répondre à cette question commerciale consiste à prendre une cohorte de nouveaux utilisateurs qui ont partagé une chanson sur une période donnée, disons au cours des 14 derniers jours, et à exécuter une analyse de prédiction. Ce type d'analyse fonctionne mieux si vous avez une taille de cohorte de plus de 100 000 utilisateurs, car vous avez besoin de suffisamment de données pour que le modèle d'apprentissage automatique fasse une prédiction. Après environ 30 à 60 minutes, le modèle classera des cohortes spécifiques en fonction de qui est le plus susceptible d'entreprendre une action donnée, comme l'achat d'une chanson.

Encore une fois, vous disposez maintenant de données dans un simple graphique de cohorte pour éclairer une décision commerciale efficace. Par exemple, vous pouvez vous concentrer sur les 5 % d'utilisateurs les plus susceptibles d'acheter une chanson. Sélectionnez cette cohorte, placez ces utilisateurs dans un outil tiers et ciblez-les pour une campagne marketing. Il peut s'agir d'une notification push, d'un e-mail ou d'une alerte SMS pour les encourager à effectuer une action. Dans ce cas, faire un achat.

Dans le même temps, vous pouvez examiner les 20 % d'utilisateurs déterminés par l'analyse prédictive comme étant les moins susceptibles de prendre l'action que vous préférez et de choisir de ne cibler aucun budget marketing, car il est peu probable que cela produise des résultats. Alternativement, vous pourriez conclure que le groupe d'utilisateurs a simplement besoin d'une incitation différente ou supérieure. Peut-être que leur envoyer un bon de réduction de 50 % s'avérera être une offre si intéressante qu'ils ne pourront pas la refuser.

Dans tous les cas, vous pouvez mesurer la réaction de ces cohortes à votre nouvelle direction et continuer à ajuster vos investissements marketing en fonction de votre analyse.

Outils d'analyse de cohorte

Les marchés modernes évoluent rapidement et les entreprises qui ne peuvent pas prendre de décisions rapides sur la base de données précises risquent de perdre des revenus. Sans les bons outils d'analyse, les équipes non techniques qui ont besoin de données pour prendre de meilleures décisions commerciales doivent s'appuyer sur des analystes de données et des ingénieurs de données.

Cela peut impliquer de soumettre un ticket à l'équipe de données et d'attendre des jours, voire des semaines, que des analystes pressés de fournir des feuilles de calcul soient livrés. Ensuite, cela nécessite qu'un membre de votre équipe ait suffisamment de temps pour parcourir ces données et rechercher des informations.

Amplitude : Comment le bon outil d'analyse de cohorte accélère les décisions commerciales

Avec Amplitude, les chefs de produit et les spécialistes du marketing peuvent répondre à leurs propres questions en effectuant une analyse de cohorte en libre-service de trois manières.

1. Vous pouvez créer une cohorte dans n'importe quel graphique d'Amplitude, comme le graphique d'analyse de rétention ci-dessous. Ici, vous pouvez sélectionner n'importe quelle combinaison de comportements et de propriétés de profil, comme les utilisateurs qui préfèrent une chanson ou rejoignent une communauté.

2. Vous pouvez également utiliser une section Cohortes dédiée pour créer des définitions de cohorte personnalisées en fonction de vos paramètres particuliers. Cette cohorte personnalisée peut ensuite être utilisée dans d'autres graphiques. Par exemple, la cohorte ci-dessous montre les nouveaux utilisateurs actifs sur iOS qui ont partagé une chanson pop ou rock au cours des 30 derniers jours.

3. Vous pouvez créer une cohorte basée sur un seul point de données trouvé dans n'importe quel graphique. Par exemple, vous pouvez identifier de nouveaux utilisateurs à partir d'un lancement de produit le 26 juillet.

En fin de compte, un bon outil d'analyse de cohorte permet aux équipes non techniques de poser des questions et d'y répondre. Mettre ces informations directement entre leurs mains leur donne une meilleure compréhension des utilisateurs de leurs produits et de meilleures données pour générer des résultats commerciaux.

Autres outils d'analyse de cohorte

Outre Amplitude, il existe de nombreux outils sur le marché qui permettent aux chefs de produit et aux spécialistes du marketing d'effectuer des analyses de cohorte, notamment :

• Carré de contenu
• Histoire complète
• Gainsight PX
• Boîte en verre
• Tas
• LogRocket
• Panneau mixte
• Pendo
• Look intelligent

En savoir plus sur ces outils et d'autres outils d'analyse de cohorte sur un site d'examen de logiciels comme G2.

Exemples d'analyse de cohorte

Voici quelques exemples de la façon dont les clients d'Amplitude ont effectué des analyses de cohorte pour produire des résultats commerciaux.

Calme : exemple d'analyse de cohorte pour la rétention

Sur une intuition, Calm a utilisé des cohortes comportementales pour tester la rétention des utilisateurs qui définissent des rappels quotidiens sur son application de méditation par rapport à ceux qui n'utilisent pas la fonctionnalité. Ils ont découvert une multiplication par 3 de la rétention pour les utilisateurs qui définissent des rappels quotidiens.

Le rappel n'était pas facile à trouver, il y avait donc une chance que les utilisateurs qui aimaient le plus l'application pour une autre raison creusent simplement dans les menus et trouvent la fonctionnalité. Pour tester s'il s'agissait d'une corrélation ou d'une causalité, Calm a modifié son didacticiel d'intégration pour encourager certains nouveaux utilisateurs à définir un rappel et a laissé d'autres nouveaux utilisateurs comme groupe de contrôle.

Ce taux de rétention multiplié par 3 s'est maintenu pendant l'expérience, donc Calm a inclus l'invite pour définir des rappels quotidiens dans sa prochaine mise à jour à l'échelle de l'application.

Cornerstone : Exemple d'analyse de cohorte pour des décisions plus rapides

Cornerstone a transformé son workflow de gestion de produits avec l'aide d'Amplitude. Auparavant, les chefs de produit devaient demander des données aux ingénieurs.

Ces ingénieurs fourniraient un rapport de cohorte avec des feuilles de calcul pleines d'informations, ce qui nécessitait qu'un employé à temps plein se penche sur les informations et glane des informations qui pourraient conduire à de meilleurs résultats commerciaux.

L'ensemble du processus pourrait prendre des jours. Ou des semaines. Désormais, les chefs de produit peuvent récupérer les mêmes données en quelques minutes et utiliser les informations pour prendre des décisions rapides.

Comment démarrer avec l'analyse de cohorte

Configurer votre propre analyse de cohorte avec un outil d'analyse de cohorte comme Amplitude est simple :

1. Jetez un œil à votre rétention par cohorte d'acquisition de clients. Cela vous montrera quand les utilisateurs abandonnent.
2. Définissez des événements pour quelques-unes des principales actions des utilisateurs de votre application, puis extrayez vos cohortes comportementales. Analysez vos cohortes comportementales en les comparant, en les inversant et en les combinant. Utilisez cela avec vos enseignements tirés de l'examen des cohortes d'acquisition pour générer une hypothèse sur les actions que vous pouvez mettre en avant au cours d'une partie spécifique du parcours client pour favoriser la fidélisation.
3. Apportez des modifications à votre application (en utilisant les tests A/B avec Amplitude Experiment si vous avez un volume d'utilisation suffisamment élevé) pour voir si la conduite de certaines actions dans votre application incite réellement les utilisateurs à revenir.
4. Traitez vos apprentissages et répétez.

Avec les cohortes comportementales d'Amplitude, vous pouvez voir les spécificités des comportements de vos clients et commencer à prendre des décisions basées sur les données pour améliorer leur expérience avec votre produit.

Essayez l'analyse de cohorte dès aujourd'hui avec un plan Amplitude gratuit ou consultez notre manuel de maîtrise de la rétention pour savoir comment vous pouvez encore augmenter la rétention.

Références

• Le guide définitif de la cohorte comportementale. Amplitude.
• Guide étape par étape pour l'analyse de cohorte et la réduction du taux de désabonnement. Amplitude.
• Analyse de cohorte - Tout ce que vous pouvez faire avec les cohortes d'acquisition. Saras.
• Rapport de référence sur les applications mobiles 2019 pour éclairer votre stratégie 2020. Hautes terres.
• Utilisation de l'analyse de cohorte pour l'optimisation de la conversion. Speero.