Analisis Kelompok: Kurangi Churn & Tingkatkan Retensi

Analisis kelompok menjawab pertanyaan bisnis tentang bagaimana kelompok atau segmen pengguna tertentu telah berinteraksi dengan produk, atau diharapkan berinteraksi dengan produk, berdasarkan perilaku mereka sebelumnya. Dengan memperoleh data perilaku dan memecahnya menjadi kelompok, menjadi lebih mudah untuk dianalisis.

Kelompok adalah kelompok pengguna yang memiliki karakteristik dan pola penggunaan yang sama selama periode waktu tertentu. Ini dapat mencakup hal-hal seperti waktu penggunaan, fitur yang didaftarkan, atau jumlah sasaran yang diselesaikan. Kelompok berguna karena membantu Anda mengelompokkan basis pengguna dan mengumpulkan data tentang cara mereka berinteraksi dengan produk Anda sepanjang siklus hidupnya.

Bisnis harus menggunakan analisis kohort untuk memahami perilaku pengguna dan meningkatkan retensi pelanggan. Data yang Anda peroleh adalah cara yang bagus untuk memahami apa yang menyebabkan pelanggan baru bertahan dan beberapa alasan umum mengapa mereka berpindah.

Apa itu analisis kohort?

Kohor adalah grup atau segmen pengguna yang memiliki ciri profil, perilaku, atau keduanya yang sama. Sebagai contoh:

• Pengguna yang memiliki perangkat iOS
• Pengguna yang masuk setiap hari minggu lalu
• Pengguna yang memiliki perangkat iOS yang masuk setiap hari minggu lalu

Biasanya, manajer produk atau pemasar mengajukan pertanyaan bisnis, yang mendorong analisis kelompok. Pertanyaan tersebut dapat berkisar seputar keterlibatan produk, konversi, atau retensi.

• Keterlibatan adalah istilah untuk tindakan yang dilakukan orang dalam aplikasi Anda. Itu bisa menaikkan level karakter dalam game, berbagi latihan dengan komunitas di aplikasi kebugaran, atau memutar lagu di aplikasi musik.
• Konversi adalah tujuan akhir. Analisis kelompok dapat digunakan untuk menilai apakah insentif yang berbeda untuk konversi, seperti fitur baru atau tarif diskon, efektif.
• Retensi mengacu pada orang-orang yang kembali ke aplikasi Anda berkali-kali.

Pada contoh bagan di atas, Anda dapat melihat perjalanan pengguna untuk dua kelompok berbeda—pengguna yang membagikan lagu (hijau) dan yang tidak (biru). Kelompok pengguna yang membagikan lagu memiliki keterlibatan dan konversi yang lebih tinggi.

Sekarang mari kita lihat lebih dekat bagaimana analisis kelompok dapat digunakan untuk membantu manajer produk mengurangi churn pelanggan dan meningkatkan tingkat retensi.

Pentingnya mencegah churn pelanggan

Analisis kelompok sangat penting karena metrik seperti pengguna aktif harian atau bulanan (DAU dan MAU) sangat terdistorsi oleh pertumbuhan. Jika aplikasi Anda berkembang pesat, pendaftaran pengguna baru akan menutupi tempat pengguna lama Anda berhenti. Tidak masalah seberapa produktif saluran akuisisi Anda jika Anda kehilangan pelanggan saat ini secepat, atau lebih cepat dari, Anda mendapatkan pelanggan baru.

Itulah mengapa melakukan analisis kelompok tingkat churn adalah salah satu cara paling efektif untuk meningkatkan kesehatan bisnis Anda. Pelanggan yang melakukan pembelian berulang membantu bisnis membangun pendapatan yang stabil dan mengimbangi biaya untuk menarik pelanggan baru.

Menurut Business of Apps, biaya iklan per pemasangan untuk aplikasi seluler mencapai $5,28. Siklus hidup pelanggan yang lebih lama membayar dividen yang lebih tinggi untuk investasi itu.

Bagaimana membangun strategi retensi menggunakan analisis kohort

Aspek paling kuat dari analisis kelompok adalah Anda tidak hanya akan melihat pelanggan pergi dan kapan, tetapi Anda juga dapat mulai memahami Anda dapat meningkatkan tingkat retensi dengan menerapkan proses berikut:

1. Tetapkan tujuan: Tetapkan tujuan untuk proses. Apakah Anda ingin mengurangi churn dalam jangka pendek? Jangka panjang? Apa target pertumbuhan Anda?
2. Jelajahi: Periksa data saat ini untuk melihat di mana perubahan dapat dilakukan untuk mencapai tujuan Anda.
3. Berhipotesis: Putuskan pertanyaan apa yang akan diajukan dan kemungkinan hasil dari eksperimen.
4. Brainstorm: Bayangkan kemungkinan eksperimen untuk menguji hipotesis.
5. Tes: Jalankan tes yang berbeda untuk mengevaluasi hipotesis.
6. Analisis: Analisis data pengujian untuk melihat apakah tujuan tercapai.
7. Sistematisasi: Jadikan perubahan positif apa pun sebagai bagian dari sistem.

Melalui sistem ini, Anda dapat terus meningkatkan aplikasi dan meningkatkan retensi. Daripada melihat jumlah churn gabungan, Anda menargetkan perilaku dan pengujian tertentu untuk melihat apakah mendorong pengguna untuk mengadopsi perilaku tersebut meningkatkan retensi.

Menggunakan analisis kohort untuk meningkatkan retensi pelanggan

Laporan analisis kelompok pelanggan dapat digunakan untuk menguji hipotesis tentang bagaimana perubahan produk tertentu memengaruhi indikator kinerja utama untuk bisnis.

Misalnya, Anda adalah manajer produk aplikasi musik seperti Spotify, dan salah satu tujuan utama Anda adalah meningkatkan retensi pengguna.

Anda dapat membuat hipotesis bahwa pengguna yang membagikan sejumlah lagu tertentu dengan teman mereka lebih cenderung menjadi pengguna tetap aplikasi Anda.

Untuk menguji hipotesis ini, pertama, Anda memilih grup atau kelompok pengguna berdasarkan tanggal akuisisi mereka. Kemudian, Anda membagi kelompok akuisisi ini menjadi dua subkumpulan. Dalam satu subset kohor adalah pengguna yang menggunakan fitur 'bagikan lagu' setidaknya satu kali. Subset kohort lainnya terdiri dari pengguna yang tidak menggunakan fitur 'berbagi'.

Terakhir, jalankan analisis retensi berdasarkan analisis perilaku dari dua subset kohort ini.

Dalam hal ini, bagan analisis kelompok di atas menunjukkan tingkat retensi N-hari untuk pengguna yang membagikan lagu (biru) dibandingkan dengan mereka yang tidak (hijau). Anda dapat melihat bahwa pengguna yang tidak membagikan lagu memiliki tingkat churn 77,75% setelah 30 hari. Sedangkan churn bagi pengguna yang memang menggunakan fitur share hanya 31%.

Itu perbedaan yang signifikan, dan kumpulan data itu sekarang memberi Anda kesempatan untuk membuat keputusan bisnis yang dapat menghasilkan lebih banyak pendapatan. Misalnya, di pembaruan berikutnya, Anda dapat mengubah alur orientasi untuk meminta pengguna baru membagikan lagu daripada menunggu mereka menemukan fitur itu sendiri.

Jenis data kelompok

Ada tiga jenis data kohort, dan masing-masing memiliki kasus penggunaan yang berbeda.

Kelompok akuisisi

Kelompok akuisisi membagi pengguna berdasarkan kapan mereka mendaftar ke produk Anda. Aplikasi konsumen mungkin mengelompokkan kelompok berdasarkan hari mereka mendaftar, sedangkan alat SaaS lebih cenderung melacak kelompok bulanan.

Kelompok akuisisi digunakan untuk melacak pengguna baru dan melihat berapa lama mereka terus menggunakan aplikasi Anda setelah interaksi awal mereka—lama masa pakai pelanggan Anda. Ini bisa menjadi cara yang bagus untuk bereksperimen dengan pengalaman orientasi Anda untuk memastikan pengguna melihat nilai produk Anda dengan jelas dan lebih awal. Semakin cepat pengguna baru memiliki "aha!" saat, semakin besar kemungkinan mereka untuk dipertahankan.

Kelompok perilaku

Kelompok perilaku adalah segmen khusus audiens Anda berdasarkan kombinasi perilaku masa lalu atau properti profil pengguna.

Beberapa contoh perilaku pengguna termasuk berbagi lagu, mendaftar untuk uji coba, atau melakukan pembelian. Properti profil pengguna adalah hal-hal seperti demografi, platform apa yang digunakan pengunjung, atau bagaimana seseorang tiba di situs web Anda.

Kombinasi perilaku dan properti profil secara kolektif membentuk kelompok perilaku. Jenis data kohort ini adalah cara melihat tindakan dalam jangka waktu tertentu untuk mengidentifikasi jenis pengguna yang serupa untuk dianalisis. Analisis tersebut biasanya mengungkapkan bagaimana pengguna terlibat dengan produk Anda dan bagaimana keterlibatan pengguna tersebut memengaruhi hal-hal seperti retensi, rasio konversi, atau indikator utama lainnya yang penting bagi bisnis Anda.

Kelompok prediktif

Kelompok prediktif melihat apa yang diharapkan pengguna lakukan di masa mendatang.

Jenis data ini paling baik untuk menentukan pengguna mana yang akan ditargetkan dengan kampanye pemasaran atau memutuskan cara menyesuaikan harga untuk meningkatkan peluang pengguna mengambil tindakan.

Kelompok akuisisi: Menemukan momen bermasalah di aplikasi Anda

Kelompok akuisisi memberi Anda informasi tentang siklus hidup pelanggan Anda—khususnya, berapa lama waktu yang dibutuhkan mereka untuk churn setelah tanggal akuisisi mereka. Informasi ini dapat membantu Anda mengidentifikasi pola churn atau kampanye pemasaran dengan rasio konversi tinggi. Katakanlah Anda memiliki aplikasi musik yang mengalami masalah churn dengan pengguna yang berhenti setiap hari.

Pengguna dalam diagram retensi di atas dibagi menjadi kelompok harian—pengguna yang mendaftar pada hari yang sama. Anda dapat melihat bahwa 11.528 pengguna mendaftar ke aplikasi musik Anda pada 16 Juli, dan retensi Hari ke-5 adalah 49,7%. Jadi satu dari dua pengguna yang mendaftar pada 16 Juli masih menjadi pengguna aktif di aplikasi pada hari kelima setelah pertama kali menggunakan aplikasi.

Cara terbaik untuk memvisualisasikan informasi ini adalah dengan mengubahnya menjadi kurva analisis retensi, yang menunjukkan retensi Anda untuk kelompok ini dari waktu ke waktu. Saat Anda memetakan data Anda seperti ini, menjadi mudah untuk melihat kapan pengguna meninggalkan produk Anda.

Kurva retensi ini segera memberi tahu Anda sesuatu yang penting: sekitar sepertiga pengguna berhenti menggunakan aplikasi setelah hari pertama. Setelah penurunan awal itu, kurva terus menurun, hanya menyisakan sedikit lebih dari 25% pengguna asli yang masih aktif di aplikasi pada hari ke-30.

Itu tidak bagus (walaupun itu umum—beberapa data menunjukkan bahwa rata-rata aplikasi kehilangan hampir 60% penggunanya dalam bulan pertama). Retensi dini adalah masalah yang signifikan. Kurva seperti ini menunjukkan bahwa pengguna tidak mendapatkan nilai inti dari aplikasi dengan cukup cepat, sehingga mereka keluar. Sekarang Anda tahu bahwa Anda perlu meningkatkan pengalaman aplikasi awal untuk membawa pengguna ke nilai inti Anda secepat mungkin.

Mencapai batas kelompok akuisisi

Jika aplikasi Anda memiliki kurva retensi yang ditunjukkan di atas, Anda segera ingin mencari tahu apa yang dapat Anda lakukan untuk meningkatkan retensi Anda.

Kelompok akuisisi saja tidak memberikan informasi apa pun tentang bagaimana Anda dapat meningkatkan pengalaman pengguna untuk mempertahankan pengguna Anda. Anda tidak dapat mengisolasi perilaku atau properti pengguna tertentu.

Kelompok akuisisi sangat bagus untuk menunjukkan kepada Anda tren dan memberi tahu Anda saat orang-orang beralih, tetapi untuk memahami mengapa mereka pergi, Anda perlu beralih ke jenis kelompok lain: kelompok perilaku.

Kelompok perilaku: Temukan perilaku mana yang mendorong retensi

Dari saat pengguna mendaftar dengan produk Anda, mereka membuat ratusan keputusan dan menunjukkan perilaku kecil yang tak terhitung jumlahnya yang mengarah pada keputusan mereka untuk tetap tinggal atau pergi. Dengan mengelompokkan pengguna Anda berdasarkan perilaku ini, Anda dapat memperoleh informasi tentang fitur apa dalam produk Anda yang mendorong pertumbuhan.

Saat mengerjakan ulang orientasi pengguna Anda untuk mengoptimalkan retensi, Anda harus mengidentifikasi cara paling efektif untuk melakukannya. Daripada memilih apa yang harus dikerjakan berdasarkan anekdot atau pilihan acak, kelompok perilaku memungkinkan Anda untuk memutuskan pendekatan secara sistematis dan kuantitatif. Kelompok perilaku mengelompokkan pengguna berdasarkan tindakan spesifik yang telah (atau belum) mereka lakukan.

Menemukan kohort yang tepat

Untuk aplikasi musik, Anda dapat membuat kelompok pengguna yang berbeda dari tindakan seperti memutar lagu, mencari artis, atau membuat daftar putar.

Katakanlah Anda ingin melihat retensi pengguna yang memfavoritkan lagu di aplikasi. Anda dapat menggunakan kelompok perilaku untuk melihat retensi pengguna baru yang memfavoritkan tiga lagu atau lebih:

Sementara hampir 60% dari semua pengguna (biru) churn dalam satu hari menggunakan aplikasi, hanya sekitar 15% pengguna yang menyukai tiga lagu atau lebih (hijau) berhenti setelah hari pertama.

Membalikkan kelompok

Sekarang setelah Anda mengetahui bagaimana retensi berubah bagi pengguna yang berinteraksi dengan fitur favorit, Anda juga dapat melihat bagaimana perubahannya bagi mereka yang tidak. Di bawah ini adalah retensi untuk pengguna yang tidak memfavoritkan lagu:

Pengguna yang tidak memfavoritkan lagu sama sekali (ungu) memiliki retensi yang lebih buruk daripada kebanyakan — kurang dari 25% pengguna ini melakukan churn setelah hari pertama.

Dari visualisasi sederhana ini, Anda dapat melihat bahwa mengarahkan orang ke lagu favorit di awal pengalaman mereka memungkinkan mereka untuk menemukan nilai inti aplikasi, yang berarti bahwa mereka cenderung melanjutkan sebagai pengguna. Sekarang setelah Anda memiliki data ini, Anda dapat menerapkannya dengan menekankan fitur lagu favorit selama orientasi. Itu akan menyebabkan lebih banyak pengguna memfavoritkan lagu di awal perjalanan pelanggan mereka dan pada akhirnya ke tingkat retensi yang lebih baik.

Menggabungkan kohort

Anda dapat membuat kelompok perilaku berdasarkan tindakan apa pun yang dapat dilakukan di produk Anda. Ini berarti Anda dapat menghubungkan sejumlah tindakan pengguna yang berbeda dengan tingkat retensi pengguna.

Misalnya, aplikasi musik Anda memiliki fitur yang memungkinkan orang bergabung dengan komunitas berdasarkan genre favorit mereka. Anda dapat mengekstrak kumpulan data tersebut untuk melihat apakah itu membantu meningkatkan retensi atau apakah itu adalah fungsi yang tidak membuat perbedaan pada nilai umurnya.

Di sini Anda dapat melihat bahwa retensi awal untuk pengguna yang bergabung dengan komunitas (ungu) serupa dengan pengguna yang menyukai lagu (hijau), tetapi sedikit lebih baik pada akhir Hari ke-30, dan jauh lebih baik daripada semua pengguna (biru).

Saat pengguna terlibat dengan orang lain dan menemukan lebih banyak musik untuk dimainkan, mereka mulai lebih menikmati aplikasi dan terus menggunakannya. Anda mungkin akan berhipotesis ini dalam proses retensi Anda, tetapi sekarang Anda memiliki data untuk mendukung hipotesis Anda.

Menggabungkan kelompok perilaku yang berbeda memberi Anda pemahaman yang lebih baik tentang hubungan antara berbagai fitur produk Anda dan bagaimana mereka cenderung mendorong retensi.

Menemukan kombinasi yang tepat

Bagaimana dengan pengguna yang menyukai lagu dan bergabung dengan komunitas? Menggunakan Amplitudo, Anda dapat memfilter tindakan Anda untuk menggabungkan dua kelompok ini:

Seperti yang Anda lihat, pengguna yang menunjukkan kedua perilaku ini jauh lebih mungkin untuk terus menggunakan aplikasi dalam beberapa minggu pertama. Pada akhir minggu pertama, retensi di atas 75% untuk kelompok favorit + komunitas (biru), sedangkan di bawah 25% untuk pengguna tanpa salah satu dari perilaku ini (hijau).

Korelasi, bukan sebab akibat

Hanya karena orang-orang yang menyukai lagu dan bergabung dengan komunitas lebih sedikit churn tidak berarti mendorong orang ke arah perilaku ini secara otomatis akan mengurangi tingkat churn Anda. Misalnya, ajakan bertindak yang membuat mereka bergabung dengan 20 komunitas saat mendaftar mungkin akan mendorong orang menjauh.

Itu karena korelasi tidak menyiratkan sebab-akibat. Memfavoritkan lagu dan bergabung dengan komunitas hanya dapat dikorelasikan dengan keterlibatan pengguna, bukan menyebabkannya . Untuk menentukan penyebab, Anda dapat menguji A/B alur orientasi berbeda yang menekankan lagu favorit untuk melihat apakah hal itu meningkatkan retensi.

Setelah Anda memiliki data dari kelompok perilaku, Anda dapat mulai menjalankan eksperimen menggunakan alat pengujian A/B seperti Eksperimen Amplitudo untuk menguji perilaku yang mungkin terkait dengan retensi. Anda dapat melihat apa yang berhasil dan apa yang tidak dan secara sistematis meningkatkan retensi Anda.

Kelompok prediktif: Tingkatkan ROI pemasaran Anda

Anda dapat menggunakan kelompok prediktif untuk menentukan seberapa besar kemungkinan pengguna membeli lagu di masa mendatang berdasarkan kelompok perilaku mereka.

Salah satu cara untuk menjawab pertanyaan bisnis ini adalah dengan mengambil kelompok pengguna baru yang membagikan lagu selama periode waktu tertentu, misalnya dalam 14 hari terakhir, dan menjalankan analisis prediksi. Jenis analisis ini berfungsi paling baik jika Anda memiliki ukuran kelompok lebih dari 100.000 pengguna karena Anda memerlukan data yang cukup untuk model pembelajaran mesin untuk membuat prediksi. Setelah sekitar 30 hingga 60 menit, model akan memberi peringkat pada kelompok tertentu berdasarkan siapa yang paling mungkin melakukan tindakan tertentu, seperti membeli lagu.

Sekali lagi, Anda sekarang memiliki data dalam bagan kohort sederhana untuk menginformasikan keputusan bisnis yang efektif. Misalnya, Anda dapat berfokus pada 5% pengguna teratas yang kemungkinan besar akan membeli lagu. Pilih kelompok itu, masukkan pengguna tersebut ke alat pihak ketiga, dan targetkan mereka untuk kampanye pemasaran. Ini bisa berupa pemberitahuan push, email, atau peringatan SMS untuk mendorong mereka mengambil tindakan. Dalam hal ini, melakukan pembelian.

Pada saat yang sama, Anda dapat melihat 20% pengguna yang ditentukan oleh analisis prediktif paling kecil kemungkinannya untuk mengambil tindakan pilihan Anda dan memilih untuk tidak menargetkan dolar pemasaran apa pun dengan cara mereka karena tidak mungkin memberikan hasil apa pun. Atau, Anda dapat menyimpulkan bahwa kelompok pengguna hanya membutuhkan insentif yang berbeda, atau lebih besar. Mungkin mengirimkan kupon diskon 50% dengan cara mereka akan terbukti menjadi tawaran yang sangat bagus sehingga mereka tidak bisa menolaknya.

Apa pun itu, Anda dapat mengukur reaksi kelompok ini terhadap arah baru Anda dan terus menyesuaikan investasi pemasaran Anda berdasarkan analisis Anda.

Alat untuk analisis kohor

Pasar modern bergerak cepat, dan bisnis yang tidak dapat membuat keputusan cepat berdasarkan data yang akurat akan kehilangan pendapatan. Tanpa alat analitik yang tepat, tim nonteknis yang membutuhkan data untuk membuat keputusan bisnis yang lebih baik harus bergantung pada analis data dan insinyur data.

Itu bisa berarti mengirimkan tiket dengan tim data dan menunggu berhari-hari atau bahkan berminggu-minggu bagi analis yang kekurangan waktu untuk mengirimkan spreadsheet. Kemudian, seseorang di tim Anda memiliki cukup waktu untuk menyisir data tersebut dan mencari wawasan.

Amplitudo: Bagaimana alat analisis kelompok yang tepat mempercepat keputusan bisnis

Dengan Amplitude, manajer produk dan pemasar dapat menjawab pertanyaan mereka sendiri dengan melakukan analisis kelompok swalayan dengan salah satu dari tiga cara.

1. Anda dapat membangun kohort dalam bagan apa pun di Amplitudo, seperti bagan Analisis Retensi di bawah ini. Di sini, Anda dapat memilih kombinasi perilaku dan properti profil apa pun, seperti pengguna yang menyukai lagu atau bergabung dengan komunitas.

2. Anda juga dapat menggunakan bagian Kelompok khusus untuk membuat definisi kelompok khusus berdasarkan parameter khusus Anda. Kelompok khusus ini kemudian dapat digunakan di bagan lain. Misalnya, kelompok di bawah ini menunjukkan pengguna baru dan aktif di iOS yang membagikan lagu pop atau rock dalam 30 hari terakhir.

3. Anda dapat membangun kohort berdasarkan satu titik data yang ditemukan di bagan apa pun. Misalnya, Anda dapat mengidentifikasi pengguna baru dari peluncuran produk 26 Juli.

Pada akhirnya, alat analisis kohort yang baik memberdayakan tim nonteknis untuk bertanya dan menjawab pertanyaan. Menempatkan informasi itu langsung di tangan mereka memberi mereka pemahaman yang lebih baik tentang pengguna produk mereka dan data yang lebih baik untuk mendorong hasil bisnis.

Alat analisis kohort lainnya

Selain Amplitude, ada banyak alat di pasar yang memungkinkan manajer produk dan pemasar melakukan analisis kohort, termasuk:

• Kotak konten
• Cerita lengkap
• Gainsight PX
• Kotak kaca
• Tumpukan
• LogRoket
• panel campuran
• pendo
• tampilan cerdas

Pelajari lebih lanjut tentang ini dan alat analisis kelompok lainnya di situs tinjauan perangkat lunak seperti G2.

Contoh analisis kelompok

Berikut adalah beberapa contoh bagaimana pelanggan Amplitude telah melakukan analisis kohort untuk menghasilkan hasil bisnis.

Tenang: Contoh analisis kelompok untuk retensi

Dengan firasat, Calm menggunakan kelompok perilaku untuk menguji retensi pengguna yang menyetel pengingat harian pada aplikasi meditasinya dibandingkan dengan mereka yang tidak menggunakan fitur tersebut. Mereka menemukan peningkatan retensi 3x untuk pengguna yang menyetel pengingat harian.

Pengingat tidak mudah ditemukan, jadi ada kemungkinan pengguna yang paling menyukai aplikasi karena alasan lain hanya menggali menu lebih jauh dan menemukan fitur tersebut. Untuk menguji apakah ini korelasi atau sebab-akibat, Calm mengubah tutorial orientasinya untuk mendorong beberapa pengguna baru menyetel pengingat dan membiarkan pengguna pertama kali lainnya sebagai grup kontrol.

Tingkat retensi 3x itu bertahan selama eksperimen, jadi Calm menyertakan perintah untuk menyetel pengingat harian dalam pembaruan seluruh aplikasi berikutnya.

Landasan: Contoh analisis kelompok untuk keputusan yang lebih cepat

Cornerstone telah mengubah alur kerja manajemen produknya dengan bantuan Amplitude. Sebelumnya, manajer produk harus meminta data dari para insinyur.

Para insinyur tersebut akan memberikan laporan kohort dengan spreadsheet yang penuh dengan informasi, yang mengharuskan karyawan penuh waktu untuk mempelajari informasi dan mengumpulkan wawasan yang dapat menghasilkan hasil bisnis yang lebih baik.

Seluruh proses bisa memakan waktu berhari-hari. Atau berminggu-minggu. Sekarang, manajer produk dapat mengambil data yang sama dalam hitungan menit dan menggunakan wawasan untuk membuat keputusan cepat.

Bagaimana memulai analisis kohort

Menyiapkan analisis kohort Anda sendiri dengan alat analisis kohort seperti Amplitudo itu sederhana:

1. Lihat retensi Anda menurut kelompok akuisisi pelanggan. Itu akan menunjukkan kepada Anda saat pengguna berhenti.
2. Tentukan peristiwa untuk beberapa tindakan pengguna inti aplikasi Anda, lalu tarik kelompok perilaku Anda. Analisis kelompok perilaku Anda dengan membandingkannya, membalikkannya, dan menggabungkannya. Gunakan itu dengan pembelajaran Anda dari melihat kelompok akuisisi untuk menghasilkan hipotesis tentang tindakan yang dapat Anda tekankan selama bagian tertentu dari perjalanan pelanggan untuk mendorong retensi.
3. Buat perubahan pada aplikasi Anda—menggunakan pengujian A/B dengan Amplitude Experiment jika Anda memiliki volume penggunaan yang cukup tinggi—untuk melihat apakah mendorong tindakan tertentu di aplikasi Anda benar-benar menyebabkan pengguna kembali.
4. Proses pembelajaran Anda dan ulangi.

Dengan kelompok perilaku Amplitude, Anda dapat melihat secara spesifik perilaku pelanggan Anda dan mulai membuat keputusan berdasarkan data untuk meningkatkan pengalaman mereka dengan produk Anda.

Coba analisis kohort hari ini dengan paket Amplitudo gratis , atau lihat buku pedoman Menguasai Retensi kami untuk mempelajari bagaimana Anda dapat lebih meningkatkan retensi.

Referensi

• Panduan Definitif untuk Cohorting Perilaku. Amplitudo.
• Panduan Langkah-demi-Langkah untuk Analisis Kelompok & Mengurangi Tingkat Churn. Amplitudo.
• Analisis Kelompok – Semua yang Dapat Anda Lakukan dengan Kelompok Akuisisi. Saras.
• Laporan Tolok Ukur Aplikasi Seluler 2019 untuk Menginformasikan Strategi 2020 Anda. dataran tinggi.
• Menggunakan Analisis Kelompok untuk Pengoptimalan Konversi. Spero.