Analiza kohortowa: zmniejsz liczbę rezygnacji i popraw retencję
Opublikowany: 2022-07-28Analiza kohortowa odpowiada na pytanie biznesowe o to, jak określona grupa lub segment użytkowników weszła w interakcję z produktem lub oczekuje się interakcji z produktem na podstawie ich wcześniejszych zachowań. Pozyskując dane behawioralne i dzieląc je na kohorty, łatwiej je analizować.
Kohorty to grupy użytkowników o określonych cechach i wzorcach użytkowania w określonym czasie. Mogą to być takie rzeczy, jak czas użytkowania, zarejestrowane funkcje lub liczba zrealizowanych celów. Kohorty są przydatne, ponieważ pomagają segmentować bazę użytkowników i zbierać dane o sposobie interakcji z Twoim produktem przez cały cykl życia.
Firmy powinny stosować analizę kohortową, aby zrozumieć zachowanie użytkowników i poprawić utrzymanie klientów. Uzyskane dane to świetny sposób na zrozumienie, co powoduje, że nowi klienci pozostają w pobliżu i jakie są najczęstsze przyczyny ich odejścia.
Kluczowe dania na wynos
- Analiza kohortowa to ważna metoda mierzenia wyników różnych eksperymentów mających na celu zwiększenie zaangażowania, zwiększenie liczby konwersji i zapobieganie rezygnacji klientów, co prowadzi do stabilnych przychodów i zrównoważonego wzrostu.
- Menedżerowie produktu i marketerzy używają analizy kohortowej do testowania hipotez dotyczących interakcji klientów z ich produktami. Następnie wykorzystują te statystyki do zwiększania przychodów, utrzymania, konwersji i innych wskaźników biznesowych.
- Analiza kohortowa powinna być wykorzystywana do poprawy retencji klientów, pomagając lepiej zrozumieć doświadczenia różnych grup lub segmentów użytkowników.
- Analiza retencji kohorty pomaga zbudować proces retencji składający się z:
- Ustalać cele
- Eksploracja danych
- Hipotezowanie
- Burza mózgów
- Testowanie
- Analizowanie
- Systematyzowanie
- Analiza kohortowa może służyć do analizowania trzech typów danych — akwizycji, danych behawioralnych i predykcyjnych. Każdy z nich może służyć do odpowiadania na różne rodzaje pytań biznesowych.
- Odpowiednie narzędzie przekształca analizę kohortową z pracochłonnego, technicznego, ręcznego procesu w zautomatyzowany, nietechniczny proces w czasie rzeczywistym.
- Przeprowadzanie własnej analizy kohortowej za pomocą Amplitude pozwala głębiej zagłębić się w zachowania klientów i podejmować decyzje oparte na danych w celu poprawy jakości obsługi klienta.
Co to jest analiza kohortowa?
Kohorta to grupa lub segment użytkowników, którzy mają wspólne cechy profilu, zachowania lub jedno i drugie. Na przykład:
- Użytkownicy posiadający urządzenia z systemem iOS
- Użytkownicy, którzy logowali się codziennie w zeszłym tygodniu
- Użytkownicy posiadający urządzenia z systemem iOS, którzy logowali się codziennie w zeszłym tygodniu
Zazwyczaj menedżer produktu lub marketer zadaje pytanie biznesowe, które skłania do analizy kohortowej. Te pytania mogą dotyczyć zaangażowania, konwersji lub utrzymania produktu.
- Zaangażowanie to termin określający działania, które ludzie wykonują w Twojej aplikacji. Może to być awansowanie postaci w grze, dzielenie się treningiem ze społecznością w aplikacji fitness lub odtwarzanie piosenki w aplikacji muzycznej.
- Nawrócenie jest ostatecznym celem. Analiza kohortowa może być wykorzystana do oceny, czy różne zachęty do konwersji, takie jak nowe funkcje lub obniżone stawki, są skuteczne.
- Utrzymanie odnosi się do osób, które raz po raz wracają do Twojej aplikacji.
Na powyższym przykładowym wykresie możesz zobaczyć podróż użytkownika dla dwóch różnych kohort — użytkowników, którzy udostępnili utwór (kolor zielony) i tych, którzy tego nie zrobili (kolor niebieski). Grupa użytkowników, którzy udostępnili piosenkę, wykazała większe zaangażowanie i konwersję.
Teraz przyjrzyjmy się bliżej, jak można wykorzystać analizę kohortową, aby pomóc menedżerom produktu w zmniejszeniu rotacji klientów i poprawie wskaźników utrzymania.
Znaczenie zapobiegania rezygnacji klientów
Analiza kohortowa ma kluczowe znaczenie, ponieważ wskaźniki takie jak dzienni lub miesięczni aktywni użytkownicy (DAU i MAU) są mocno zniekształcone przez wzrost. Jeśli Twoja aplikacja szybko się rozwija, nowe rejestracje użytkowników będą maskować miejsca, w których rezygnują Twoi dotychczasowi użytkownicy. Nie ma znaczenia, jak produktywne są Twoje kanały akwizycji, jeśli tracisz obecnych klientów tak szybko lub szybciej niż pozyskujesz nowych.
Dlatego przeprowadzenie analizy kohortowej wskaźnika rezygnacji jest jednym z najskuteczniejszych sposobów poprawy kondycji Twojej firmy. Klienci, którzy dokonują powtórnych zakupów, pomagają firmie budować stabilne przychody i zrównoważyć koszty pozyskania nowych klientów.
Według Business of Apps koszt reklamy na instalację aplikacji mobilnych osiągnął 5,28 USD. Dłuższy cykl życia klienta przynosi wyższe dywidendy za tę inwestycję.
Jak zbudować strategię retencji za pomocą analizy kohortowej
Najważniejszym aspektem analizy kohortowej jest to, że nie tylko zobaczysz, jak klienci opuszczają aplikację i kiedy, ale także możesz zacząć rozumieć Możesz poprawić współczynnik retencji, wdrażając następujący proces:
- Wyznacz cele: ustal cel dla procesu. Czy chcesz w krótkim czasie zmniejszyć churn? Długoterminowy? Jaki jest Twój cel rozwoju?
- Odkrywaj: sprawdź aktualne dane, aby zobaczyć, gdzie można wprowadzić zmiany, aby osiągnąć swój cel.
- Hipoteza: Zdecyduj, jakie pytania zadać i jakie są możliwe wyniki eksperymentów.
- Burza mózgów: wymyśl możliwe eksperymenty, aby przetestować hipotezy.
- Test: Uruchom różne testy, aby ocenić hipotezy.
- Analizuj: analizuj dane testowe, aby sprawdzić, czy cele zostały osiągnięte.
- Usystematyzuj: Wprowadź wszelkie pozytywne zmiany jako część systemu.
Dzięki temu systemowi możesz stale ulepszać swoją aplikację i zwiększać retencję. Zamiast patrzeć na zagregowaną liczbę rezygnacji, kierujesz się na określone zachowanie i testujesz, czy zachęcanie użytkowników do takiego zachowania poprawia utrzymanie.
Wykorzystanie analizy kohortowej do poprawy retencji klientów
Raport analizy kohorty klientów może służyć do testowania hipotezy o tym, jak określone zmiany produktów wpływają na kluczowe wskaźniki wydajności firmy.
Załóżmy na przykład, że jesteś menedżerem produktu w aplikacji muzycznej, takiej jak Spotify, a jednym z Twoich głównych celów jest zwiększenie retencji użytkowników.
Możesz postawić hipotezę, że użytkownicy, którzy udostępniają określoną liczbę utworów swoim znajomym, z większym prawdopodobieństwem zostaną stałymi, zachowanymi użytkownikami Twojej aplikacji.
Aby przetestować tę hipotezę, najpierw wybierasz grupę lub kohortę użytkowników na podstawie daty ich pozyskania. Następnie dzielisz tę kohortę pozyskiwania na dwa podzbiory. W jednym podzbiorze kohorty znajdują się użytkownicy, którzy przynajmniej raz skorzystali z funkcji „udostępniania utworu”. Drugi podzbiór kohorty obejmuje użytkowników, którzy nie korzystali z funkcji „udostępniania”.
Na koniec przeprowadź analizę retencji opartą na analizie behawioralnej tych dwóch podzbiorów kohort.
W tym przypadku powyższy wykres analizy kohorty pokazuje N-dniowe wskaźniki utrzymania użytkowników, którzy udostępnili piosenkę (kolor niebieski) w porównaniu do tych, którzy tego nie zrobili (kolor zielony). Widać, że po 30 dniach wskaźnik rezygnacji użytkowników, którzy nie udostępniają utworu, wynosi 77,75%. Tymczasem churn dla użytkowników, którzy korzystali z funkcji udostępniania, wynosi tylko 31%.
To znacząca różnica, a ten zestaw danych daje teraz szansę na podjęcie decyzji biznesowej, która może prowadzić do większych przychodów. Na przykład w następnej aktualizacji możesz dostosować proces wdrażania, aby zachęcić nowych użytkowników do udostępnienia utworu, zamiast czekać, aż sami odkryją tę funkcję.
Rodzaje danych kohortowych
Istnieją trzy typy danych kohortowych i każdy z nich ma różne przypadki użycia.
Kohorty akwizycji
Kohorty pozyskiwania dzielą użytkowników na podstawie tego, kiedy zarejestrowali się w Twoim produkcie. Aplikacja konsumencka może grupować kohorty według dnia rejestracji, podczas gdy narzędzie SaaS z większym prawdopodobieństwem śledzi kohorty miesięczne.
Kohorty pozyskiwania są używane do śledzenia nowych użytkowników i sprawdzania, jak długo będą nadal korzystać z Twojej aplikacji po ich początkowej interakcji — jak długo trwa życie klienta. Może to być świetnym sposobem na eksperymentowanie z wprowadzeniem, aby upewnić się, że użytkownicy wyraźnie i wcześnie zobaczą wartość Twojego produktu. Im szybciej nowi użytkownicy będą mieli to „aha!” tym bardziej prawdopodobne, że zostaną utrzymane.
Kohorty behawioralne
Kohorty behawioralne to niestandardowy segment odbiorców oparty na dowolnej kombinacji przeszłych zachowań lub właściwości profilu użytkownika.
Niektóre przykłady zachowań użytkowników obejmują udostępnianie utworu, rejestrację na okres próbny lub dokonanie zakupu. Właściwości profilu użytkownika to takie rzeczy, jak dane demograficzne, z jakiej platformy korzysta odwiedzający lub jak ktoś trafia na Twoją witrynę.
Połączenie zachowań i właściwości profilu łącznie tworzy kohortę behawioralną. Ten rodzaj danych kohortowych to sposób patrzenia na działania w określonym przedziale czasowym w celu zidentyfikowania podobnych typów użytkowników do analizy. Ta analiza zwykle ujawnia, w jaki sposób użytkownicy angażują się w Twój produkt i jak to zaangażowanie użytkowników wpływa na takie rzeczy, jak utrzymanie, współczynnik konwersji lub inne kluczowe wskaźniki, które mają znaczenie dla Twojej firmy.
Kohorty predykcyjne
Kohorty predykcyjne sprawdzają, czego oczekuje się od użytkownika w przyszłości.
Ten rodzaj danych najlepiej nadaje się do określania, do których użytkowników należy kierować kampanię marketingową lub decydowania o tym, jak dostosować ceny, aby zwiększyć szanse na podjęcie działania przez użytkownika.
Kohorty pozyskiwania: znajdowanie momentów problemów w Twojej aplikacji
Kohorty pozyskiwania dostarczają informacji o cyklu życia Twoich klientów — w szczególności o tym, ile czasu zajmuje im odejście od daty pozyskania. Te informacje mogą pomóc w identyfikacji wzorców rezygnacji lub kampanii marketingowych o wysokim współczynniku konwersji. Załóżmy, że masz aplikację muzyczną, która ma problem z rezygnacją z aplikacji i użytkownicy codziennie ją rezygnują.
Użytkownicy z powyższego wykresu utrzymania są podzieleni na kohorty dzienne — użytkowników, którzy zarejestrowali się tego samego dnia. Widać, że 11 528 użytkowników zarejestrowało się w Twojej aplikacji muzycznej 16 lipca, a retencja w piątym dniu wyniosła 49,7%. Tak więc co drugi użytkownik, który zarejestrował się 16 lipca, był nadal aktywnym użytkownikiem aplikacji piątego dnia po pierwszym użyciu aplikacji.
Najlepszym sposobem wizualizacji tych informacji jest przekształcenie ich w krzywą analizy retencji, która pokazuje retencję dla tych kohort w czasie. Gdy narysujesz swoje dane w ten sposób, łatwo zorientujesz się, kiedy użytkownicy opuszczają Twój produkt.
Ta krzywa retencji natychmiast mówi Ci coś ważnego: około jedna trzecia użytkowników przestaje korzystać z aplikacji po pierwszym dniu. Po tym początkowym spadku krzywa stale się zmniejsza, pozostawiając tylko nieco ponad 25% pierwotnych użytkowników nadal aktywnych w aplikacji w dniu 30.
To nie jest świetne (choć to powszechne – niektóre dane pokazują, że przeciętna aplikacja traci prawie 60% użytkowników w ciągu pierwszego miesiąca). Ważnym problemem jest wczesne przechowywanie. Taka krzywa wskazuje, że użytkownicy nie uzyskują wystarczająco szybko podstawowej wartości z aplikacji, więc odchodzą. Teraz wiesz, że musisz poprawić wczesne działanie aplikacji, aby jak najszybciej dotrzeć do swoich podstawowych wartości.
Przekroczenie granic kohort pozyskiwania
Jeśli Twoja aplikacja ma krzywą retencji pokazaną powyżej, od razu chcesz dowiedzieć się, co możesz zrobić, aby zwiększyć retencję.
Same kohorty pozyskiwania nie dostarczają żadnych informacji o tym, jak możesz poprawić wrażenia użytkownika, aby utrzymać użytkowników. Nie możesz wyodrębnić określonych zachowań ani właściwości użytkownika.
Kohorty pozyskiwania świetnie nadają się do pokazywania trendów i informowania, kiedy ludzie odchodzą, ale aby zrozumieć, dlaczego odchodzą, musisz zwrócić się do innego rodzaju kohorty: kohort behawioralnych.
Kohorty behawioralne: dowiedz się, które zachowania zwiększają retencję
Od momentu, w którym użytkownicy zarejestrują się w Twoim produkcie, podejmują setki decyzji i wykazują niezliczone małe zachowania, które prowadzą do ich decyzji o pozostaniu lub odejściu. Segmentując użytkowników na podstawie tych zachowań, możesz uzyskać informacje o tym, jakie funkcje Twojego produktu napędzają rozwój.
Przepracowując proces wdrażania użytkowników, aby zoptymalizować retencję, musisz określić najskuteczniejszy sposób, aby to zrobić. Zamiast wybierać, nad czym pracować na podstawie anegdot lub losowych wyborów, kohorty behawioralne pozwalają ci decydować o podejściu systematycznie i ilościowo. Kohorty behawioralne grupują użytkowników na podstawie konkretnych działań, które wykonali (lub nie wykonali).
Znajdowanie odpowiednich kohort
W aplikacji muzycznej możesz tworzyć różne kohorty użytkowników na podstawie działań takich jak odtwarzanie utworu, wyszukiwanie wykonawcy lub tworzenie playlisty.
Załóżmy, że chcesz zobaczyć, jak utrzymują się użytkownicy, którzy dodali do ulubionych utwory w aplikacji. Możesz użyć kohort behawioralnych, aby przyjrzeć się retencji nowych użytkowników, którzy dodali do ulubionych co najmniej trzy utwory:
Podczas gdy prawie 60% wszystkich użytkowników (niebieskie) rezygnuje w ciągu jednego dnia korzystania z aplikacji, tylko około 15% użytkowników, którzy lubią trzy lub więcej piosenek (zielone) rezygnuje z pierwszego dnia.
Odwracanie kohort
Teraz, gdy już wiesz, jak zmienia się retencja użytkowników, którzy wchodzą w interakcję z ulubioną funkcją, możesz również przyjrzeć się, jak zmienia się u tych, którzy tego nie robią. Poniżej znajduje się zachowanie użytkowników, którzy nie polubili utworu:
Użytkownicy, którzy w ogóle nie polubili utworu (fioletowy), mają gorszą retencję niż większość — mniej niż 25% tych użytkowników odchodzi po pierwszym dniu.
Na podstawie tej prostej wizualizacji widać, że zachęcanie użytkowników do ulubionych utworów na wczesnym etapie ich korzystania z aplikacji pozwala im odkryć podstawową wartość aplikacji, co oznacza, że jest bardziej prawdopodobne, że nadal będą użytkownikami. Teraz, gdy masz te dane, możesz je zastosować, podkreślając funkcję ulubionych utworów podczas wdrażania. Doprowadzi to do tego, że więcej użytkowników będzie faworyzować utwory na wczesnym etapie ich podróży do klienta, a ostatecznie do lepszych wskaźników utrzymania.
Łączenie kohort
Możesz tworzyć kohorty behawioralne na podstawie dowolnych działań, które można wykonać w Twoim produkcie. Oznacza to, że możesz skorelować dowolną liczbę różnych działań użytkownika ze współczynnikami retencji użytkowników.
Na przykład Twoja aplikacja muzyczna ma funkcję, która pozwala ludziom dołączać do społeczności na podstawie ich ulubionych gatunków. Możesz wyodrębnić ten zestaw danych, aby sprawdzić, czy pomaga to poprawić przechowywanie, czy jest to funkcja, która nie ma wpływu na ich wartość od początku istnienia.
Widać tutaj, że początkowa retencja użytkowników, którzy dołączają do społeczności (fioletowy) jest podobny do użytkowników, którzy lubią ulubione piosenki (zielony), ale pod koniec dnia 30 jest nieco lepszy i znacznie lepszy niż wszystkich użytkowników (niebieski).
Gdy użytkownicy nawiązują kontakt z innymi ludźmi i znajdują więcej muzyki do odtwarzania, zaczynają bardziej cieszyć się aplikacją i nadal z niej korzystać. Prawdopodobnie postawiłbyś to hipotezę w procesie przechowywania, ale teraz masz dane, które mogą poprzeć swoją hipotezę.
Połączenie różnych kohort behawioralnych daje lepsze zrozumienie relacji między różnymi cechami produktu i tego, w jaki sposób mogą one prowadzić do utrzymania.
Znalezienie właściwych kombinacji
A co z użytkownikami, którzy lubią piosenki i dołączają do społeczności? Korzystając z funkcji Amplituda, możesz filtrować swoje działania, aby połączyć te dwie kohorty:
Jak widać, użytkownicy wykazujący oba te zachowania znacznie częściej będą nadal korzystać z aplikacji w ciągu pierwszych kilku tygodni. Pod koniec pierwszego tygodnia utrzymanie wynosi powyżej 75% w przypadku kohorty ulubionych i społeczności (kolor niebieski), natomiast poniżej 25% w przypadku użytkowników bez żadnego z tych zachowań (kolor zielony).
Korelacja, a nie przyczynowość
Tylko dlatego, że ludzie, którzy lubią piosenki i dołączają do społeczności mniej odchodzą, nie oznacza, że nakłanianie ludzi do takich zachowań automatycznie zmniejszy Twój wskaźnik rezygnacji. Na przykład wezwanie do działania zachęcające do dołączenia do 20 społeczności po zarejestrowaniu się prawdopodobnie odepchnie ludzi.
To dlatego, że korelacja nie implikuje związku przyczynowego. Ulubione utwory i dołączanie do społeczności mogą być jedynie skorelowane z zaangażowaniem użytkowników, a nie powodować ich. Aby określić przyczynę, możesz przetestować A/B różne przepływy onboardingu, które kładą nacisk na ulubione utwory, aby sprawdzić, czy zwiększa to retencję.
Po zebraniu danych z kohort behawioralnych możesz rozpocząć eksperymenty za pomocą narzędzia do testowania A/B, takiego jak Eksperyment amplitudy, aby przetestować zachowania, które mogą być związane z retencją. Możesz zobaczyć, co działa, a co nie i systematycznie zwiększa Twoją retencję.
Kohorty predykcyjne: zwiększ zwrot z inwestycji w marketing
Możesz użyć kohort predykcyjnych, aby określić prawdopodobieństwo, że użytkownik kupi piosenkę w przyszłości na podstawie swojej kohorty behawioralnej.
Jednym ze sposobów odpowiedzi na to pytanie biznesowe jest zebranie kohorty nowych użytkowników, którzy udostępnili piosenkę przez pewien czas, powiedzmy w ciągu ostatnich 14 dni, i przeprowadzenie analizy prognoz. Ten typ analizy działa najlepiej, jeśli masz kohortę o wielkości większej niż 100 000 użytkowników, ponieważ potrzebujesz wystarczającej ilości danych, aby model uczenia maszynowego mógł dokonać prognozy. Po około 30 do 60 minutach model uszereguje określone kohorty na podstawie tego, kto z największym prawdopodobieństwem podejmie daną czynność, na przykład zakup utworu.
Ponownie, masz teraz dane w prostym wykresie kohortowym, aby podjąć skuteczną decyzję biznesową. Możesz na przykład skupić się na 5% najlepszych użytkowników, którzy z największym prawdopodobieństwem kupią piosenkę. Wybierz tę kohortę, umieść tych użytkowników w narzędziu innej firmy i skieruj ich do kampanii marketingowej. Może to być powiadomienie push, wiadomość e-mail lub alert SMS, aby zachęcić ich do podjęcia działania. W tym przypadku dokonanie zakupu.
Jednocześnie możesz przyjrzeć się 20% użytkowników, co do których analiza predykcyjna wykazała, że najmniej skłonni byli podjąć preferowane przez Ciebie działanie, i zdecydować się nie kierować środków marketingowych w swój sposób, ponieważ jest mało prawdopodobne, aby przyniosło to jakiekolwiek rezultaty. Alternatywnie możesz dojść do wniosku, że grupa użytkowników po prostu potrzebuje innej lub większej zachęty. Może wysłanie w ich stronę kuponu rabatowego 50% okaże się ofertą tak dobrą, że nie będą mogli jej odmówić.
Tak czy inaczej, możesz mierzyć reakcję tych kohort na nowy kierunek i dostosowywać inwestycje marketingowe na podstawie analizy.
Narzędzia do analizy kohortowej
Współczesne rynki szybko się rozwijają, a firmy, które nie potrafią podejmować szybkich decyzji na podstawie dokładnych danych, tracą przychody. Bez odpowiednich narzędzi analitycznych zespoły nietechniczne potrzebujące danych do podejmowania lepszych decyzji biznesowych muszą polegać na analitykach danych i inżynierach danych.
Może to oznaczać przesłanie zgłoszenia do zespołu ds. danych i czekanie dni lub nawet tygodni na dostarczenie arkuszy kalkulacyjnych przez spragnionych czasu analityków. Następnie wymaga to, aby ktoś z Twojego zespołu miał wystarczająco dużo czasu, aby przeszukać te dane i poszukać spostrzeżeń.
Amplituda: jak właściwe narzędzie do analizy kohortowej przyspiesza decyzje biznesowe
Dzięki Amplitude menedżerowie produktu i marketerzy mogą odpowiadać na własne pytania, przeprowadzając samoobsługową analizę kohortową na jeden z trzech sposobów.
1. Możesz zbudować kohortę na dowolnym wykresie w Amplitudzie, tak jak na poniższym wykresie Analiza retencji. Tutaj możesz wybrać dowolną kombinację zachowań i właściwości profilu, na przykład użytkowników, którzy lubią piosenkę lub dołączają do społeczności.
2. Możesz również użyć dedykowanej sekcji Kohorty, aby zbudować niestandardowe definicje kohorty na podstawie określonych parametrów. Ta niestandardowa kohorta może być następnie używana w innych wykresach. Na przykład poniższa kohorta pokazuje nowych, aktywnych użytkowników iOS, którzy udostępnili piosenkę popową lub rockową w ciągu ostatnich 30 dni.
3. Możesz zbudować kohortę w oparciu o pojedynczy punkt danych znaleziony na dowolnym wykresie. Na przykład możesz zidentyfikować nowych użytkowników po wprowadzeniu produktu na rynek 26 lipca.
Ostatecznie dobre narzędzie do analizy kohorty umożliwia zespołom nietechnicznym zadawanie pytań i odpowiadanie na nie. Umieszczenie tych informacji bezpośrednio w ich rękach daje im lepsze zrozumienie użytkowników ich produktów i lepsze dane, aby osiągać wyniki biznesowe.
Inne narzędzia do analizy kohorty
Oprócz Amplitude na rynku dostępnych jest wiele narzędzi, które pozwalają menedżerom produktu i marketerom przeprowadzać analizę kohortową, w tym:
- Kwadrat zawartości
- Pełna historia
- Wzmocnienie PX
- Szklana skrzynka
- Sterta
- LogRocket
- Mixpanel
- Pendo
- Smartlook
Dowiedz się więcej o tych i innych narzędziach do analizy kohortowej w witrynie z recenzjami oprogramowania, takiej jak G2.
Przykłady analizy kohortowej
Oto kilka przykładów tego, jak klienci firmy Amplitude przeprowadzili analizę kohortową w celu uzyskania wyników biznesowych.
Spokój: przykład analizy kohortowej pod kątem retencji
Na przeczucie Calm wykorzystał kohorty behawioralne, aby przetestować retencję użytkowników, którzy ustawili codzienne przypomnienia w swojej aplikacji do medytacji, w porównaniu z tymi, którzy nie korzystali z tej funkcji. Odkryli trzykrotny wzrost retencji użytkowników, którzy ustawiają codzienne przypomnienia.
Przypomnienie nie było łatwe do znalezienia, więc istniała szansa, że użytkownicy, którzy z jakiegoś innego powodu najbardziej polubili aplikację, po prostu zagłębili się w menu i znaleźli tę funkcję. Aby sprawdzić, czy jest to korelacja czy przyczyna, Calm zmienił samouczek wprowadzający, aby zachęcić niektórych nowych użytkowników do ustawienia przypomnienia i pozostawił innych początkujących użytkowników jako grupę kontrolną.
Ten trzykrotny wskaźnik retencji utrzymywał się podczas eksperymentu, więc Calm uwzględnił monit o ustawienie codziennych przypomnień w następnej aktualizacji obejmującej całą aplikację.
Kamień węgielny: przykład analizy kohortowej dla szybszych decyzji
Dzięki pomocy firmy Amplitude firma Cornerstone zmieniła sposób zarządzania produktami. Wcześniej menedżerowie produktu musieli prosić inżynierów o dane.
Inżynierowie ci dostarczali raport kohortowy z arkuszami kalkulacyjnymi pełnymi informacji, co wymagało od pełnoetatowego pracownika przestudiowania informacji i zebrania spostrzeżeń, które mogłyby prowadzić do lepszych wyników biznesowych.
Cały proces może zająć kilka dni. Albo tygodnie. Teraz menedżerowie produktu mogą pobrać te same dane w ciągu kilku minut i wykorzystać spostrzeżenia do podejmowania szybkich decyzji.
Jak rozpocząć analizę kohortową
Konfigurowanie własnej analizy kohortowej za pomocą narzędzia do analizy kohorty, takiego jak Amplituda, jest proste:
- Przyjrzyj się retencji według kohorty pozyskiwania klientów. To pokaże, kiedy użytkownicy rezygnują.
- Zdefiniuj zdarzenia dla kilku podstawowych działań użytkowników aplikacji, a następnie wyświetl kohorty behawioralne. Przeanalizuj swoje kohorty behawioralne, porównując je, odwracając i łącząc. Wykorzystaj to, korzystając ze swoich wniosków z analizy kohort pozyskiwania, aby wygenerować hipotezę dotyczącą działań, które możesz podkreślić podczas określonej części podróży klienta, aby zwiększyć utrzymanie.
- Wprowadź zmiany w swojej aplikacji — używając testów A/B z eksperymentem amplitudy, jeśli masz wystarczająco dużo użycia — aby sprawdzić, czy wykonywanie określonych działań w aplikacji rzeczywiście powoduje, że użytkownicy wracają.
- Przetwarzaj swoje wnioski i powtarzaj.
Dzięki kohortom behawioralnym Amplitude możesz zobaczyć specyfikę zachowań swoich klientów i zacząć podejmować decyzje oparte na danych, aby poprawić ich wrażenia z korzystania z Twojego produktu.
Wypróbuj już dziś analizę kohortową, korzystając z bezpłatnego planu Amplitude lub zapoznaj się z naszym Poradnikiem dotyczącym opanowania retencji , aby dowiedzieć się, jak możesz jeszcze bardziej zwiększyć retencję.
Bibliografia
- Ostateczny przewodnik po kohortowaniu behawioralnym. Amplituda.
- Przewodnik krok po kroku dotyczący analizy kohortowej i zmniejszania wskaźnika rezygnacji. Amplituda.
- Analiza kohortowa – wszystko, co możesz zrobić z kohortami akwizycji. Saras.
- Raport porównawczy aplikacji mobilnych 2019 informujący o strategii 2020. Wyżynny.
- Korzystanie z analizy kohortowej do optymalizacji konwersji. Speero.
