Когортный анализ: сокращение оттока и улучшение удержания

Когортный анализ отвечает на бизнес-вопрос о том, как конкретная группа или сегмент пользователей взаимодействовала с продуктом или как ожидается, будет взаимодействовать с продуктом, исходя из их предшествующего поведения. Получая поведенческие данные и разбивая их на когорты, их становится легче анализировать.

Когорты — это группы пользователей, которые имеют общие характеристики и модели использования в течение определенного периода времени. Это могут быть такие вещи, как время использования, подписка на функции или количество достигнутых целей. Когорты полезны, потому что они помогают сегментировать базу пользователей и собирать данные о том, как они взаимодействуют с вашим продуктом на протяжении всего жизненного цикла.

Компании должны использовать когортный анализ, чтобы понять поведение пользователей и улучшить удержание клиентов. Полученные данные — отличный способ понять, что заставляет новых клиентов оставаться с вами, и некоторые распространенные причины, по которым они уходят.

Что такое когортный анализ?

Когорта — это группа или сегмент пользователей, которые имеют общие черты профиля, поведение или и то, и другое. Например:

• Пользователи, владеющие устройствами iOS
• Пользователи, которые заходили в систему каждый день на прошлой неделе
• Пользователи, владеющие устройствами iOS, которые входили в систему каждый день на прошлой неделе

Обычно менеджер по продукту или маркетолог задает бизнес-вопрос, который вызывает когортный анализ. Эти вопросы могут касаться взаимодействия с продуктом, конверсии или удержания.

• Вовлеченность — это термин, обозначающий действия, которые люди совершают в вашем приложении. Это может быть повышение уровня персонажа в игре, совместное использование тренировки с сообществом в фитнес-приложении или воспроизведение песни в музыкальном приложении.
• Преобразование является конечной целью. Когортный анализ можно использовать, чтобы оценить, эффективны ли различные стимулы для конверсии, такие как новые функции или скидки.
• Удержание относится к людям, которые снова и снова возвращаются в ваше приложение.

В приведенном выше примере диаграммы вы можете увидеть путь пользователя для двух разных когорт — пользователей, которые поделились песней (зеленый цвет) и тех, кто этого не сделал (синий). Когорта пользователей, которые поделились песней, имела более высокую вовлеченность и конверсию.

Теперь давайте подробнее рассмотрим, как можно использовать когортный анализ, чтобы помочь менеджерам по продуктам сократить отток клиентов и улучшить показатели удержания.

Важность предотвращения оттока клиентов

Когортный анализ имеет решающее значение, поскольку такие показатели, как ежедневные или ежемесячные активные пользователи (DAU и MAU), сильно искажаются ростом. Если ваше приложение быстро растет, регистрация новых пользователей будет маскировать отток существующих пользователей. Неважно, насколько продуктивны ваши каналы привлечения, если вы теряете текущих клиентов так же быстро, как и новые, или быстрее, чем приобретаете новых.

Вот почему проведение когортного анализа коэффициента оттока — один из самых эффективных способов улучшить здоровье вашего бизнеса. Клиенты, совершающие повторные покупки, помогают бизнесу получать стабильный доход и компенсировать затраты на привлечение новых клиентов.

По данным Business of Apps, стоимость рекламы за установку мобильного приложения достигла 5,28 доллара. Более длительный жизненный цикл клиента приносит более высокие дивиденды за эти инвестиции.

Как построить стратегию удержания с помощью когортного анализа

Самый мощный аспект когортного анализа заключается в том, что вы не только увидите, как клиенты уходят и когда, но и сможете начать понимать, Вы можете улучшить коэффициент удержания, внедрив следующий процесс:

1. Поставьте цели: поставьте цель для процесса. Хотите сократить отток в краткосрочной перспективе? В долгосрочной перспективе? Какова ваша цель роста?
2. Исследуйте: Изучите текущие данные, чтобы увидеть, какие изменения можно внести для достижения вашей цели.
3. Выдвижение гипотез: решите, какие вопросы задать и возможные результаты экспериментов.
4. Мозговой штурм: придумайте возможные эксперименты для проверки гипотез.
5. Тест: Запустите различные тесты для оценки гипотез.
6. Анализ: проанализируйте тестовые данные, чтобы увидеть, были ли достигнуты цели.
7. Систематизируйте: сделайте любые положительные изменения частью системы.

С помощью этой системы вы можете постоянно улучшать свое приложение и повышать удержание. Вместо того, чтобы смотреть на совокупное число оттоков, вы ориентируетесь на конкретное поведение и тестируете, чтобы увидеть, улучшает ли поощрение пользователей такое поведение удержание.

Использование когортного анализа для улучшения удержания клиентов

Отчет о когортном анализе клиентов можно использовать для проверки гипотезы о том, как определенные изменения продукта влияют на ключевые показатели эффективности бизнеса.

Например, предположим, что вы менеджер по продукту музыкального приложения, такого как Spotify, и одной из ваших основных целей является увеличение удержания пользователей.

Вы можете выдвинуть гипотезу о том, что пользователи, которые делятся определенным количеством песен со своими друзьями, с большей вероятностью станут постоянными пользователями вашего приложения.

Чтобы проверить эту гипотезу, сначала вы выбираете группу или когорту пользователей на основе даты их приобретения. Затем вы разделяете эту когорту приобретения на две подгруппы. В одну подгруппу когорты входят пользователи, которые использовали функцию «поделиться песней» хотя бы один раз. Другое подмножество когорты включает пользователей, которые не использовали функцию «поделиться».

Наконец, запустите анализ удержания на основе поведенческой аналитики этих двух подмножеств когорт.

В этом случае на приведенной выше диаграмме когортного анализа показаны показатели удержания за N дней для пользователей, которые поделились песней (синий цвет), по сравнению с теми, кто этого не сделал (зеленый). Вы можете видеть, что пользователи, которые не делятся песней, имеют показатель оттока 77,75% через 30 дней. Между тем, отток пользователей, которые воспользовались функцией «Поделиться», составляет всего 31%.

Это существенная разница, и этот набор данных теперь дает вам возможность принять бизнес-решение, которое может привести к увеличению доходов. Например, в следующем обновлении вы можете настроить процесс адаптации, чтобы предлагать новым пользователям поделиться песней, а не ждать, пока они сами обнаружат эту функцию.

Типы когортных данных

Существует три типа когортных данных, и каждый из них имеет разные варианты использования.

Когорты приобретения

Когорты приобретения разделяют пользователей в зависимости от того, когда они подписались на ваш продукт. Потребительское приложение может группировать когорты по дням регистрации, тогда как инструмент SaaS с большей вероятностью отслеживает ежемесячные когорты.

Когорты приобретения используются для отслеживания новых пользователей и определения того, как долго они продолжают использовать ваше приложение после первого взаимодействия — продолжительность жизни вашего клиента. Это может быть отличным способом поэкспериментировать с вашим онбордингом, чтобы пользователи четко и на раннем этапе увидели ценность вашего продукта. Чем скорее у новых пользователей появится это «ага!» момент, тем больше шансов, что они будут сохранены.

Поведенческие когорты

Поведенческие когорты — это настраиваемый сегмент вашей аудитории, основанный на любой комбинации прошлого поведения или свойств профиля пользователя.

Некоторые примеры поведения пользователей включают совместное использование песни, подписку на пробную версию или совершение покупки. Свойства профиля пользователя — это такие вещи, как демографические данные, какую платформу использует посетитель или как кто-то попадает на ваш сайт.

Сочетание поведения и свойств профиля в совокупности составляют поведенческую когорту. Этот тип когортных данных — это способ просмотра действий в течение определенного периода времени, чтобы определить похожие типы пользователей для анализа. Этот анализ обычно показывает, как пользователи взаимодействуют с вашим продуктом и как это взаимодействие влияет на такие вещи, как удержание, коэффициент конверсии или другие ключевые показатели, важные для вашего бизнеса.

Прогнозные когорты

Прогнозные когорты смотрят на то, что пользователь должен делать в будущем.

Этот тип данных лучше всего подходит для определения того, на каких пользователей ориентироваться в маркетинговой кампании, или принятия решения о том, как скорректировать цены, чтобы повысить вероятность того, что пользователь совершит действие.

Когорты приобретения: поиск проблемных моментов в вашем приложении

Когорты приобретения предоставляют вам информацию о жизненном цикле ваших клиентов, в частности о том, сколько времени требуется, чтобы они ушли после даты приобретения. Эта информация может помочь вам определить модели оттока или маркетинговые кампании с высоким коэффициентом конверсии. Допустим, у вас есть музыкальное приложение, в котором возникает проблема оттока пользователей: пользователи уходят каждый день.

Пользователи на приведенной выше диаграмме удержания разделены на ежедневные когорты — пользователи, которые зарегистрировались в один и тот же день. Вы можете видеть, что 11 528 пользователей зарегистрировались в вашем музыкальном приложении 16 июля, а удержание на 5-й день составило 49,7%. Таким образом, каждый второй пользователь, зарегистрировавшийся 16 июля, все еще был активным пользователем приложения на пятый день после первого использования приложения.

Лучший способ визуализировать эту информацию — превратить ее в кривую анализа удержания, которая показывает ваше удержание для этих когорт с течением времени. Когда вы составляете свои данные таким образом, становится легко увидеть, когда пользователи покидают ваш продукт.

Эта кривая удержания сразу говорит вам о важном: около трети пользователей перестают пользоваться приложением после первого дня. После этого начального падения кривая продолжает неуклонно снижаться, и на 30-й день в приложении остается лишь немногим более 25% первоначальных пользователей.

Это не очень хорошо (хотя это распространено — некоторые данные показывают, что среднее приложение теряет почти 60% своих пользователей в течение первого месяца). Раннее удержание является серьезной проблемой. Подобная кривая указывает на то, что пользователи недостаточно быстро извлекают основную пользу из приложения, поэтому они уходят. Теперь вы знаете, что вам нужно улучшить начальный опыт работы с приложением, чтобы пользователи как можно быстрее поняли вашу основную ценность.

Достижение пределов охвата когорт

Если ваше приложение имеет кривую удержания, показанную выше, вы сразу же захотите выяснить, что вы можете сделать, чтобы повысить свое удержание.

Когорты привлечения сами по себе не дают никакой информации о том, как вы можете улучшить взаимодействие с пользователем, чтобы удержать своих пользователей. Вы не можете изолировать конкретное поведение или свойства пользователя.

Когорты приобретения отлично подходят для того, чтобы показать вам тенденции и сказать вам, когда люди уходят, но чтобы понять, почему они уходят, вам нужно обратиться к другому типу когорт: поведенческим когортам.

Поведенческие когорты: узнайте, какое поведение способствует удержанию

С того момента, как пользователи регистрируются в вашем продукте, они принимают сотни решений и демонстрируют бесчисленное количество мелких действий, которые приводят к их решению остаться или уйти. Сегментируя своих пользователей на основе этого поведения, вы можете получить информацию о том, какие функции в вашем продукте способствуют росту.

При переработке адаптации пользователей для оптимизации удержания вам необходимо определить наиболее эффективный способ сделать это. Вместо того, чтобы выбирать, над чем работать, основываясь на анекдотах или случайных выборах, поведенческие когорты позволяют вам выбрать подход систематически и количественно. Поведенческие когорты группируют пользователей на основе конкретных действий, которые они предприняли (или не предприняли).

Поиск подходящих когорт

Для своего музыкального приложения вы можете создавать различные группы пользователей из таких действий, как воспроизведение песни, поиск исполнителя или создание плейлиста.

Допустим, вы хотели увидеть удержание пользователей, которые добавили песни в избранное в приложении. Вы можете использовать поведенческие когорты, чтобы посмотреть на удержание новых пользователей, которые добавили в избранное три или более песен:

В то время как почти 60% всех пользователей (синие) уходят в течение одного дня после использования приложения, только около 15% пользователей, поставивших в избранное три или более песен (зеленые), уходят после первого дня.

Инвертирующие когорты

Теперь, когда вы знаете, как меняется удержание для пользователей, которые взаимодействуют с избранной функцией, вы также можете посмотреть, как оно меняется для тех, кто этого не делает. Ниже показано удержание для пользователей, которые не добавили песню в избранное:

Пользователи, которые вообще не добавили песню в избранное (фиолетовые), имеют худшее удержание, чем большинство — менее 25% этих пользователей уходят после первого дня.

Из этой простой визуализации видно, что раннее знакомство людей с любимыми песнями позволяет им открыть для себя основную ценность приложения, а это означает, что они с большей вероятностью останутся пользователями. Теперь, когда у вас есть эти данные, вы можете применить их на практике, выделив функцию любимых песен во время онбординга. Это приведет к тому, что больше пользователей будут отдавать предпочтение песням в начале своего пути к клиенту и, в конечном итоге, к более высоким показателям удержания.

Объединение когорт

Вы можете создавать поведенческие когорты на основе любого действия, которое можно выполнить в вашем продукте. Это означает, что вы можете сопоставить любое количество различных действий пользователя с показателями удержания пользователей.

Например, в вашем музыкальном приложении есть функция, которая позволяет людям присоединяться к сообществам на основе их любимых жанров. Вы можете извлечь этот набор данных, чтобы увидеть, помогает ли это улучшить сохранение или это функциональность, которая не влияет на их пожизненную ценность.

Здесь вы можете видеть, что начальное удержание пользователей, которые присоединяются к сообществам (фиолетовый), такое же, как и у пользователей, которые любят песни (зеленый), но к концу 30-го дня оно немного лучше и намного лучше, чем у всех пользователей (синий).

По мере того, как пользователи общаются с другими людьми и находят больше музыки для воспроизведения, они начинают получать больше удовольствия от приложения и продолжают его использовать. Вы, вероятно, предположили бы это в процессе удержания, но теперь у вас есть данные, подтверждающие вашу гипотезу.

Объединение различных поведенческих когорт дает вам лучшее понимание взаимосвязей между различными функциями вашего продукта и того, как они могут способствовать удержанию.

Нахождение правильных комбинаций

А как насчет пользователей, которые любят песни и присоединяются к сообществам? Используя Amplitude, вы можете отфильтровать свои действия, чтобы объединить эти две когорты:

Как видите, пользователи, демонстрирующие оба этих поведения, с гораздо большей вероятностью продолжат пользоваться приложением в первые несколько недель. В конце первой недели удержание составляет более 75 % для когорты «Избранное + сообщество» (синий цвет) и менее 25 % для пользователей без какого-либо из этих вариантов поведения (зеленый).

Корреляция, а не причинность

Тот факт, что люди, которые любят песни и присоединяются к сообществам, меньше отталкивают, не означает, что побуждение людей к такому поведению автоматически снизит уровень оттока. Например, призыв к действию, побуждающий их присоединиться к 20 сообществам после регистрации, вероятно, оттолкнет людей.

Это потому, что корреляция не подразумевает причинно-следственной связи. Добавление песен в избранное и присоединение к сообществам может просто коррелировать с вовлеченностью пользователей, а не вызывать ее. Чтобы определить причинно-следственную связь, вы можете провести A/B-тестирование различных процессов онбординга, в которых особое внимание уделяется добавлению песен в избранное, чтобы увидеть, увеличивает ли это удержание.

Получив данные по поведенческим когортам, вы можете начать проводить эксперименты с помощью инструмента A/B-тестирования, такого как Amplitude Experiment, чтобы проверить поведение, которое может быть связано с удержанием. Вы можете видеть, что работает, а что нет, и систематически повышать удержание.

Прогнозные когорты: увеличьте рентабельность инвестиций в маркетинг

Вы можете использовать прогностические когорты, чтобы определить, насколько вероятно, что пользователь купит песню в будущем, на основе их поведенческой когорты.

Один из способов ответить на этот бизнес-вопрос — взять когорту новых пользователей, которые поделились песней в течение определенного периода времени, скажем, за последние 14 дней, и провести прогнозный анализ. Этот тип анализа работает лучше всего, если размер когорты превышает 100 000 пользователей, потому что вам нужно достаточно данных для модели машинного обучения, чтобы сделать прогноз. Примерно через 30–60 минут модель ранжирует определенные когорты в зависимости от того, кто с наибольшей вероятностью совершит данное действие, например купит песню.

Опять же, теперь у вас есть данные в простой когортной диаграмме, чтобы информировать об эффективном бизнес-решении. Например, вы можете сосредоточиться на первых 5% пользователей, которые с наибольшей вероятностью купят песню. Выберите эту когорту, поместите этих пользователей в сторонний инструмент и нацельте их на маркетинговую кампанию. Это может быть push-уведомление, электронное письмо или SMS-оповещение, чтобы побудить их к действию. В данном случае совершение покупки.

В то же время вы можете посмотреть на 20% пользователей, которые, как определил прогностический анализ, с наименьшей вероятностью предпримут ваши предпочтительные действия, и выбрать не нацеливать на них маркетинговые доллары, поскольку это вряд ли даст какие-либо результаты. В качестве альтернативы вы можете сделать вывод, что группе пользователей просто нужен другой или больший стимул. Может быть, отправка им купона на скидку 50% окажется настолько хорошим предложением, что они не смогут от него отказаться.

В любом случае вы можете измерить реакцию этих когорт на ваше новое направление и продолжать корректировать свои маркетинговые инвестиции на основе вашего анализа.

Инструменты для когортного анализа

Современные рынки меняются быстро, и компании, которые не могут быстро принимать решения на основе точных данных, теряют прибыль. Без правильных инструментов аналитики нетехническим командам, которым нужны данные для принятия более эффективных бизнес-решений, приходится полагаться на аналитиков данных и инженеров данных.

Это может означать отправку заявки в группу данных и ожидание дней или даже недель, пока аналитики, которым не хватает времени, предоставят электронные таблицы. Затем требуется, чтобы у кого-то из вашей команды было достаточно времени, чтобы просмотреть эти данные и найти идеи.

Амплитуда: как правильный инструмент когортного анализа ускоряет принятие бизнес-решений

С помощью Amplitude менеджеры по продуктам и маркетологи могут сами ответить на свои вопросы, выполнив когортный анализ самообслуживания одним из трех способов.

1. Вы можете построить когорту на любой диаграмме в Amplitude, например, на диаграмме Retention Analysis ниже. Здесь вы можете выбрать любую комбинацию поведения и свойств профиля, например пользователей, которые добавляют песню в избранное или присоединяются к сообществу.

2. Вы также можете использовать специальный раздел «Когорты» для создания пользовательских определений когорт на основе ваших конкретных параметров. Затем эту пользовательскую когорту можно использовать в других диаграммах. Например, в приведенной ниже когорте показаны новые активные пользователи iOS, которые поделились поп- или рок-песней за последние 30 дней.

3. Вы можете построить когорту на основе одной точки данных, найденной на любой диаграмме. Например, вы можете идентифицировать новых пользователей после запуска продукта 26 июля.

В конечном счете, хороший инструмент когортного анализа позволяет нетехническим командам задавать вопросы и отвечать на них. Предоставление этой информации непосредственно им дает им лучшее понимание пользователей их продуктов и более качественные данные для достижения бизнес-результатов.

Другие инструменты когортного анализа

Помимо Amplitude, на рынке есть много инструментов, которые позволяют менеджерам по продуктам и маркетологам проводить когортный анализ, в том числе:

• Контентквадрат
• Полный рассказ
• Gainsight PX
• Стеклянная коробка
• куча
• ЛогРокет
• Микспанель
• Пендо
• Смартлук

Узнайте больше об этих и других инструментах когортного анализа на сайте обзора программного обеспечения, таком как G2.

Примеры когортного анализа

Вот несколько примеров того, как клиенты Amplitude проводят когортный анализ для получения бизнес-результатов.

Спокойствие: пример когортного анализа для удержания

По наитию, Calm использовал поведенческие когорты, чтобы проверить удержание пользователей, которые устанавливают ежедневные напоминания в своем приложении для медитации, по сравнению с теми, кто не использовал эту функцию. Они обнаружили трехкратное увеличение удержания пользователей, которые устанавливают ежедневные напоминания.

Напоминание было нелегко найти, поэтому был шанс, что пользователи, которым приложение больше всего понравилось по какой-то другой причине, просто копались в меню дальше и находили эту функцию. Чтобы проверить, было ли это корреляцией или причинно-следственной связью, Calm изменила свое вводное руководство, чтобы поощрять некоторых новых пользователей устанавливать напоминания, а других новых пользователей оставила в качестве контрольной группы.

Этот 3-кратный коэффициент удержания сохранялся во время эксперимента, поэтому Calm включил подсказку установить ежедневные напоминания в свое следующее обновление для всего приложения.

Краеугольный камень: пример когортного анализа для более быстрого принятия решений

С помощью Amplitude компания Cornerstone изменила свой рабочий процесс управления продуктами. Раньше продакт-менеджерам приходилось запрашивать данные у инженеров.

Эти инженеры должны были предоставить когортный отчет с электронными таблицами, полными информации, что требовало от штатного сотрудника тщательного изучения информации и сбора информации, которая могла бы привести к лучшим результатам в бизнесе.

Весь процесс может занять несколько дней. Или недели. Теперь менеджеры по продуктам могут получать те же данные за считанные минуты и использовать их для принятия быстрых решений.

С чего начать когортный анализ

Настроить собственный когортный анализ с помощью такого инструмента, как Amplitude, очень просто:

1. Взгляните на свое удержание по когорте привлечения клиентов. Это покажет вам, когда пользователи уходят.
2. Определите события для нескольких основных действий пользователя вашего приложения, а затем подтяните свои поведенческие когорты. Проанализируйте свои поведенческие когорты, сравнив их, инвертировав и объединив. Используйте это с вашими знаниями, полученными в результате изучения когорт привлечения, чтобы сформулировать гипотезу о действиях, на которые вы можете обратить внимание во время определенной части пути клиента, чтобы стимулировать удержание.
3. Внесите изменения в свое приложение — используя A/B-тестирование с помощью Amplitude Experiment, если у вас достаточно высокий объем использования, — чтобы увидеть, действительно ли определенные действия в вашем приложении заставляют пользователей возвращаться.
4. Обработайте свои знания и повторите.

С поведенческими когортами Amplitude вы можете увидеть особенности поведения ваших клиентов и начать принимать решения на основе данных, чтобы улучшить их опыт работы с вашим продуктом.

Попробуйте когортный анализ сегодня с бесплатным планом Amplitude или ознакомьтесь с нашим пособием Mastering Retention , чтобы узнать, как еще больше увеличить удержание.

использованная литература

• Полное руководство по поведенческой когорте. Амплитуда.
• Пошаговое руководство по когортному анализу и снижению оттока. Амплитуда.
• Когортный анализ — все, что вы можете сделать с когортами приобретения. Сарас.
• Сравнительный отчет по мобильным приложениям за 2019 г. для информирования вашей стратегии на 2020 г. Нагорье.
• Использование когортного анализа для оптимизации конверсии. Сперо.