คำแนะนำทีละขั้นตอนสำหรับการวิเคราะห์ตามการได้มาและการลดอัตราการเลิกใช้

การวิเคราะห์ตามรุ่นอัตราการเลิกใช้งานเป็นประเภทของการวิเคราะห์ที่คำนวณและให้ข้อมูลที่คุณต้องการเพื่อเพิ่มการรักษาผู้ใช้ คุณสามารถวิเคราะห์วงจรชีวิตของผู้ใช้และระบุ เมื่อ ผู้ใช้เลิกใช้หรือหยุดใช้ผลิตภัณฑ์ของคุณ จากที่นั่น คุณสามารถเรียนรู้เกี่ยวกับพฤติกรรมของผู้ใช้และตรวจสอบสาเหตุที่นำไปสู่การเลิกรา เมื่อคุณเข้าใจ สาเหตุที่ ผู้ใช้เลิกใช้งาน คุณก็พร้อมที่จะดำเนินการเพื่อลดอัตราการเลิกใช้งานและทำให้ผู้คนมีส่วนร่วมกับผลิตภัณฑ์ของคุณ

การทำความเข้าใจความสัมพันธ์ระหว่างอัตราการเลิกใช้งานและการวิเคราะห์ตามรุ่น

บริษัทส่วนใหญ่มองว่าความปั่นป่วนเพียงเล็กน้อยเป็นเรื่องที่ดีต่อสุขภาพและเป็นเรื่องปกติ แต่ผู้ใช้จำนวนมากที่ออกจากผลิตภัณฑ์ของคุณทำให้เกิดความกังวล การวิเคราะห์ตามการได้มาช่วยให้คุณลดอัตราการเลิกใช้งาน เนื่องจากช่วยให้คุณตรวจสอบได้ ว่าทำไม กลุ่มหรือกลุ่ม (กลุ่มประชากรตามรุ่น) ของผู้ใช้จึงออกจากแอปของคุณ หากคุณสามารถทราบได้ว่าอะไรทำให้ผู้คนออกจากงาน คุณสามารถดำเนินการเพื่อหลีกเลี่ยงอัตราการเลิกจ้างของลูกค้าที่สูงได้

การวิเคราะห์ตามการได้มายังช่วยให้คุณเข้าใจว่าปัจจัยใดที่นำไปสู่การมีส่วนร่วมสูงและการรักษาลูกค้าไว้ หากคุณมุ่งเน้นที่การรักษาลูกค้าเดิมและให้คุณค่ากับลูกค้าที่มีอยู่ คุณมักจะได้รับ ROI ที่สูงกว่าหากคุณมุ่งเน้นที่การได้มาซึ่งลูกค้าเพียงอย่างเดียว คุณได้ลงทุนเวลา เงิน และความพยายามในการหาลูกค้าแล้ว ดังนั้นคุณควรพยายามรักษาพวกเขาไว้บนแพลตฟอร์มของคุณ แทนที่จะมุ่งไปที่การเข้าถึงผู้ใช้ใหม่เท่านั้น

คู่มือ 5 ขั้นตอนเพื่อทำการวิเคราะห์ตามการได้มาซึ่งช่วยลดการเลิกรา

ขั้นตอนเหล่านี้แสดงให้คุณเห็นถึงวิธีดำเนินการวิเคราะห์ตามการได้มาซึ่งจะช่วยให้คุณระบุเวลาและสาเหตุที่ผู้ใช้ออกจากระบบ เพื่อให้คุณสามารถทดลองกับโซลูชันเพื่อลดการเลิกใช้งาน

1. จัดกลุ่มผู้ใช้ตามเวลาที่เข้าร่วมแอปของคุณ

เริ่มการวิเคราะห์โดยจัดกลุ่มผู้ใช้โดยพิจารณาจาก เวลาที่พวกเขาเข้าร่วมแอปของคุณ “วันที่เข้าร่วม” เป็นกลุ่มการได้มาซึ่งคุณจะใช้กลุ่มตามพฤติกรรมในภายหลังในการวิเคราะห์ของคุณ แทนที่จะดูที่อัตราการเลิกใช้งานของผู้ใช้ทั้งหมด สิ่งนี้จะช่วยให้คุณเห็นเมื่อผู้ใช้เลิกใช้งานที่เกี่ยวข้องกับวงจรชีวิตของลูกค้า

สร้างกลุ่มรายวัน รายสัปดาห์ หรือรายเดือน ขึ้นอยู่กับประเภทของแอพและช่วงการใช้งานผลิตภัณฑ์ของคุณ ตัวอย่างเช่น หากคุณใช้แอปการทำสมาธิหรือฟิตเนส การดูการได้มาและการใช้งานในแต่ละวันจะเป็นประโยชน์ หากเป็นแอปที่ผู้คนใช้ไม่บ่อยนัก (เช่น แอปการลงทุน) คุณอาจใช้กลุ่มประชากรตามรุ่นรายเดือนหรือรายสัปดาห์

กรอบเวลาที่คุณรวมไว้ในการวิเคราะห์จะขึ้นอยู่กับสิ่งที่คุณต้องการค้นหาด้วย คุณจะดูที่การรักษาผู้ใช้รายวันหรือการเปลี่ยนแปลงในช่วงสองสามสัปดาห์เพื่อดูการเปลี่ยนแปลงในระยะสั้น หากต้องการทราบแนวโน้มในระยะยาว คุณจะต้องดูอัตราการรักษาผู้ใช้รายเดือนตลอดทั้งปี

เมื่อคุณสร้างกลุ่มประชากรตามรุ่นที่คุณต้องการวิเคราะห์แล้ว ให้สร้างตารางกลุ่มประชากรตามรุ่นใน Excel หรือใช้ซอฟต์แวร์การวิเคราะห์ เช่น Amplitude ในตารางกลุ่มประชากรตามรุ่น จะมีแถวสำหรับแต่ละกลุ่มและคอลัมน์สำหรับแต่ละวัน สัปดาห์ หรือเดือน “วันที่ศูนย์” คือวันที่ผู้ใช้เข้าร่วมแพลตฟอร์ม ในเซลล์ ให้แสดงอัตราการเลิกใช้หรืออัตราการคงอยู่

2. ระบุเมื่อผู้ใช้ในแต่ละกลุ่มเลิกใช้

หากคุณสามารถระบุจุดที่ผู้ใช้เลิกใช้งาน คุณจะเห็นรูปแบบในเส้นทางของผู้ใช้ คุณจะสามารถตรวจสอบเพิ่มเติมเพื่อค้นหาสาเหตุที่พวกเขาเลิกกันในขณะนั้น

ดูแผนภูมิการวิเคราะห์ตามรุ่นและค้นหาจุดเมื่อผู้ใช้จำนวนมากเลิกใช้ หากต้องการเห็นภาพเส้นโค้งการรักษาผู้ใช้และสังเกตได้ง่ายเมื่อมีคนออกจากงาน ให้แปลงตารางกลุ่มประชากรตามรุ่นเป็นแผนภูมิ

บ่อยครั้ง ทีมผลิตภัณฑ์และการเติบโตจะสร้างรายการช่วงเวลา "ปัญหา" ซึ่งก็คือจุดในวงจรชีวิตของผู้ใช้เมื่อผู้ใช้ออก เช่น หลังจาก 10 วันหรือหลังจากเดือนแรก

3. วิเคราะห์กลุ่มรุ่นอื่นๆ เพื่อตรวจสอบความปั่นป่วนเพิ่มเติม

หลังจากที่คุณได้ดูการเปลี่ยนแปลงที่เกี่ยวข้องกับวันที่ได้มา การสร้างกลุ่มผู้ใช้ตามพฤติกรรม ช่องทางการได้มา หรือข้อมูลประชากรจะช่วยให้คุณเข้าใจพวกเขามากขึ้น จะทำให้คุณเข้าใกล้อีกขั้นในการค้นหาสาเหตุที่ผู้ใช้ออกจากระบบ

ใช้กลุ่มตามพฤติกรรมเพื่อจัดกลุ่มผู้ใช้ตามการกระทำที่ตนมีหรือไม่ได้ทำ คุณอาจดูผู้ใช้ที่อ่านบทวิจารณ์ก่อนซื้อหรือผู้ที่ทำการซื้อในแอปภายในสามวันแรกของการเข้าร่วมแพลตฟอร์ม ในแต่ละกรณี คุณจะต้องเปรียบเทียบกลุ่มคนที่ดำเนินการกับกลุ่มที่ ไม่ ได้ ดูว่ามีลิงก์ที่จะเลิกใช้งานหรือไม่

นอกเหนือจากการใช้กลุ่มประชากรตามพฤติกรรมแล้ว ให้จัดกลุ่มผู้ใช้ตาม ประเภทของการได้ มาเพื่อระบุว่าช่องทางใดที่นำไปสู่การเลิกราและเมื่อใด ตัวอย่างเช่น คุณอาจสังเกตเห็นว่าผู้ใช้จากโฆษณาแบบชำระเงินเลิกเร็วกว่าผู้ที่แปลงจากจดหมายข่าวของคุณ อีกวิธีหนึ่งในการแบ่งกลุ่มผู้ใช้คือตามข้อมูลประชากร มองหารูปแบบในกลุ่มอายุหรือสถานที่ต่างๆ

เพื่อความสอดคล้องกัน ให้ดูที่กลุ่มประชากรตามรุ่นต่างๆ ในกรอบเวลาเดียวกับการวิเคราะห์กลุ่มการได้ผู้ใช้ใหม่ที่คุณทำ ตรวจสอบกลุ่มลูกค้าตามรุ่นทีละราย เพื่อให้คุณเห็นได้ชัดเจนว่าปัจจัยใดบ้างที่ส่งผลต่อการเลิกรา คุณจะเริ่มสรุปว่าเหตุใดกลุ่มประชากรตามรุ่นจึงแตกต่างกันในขั้นตอนต่อไป

4. ตั้งสมมติฐานว่าเหตุใดจึงเกิดการปั่นป่วนในแต่ละกลุ่ม

เมื่อคุณได้รวบรวมข้อมูลจากกลุ่มประชากรตามรุ่นต่างๆ แล้ว คุณสามารถตั้งทฤษฎีว่าเหตุใดผู้คนจึงเลิกกัน โดยการสร้างและทดสอบสมมติฐาน คุณจะค้นพบสิ่งที่ทำให้เกิดความปั่นป่วนได้จริงๆ

ตาม "ช่วงเวลาที่มีปัญหา" ที่คุณพบจากการสืบสวนของคุณเมื่อมีคนเลิกกัน ร่วมกับการวิเคราะห์กลุ่มตามพฤติกรรมต่างๆ ของคุณ เลือกกลุ่มประชากรตามรุ่นที่มีอัตราการเลิกเล่นสูงสุด จากนั้นระดมความคิดถึงสิ่งที่อาจทำให้เกิดความปั่นป่วน

ตัวอย่างเช่น ตั้งแต่วันที่ซื้อกลุ่มประชากรตามรุ่น:

• การเปลี่ยนแปลงตามฤดูกาลส่งผลต่อการใช้งานแอป ผู้ใช้จำนวนมากเข้าร่วมในช่วงวันหยุด แต่จะเลิกราในเดือนกุมภาพันธ์เนื่องจากไม่มีเวลาว่างเพียงพอในการใช้แอป
• ผู้ใช้ออกจากระบบหลังจากสองวันเนื่องจากกระบวนการเริ่มต้นใช้งานยาวและซับซ้อนเกินไป

จากกลุ่มพฤติกรรม:

• ผู้ใช้ที่ลงชื่อสมัครใช้แผน "พื้นฐาน" เนื่องจากไม่มีสิทธิ์เข้าถึงคุณลักษณะเพียงพอ
• ผู้ใช้ที่ไม่เปิดใช้งานการแจ้งเตือนเตือนจะจบลงเพราะลืมใช้แอพและไม่ได้รับคุณค่าจากมัน

จากกลุ่มประชากรตามช่องทางการได้มา:

• ผู้ใช้ที่สมัครจากโฆษณาบน Instagram เลิกใช้งานอย่างรวดเร็วเนื่องจากโฆษณาไม่ได้แสดงภาพผลิตภัณฑ์อย่างถูกต้อง ดังนั้นจึงมีความไม่ลงรอยกันระหว่างความคาดหวังของลูกค้ากับผลิตภัณฑ์

5. ทดสอบสมมติฐานของคุณและทดสอบด้วยวิธีแก้ปัญหา

ก่อนดำเนินการเปลี่ยนแปลงผลิตภัณฑ์ คุณจะต้องตรวจสอบว่าสมมติฐานของคุณถูกต้องหรือไม่ เตรียมพร้อมสำหรับข้อเท็จจริงที่ว่าปัจจัยต่างๆ มากมายนำไปสู่การปั่นป่วน ดังนั้นขั้นตอนนี้จึงต้องใช้การทดลองบางอย่าง

ขั้นแรก ตรวจสอบสมมติฐานของคุณโดยทำการทดสอบ A/B เพื่อทดสอบสมมติฐานตัวอย่างของคุณ คุณสามารถ:

• ลดความซับซ้อนของกระบวนการออนบอร์ดของคุณ
• เพิ่มคุณสมบัติเพิ่มเติมให้กับระดับการสมัคร "พื้นฐาน" ของคุณ
• อัปเดตแคมเปญการตลาดของคุณเพื่อกำหนดความคาดหวังของลูกค้าที่แม่นยำยิ่งขึ้น

ทดลองกับโซลูชันต่างๆ เพื่อเพิ่มประสิทธิภาพแพลตฟอร์มของคุณ ตัวอย่างเช่น การทำให้กระบวนการเริ่มต้นใช้งานง่ายขึ้นอาจหยุดผู้ใช้จากการออกจากระบบหลังจากผ่านไปสองวัน แต่อีกวิธีหนึ่งอาจเป็นการให้ผู้ใช้เลือกข้ามการเริ่มต้นได้เลย หากการปรับเปลี่ยนที่คุณทำ ลดความปั่นป่วน คุณก็พร้อมที่จะนำไปใช้กับทั้งแอปของคุณ หากไม่มีสมมติฐานใดที่ถูกต้องหรือวิธีแก้ปัญหาของคุณไม่ได้ผล ให้ย้อนกลับไปหนึ่งขั้นตอนและดำเนินการวิเคราะห์กลุ่มประชากรตามรุ่นต่อไป

ดำเนินการวิเคราะห์ลูกค้าของคุณต่อไป

การวิเคราะห์ตามการได้มาคือกระบวนการที่คุณจะต้องทำมากกว่าหนึ่งครั้ง อัตราการเลิกใช้งานของลูกค้าเปลี่ยนแปลงตลอดเวลา ดังนั้นให้ติดตามกลุ่มประชากรตามรุ่นและทำการวิเคราะห์ตามรุ่นอย่างสม่ำเสมอเพื่อระบุรูปแบบในพฤติกรรมของผู้ใช้ ด้วยวิธีนี้ คุณจะดำเนินการเพื่อรักษาอัตราการรักษาลูกค้าให้อยู่ในระดับสูงได้

ลองดำเนินการวิเคราะห์กลุ่มประชากรตามรุ่นอัตราการเลิกใช้งานของคุณเองวันนี้โดยใช้ แผนเริ่มต้นฟรีของ Amplitude หรือดูคู่มือการเรียนรู้ Mastering Retention เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการแก้ไขบัคเก็ตที่รั่ว

อ้างอิง

• อัตราการปั่น การลงทุน
• การหาลูกค้า VS. การเก็บรักษา: ดอลลาร์ของคุณใช้จ่ายที่ไหนดีที่สุด? กำไรดี.
• ตัวอย่างการเริ่มต้นใช้งานที่ดีที่สุด 10 ตัวอย่างเพื่อเรียนรู้จากผู้ใช้ แอปคิวส์