การวิเคราะห์ตามการได้มา: ลดความยุ่งยากและปรับปรุงการรักษา

การวิเคราะห์ตามการได้มาจะตอบคำถามทางธุรกิจเกี่ยวกับวิธีที่กลุ่มหรือกลุ่มผู้ใช้เฉพาะมีปฏิสัมพันธ์กับผลิตภัณฑ์ หรือคาดว่าจะมีปฏิสัมพันธ์กับผลิตภัณฑ์ โดยอิงจากพฤติกรรมก่อนหน้าของพวกเขา การรับข้อมูลพฤติกรรมและแบ่งออกเป็นกลุ่ม จะทำให้วิเคราะห์ได้ง่ายขึ้น

กลุ่มประชากรตามรุ่นคือกลุ่มผู้ใช้ที่มีลักษณะเฉพาะและรูปแบบการใช้งานร่วมกันในช่วงระยะเวลาหนึ่ง สิ่งเหล่านี้อาจรวมถึงสิ่งต่างๆ เช่น เวลาใช้งาน คุณลักษณะที่สมัครใช้งาน หรือจำนวนเป้าหมายที่สำเร็จ กลุ่มประชากรตามรุ่นมีประโยชน์เนื่องจากช่วยให้คุณแบ่งกลุ่มฐานผู้ใช้และรวบรวมข้อมูลเกี่ยวกับวิธีการโต้ตอบกับผลิตภัณฑ์ของคุณตลอดวงจรชีวิต

ธุรกิจควรใช้การวิเคราะห์ตามรุ่นเพื่อทำความเข้าใจพฤติกรรมของผู้ใช้และปรับปรุงการรักษาลูกค้า ข้อมูลที่คุณได้รับเป็นวิธีที่ยอดเยี่ยมในการทำความเข้าใจว่าอะไรเป็นสาเหตุให้ลูกค้าใหม่ต้องอยู่ต่อ และสาเหตุทั่วไปบางประการที่พวกเขาเลิกใช้

การวิเคราะห์ตามการได้มาคืออะไร?

กลุ่มประชากรตามรุ่นคือกลุ่มหรือกลุ่มของผู้ใช้ที่มีลักษณะทั่วไป พฤติกรรม หรือทั้งสองอย่างร่วมกัน ตัวอย่างเช่น:

• ผู้ใช้ที่เป็นเจ้าของอุปกรณ์ iOS
• ผู้ใช้ที่เข้าสู่ระบบทุกวันเมื่อสัปดาห์ที่แล้ว
• ผู้ใช้ที่เป็นเจ้าของอุปกรณ์ iOS ที่เข้าสู่ระบบทุกวันเมื่อสัปดาห์ที่แล้ว

โดยทั่วไปแล้ว ผู้จัดการผลิตภัณฑ์หรือนักการตลาดจะถามคำถามทางธุรกิจ ซึ่งจะกระตุ้นให้มีการวิเคราะห์ตามรุ่น คำถามเหล่านี้อาจเกี่ยวข้องกับการมีส่วนร่วมของผลิตภัณฑ์ การแปลง หรือการรักษาลูกค้า

• การมี ส่วนร่วม คือคำศัพท์สำหรับการกระทำที่ผู้คนทำภายในแอปของคุณ ซึ่งอาจเป็นการยกระดับตัวละครในเกม แชร์การออกกำลังกายกับชุมชนในแอปฟิตเนส หรือเล่นเพลงในแอปเพลง
• การแปลง เป็นเป้าหมายสูงสุด การวิเคราะห์ตามการได้มาสามารถใช้เพื่อตัดสินว่าสิ่งจูงใจต่างๆ สำหรับการแปลง เช่น คุณลักษณะใหม่หรือส่วนลด มีประสิทธิภาพหรือไม่
• การรักษา ผู้ใช้หมายถึงผู้ที่กลับมาที่แอปของคุณครั้งแล้วครั้งเล่า

ในแผนภูมิตัวอย่างด้านบน คุณสามารถดูการเดินทางของผู้ใช้สำหรับกลุ่มประชากรตามรุ่นที่แตกต่างกันสองกลุ่ม—ผู้ใช้ที่แชร์เพลง (สีเขียว) และผู้ที่ไม่ได้แชร์เพลง (สีน้ำเงิน) กลุ่มผู้ใช้ที่แชร์เพลงมีส่วนร่วมและ Conversion สูงกว่า

ตอนนี้เรามาดูกันดีกว่าว่าการวิเคราะห์ตามรุ่นสามารถใช้เพื่อช่วยผู้จัดการผลิตภัณฑ์ลดการเลิกของลูกค้าและปรับปรุงอัตราการรักษาได้อย่างไร

ความสำคัญของการป้องกันลูกค้าเลิกรา

การวิเคราะห์ตามการได้มาเป็นสิ่งสำคัญเนื่องจากเมตริก เช่น ผู้ใช้ที่ใช้งานอยู่รายวันหรือรายเดือน (DAU และ MAU) จะถูกบิดเบือนอย่างมากจากการเติบโต หากแอปของคุณเติบโตอย่างรวดเร็ว การลงชื่อสมัครใช้ของผู้ใช้ใหม่จะปกปิดตำแหน่งที่ผู้ใช้ปัจจุบันของคุณออกจากระบบ ไม่สำคัญหรอกว่าช่องทางการได้มาของคุณจะมีประสิทธิผลเพียงใด หากคุณสูญเสียลูกค้าปัจจุบันให้เร็วเท่ากับหรือเร็วกว่าที่คุณได้รับลูกค้าใหม่

นั่นเป็นเหตุผลที่การวิเคราะห์ตามรุ่นอัตราการเลิกใช้เป็นวิธีที่มีประสิทธิภาพมากที่สุดวิธีหนึ่งในการปรับปรุงสุขภาพของธุรกิจของคุณ ลูกค้าที่ซื้อซ้ำจะช่วยให้ธุรกิจสร้างรายได้ที่มั่นคงและชดเชยค่าใช้จ่ายในการดึงดูดลูกค้าใหม่

จากข้อมูลของ Business of Apps ค่าใช้จ่ายในการโฆษณาต่อการติดตั้งสำหรับแอปบนอุปกรณ์เคลื่อนที่อยู่ที่ 5.28 ดอลลาร์ วงจรชีวิตลูกค้าที่ยาวนานขึ้นจะจ่ายเงินปันผลที่สูงขึ้นสำหรับการลงทุนนั้น

วิธีสร้างกลยุทธ์การรักษาลูกค้าโดยใช้การวิเคราะห์ตามการได้มา

แง่มุมที่ทรงพลังที่สุดของการวิเคราะห์ตามการได้มาคือ คุณจะไม่เพียงแต่เห็นลูกค้าออกและเมื่อใด แต่ คุณยังสามารถเริ่มเข้าใจด้วยว่า คุณสามารถปรับปรุงอัตราการรักษาได้โดยใช้กระบวนการต่อไปนี้:

1. กำหนดเป้าหมาย: กำหนดเป้าหมายสำหรับกระบวนการ ต้องการลดความปั่นป่วนในระยะสั้นหรือไม่? ระยะยาว? เป้าหมายการเติบโตของคุณคืออะไร?
2. สำรวจ: ตรวจสอบข้อมูลปัจจุบันเพื่อดูว่าสามารถเปลี่ยนแปลงได้ที่ใดเพื่อให้บรรลุเป้าหมายของคุณ
3. สมมติฐาน: ตัดสินใจว่าจะถามคำถามใดและผลลัพธ์ที่เป็นไปได้จากการทดลอง
4. ระดมความคิด: คิดการทดลองที่เป็นไปได้เพื่อทดสอบสมมติฐาน
5. ทดสอบ: ทำการทดสอบต่างๆ เพื่อประเมินสมมติฐาน
6. วิเคราะห์: วิเคราะห์ข้อมูลทดสอบเพื่อดูว่าบรรลุเป้าหมายหรือไม่
7. จัด ระบบ: ทำการเปลี่ยนแปลงในเชิงบวกให้เป็นส่วนหนึ่งของระบบ

ด้วยระบบนี้ คุณสามารถปรับปรุงแอปของคุณอย่างต่อเนื่องและเพิ่มการคงผู้ใช้ไว้ได้ แทนที่จะดูที่ตัวเลขการเลิกใช้โดยรวม คุณกำลังกำหนดเป้าหมายพฤติกรรมเฉพาะและการทดสอบเพื่อดูว่าการสนับสนุนให้ผู้ใช้ใช้พฤติกรรมนั้นช่วยเพิ่มการรักษาได้หรือไม่

ใช้การวิเคราะห์ตามรุ่นเพื่อปรับปรุงการรักษาลูกค้า

สามารถใช้รายงานการวิเคราะห์กลุ่มลูกค้าตามรุ่นลูกค้าเพื่อทดสอบสมมติฐานว่าการเปลี่ยนแปลงผลิตภัณฑ์บางอย่างส่งผลต่อตัวบ่งชี้ประสิทธิภาพหลักของธุรกิจอย่างไร

ตัวอย่างเช่น สมมติว่าคุณเป็นผู้จัดการผลิตภัณฑ์ของแอปเพลง เช่น Spotify และเป้าหมายหลักประการหนึ่งของคุณคือการเพิ่มการรักษาผู้ใช้

คุณอาจตั้งสมมติฐานว่าผู้ใช้ที่แชร์เพลงตามจำนวนที่กำหนดกับเพื่อน ๆ ของพวกเขามีแนวโน้มที่จะกลายเป็นผู้ใช้แอปของคุณอย่างสม่ำเสมอ

ในการทดสอบสมมติฐานนี้ ก่อนอื่น คุณต้องเลือกกลุ่มหรือกลุ่มผู้ใช้ตามวันที่ได้มา จากนั้น คุณแบ่งกลุ่มการได้มานี้ออกเป็นสองส่วนย่อย ในกลุ่มย่อยกลุ่มหนึ่งคือผู้ใช้ที่ใช้คุณลักษณะ 'แชร์เพลง' อย่างน้อยหนึ่งครั้ง กลุ่มย่อยกลุ่มอื่นประกอบด้วยผู้ใช้ที่ไม่ได้ใช้คุณลักษณะ 'แชร์'

สุดท้าย เรียกใช้การวิเคราะห์การเก็บข้อมูลตามการวิเคราะห์เชิงพฤติกรรมของชุดย่อยทั้งสองกลุ่ม

ในกรณีนี้ แผนภูมิการวิเคราะห์ตามการได้มาด้านบนแสดงอัตราการรักษาผู้ใช้ N-day สำหรับผู้ใช้ที่แชร์เพลง (สีน้ำเงิน) เทียบกับผู้ที่ไม่ได้ใช้ (สีเขียว) คุณจะเห็นว่าผู้ใช้ที่ไม่แชร์เพลงมีอัตราการปั่น 77.75% หลังจาก 30 วัน ในขณะเดียวกัน ปั่นสำหรับผู้ใช้ที่เคยใช้คุณลักษณะการแชร์เพียง 31%

นั่นเป็นความแตกต่างที่สำคัญ และชุดข้อมูลนั้นทำให้คุณมีโอกาสตัดสินใจทางธุรกิจที่อาจนำไปสู่รายได้มากขึ้น ตัวอย่างเช่น ในการอัปเดตครั้งถัดไป คุณสามารถปรับแต่งขั้นตอนการเริ่มต้นใช้งานเพื่อแจ้งให้ผู้ใช้ใหม่แชร์เพลง แทนที่จะรอให้พวกเขาค้นพบคุณลักษณะนั้นด้วยตนเอง

ประเภทของข้อมูลกลุ่มประชากรตามรุ่น

ข้อมูลกลุ่มประชากรตามรุ่นมีสามประเภท และแต่ละประเภทมีกรณีการใช้งานที่แตกต่างกัน

กลุ่มการได้มา

กลุ่มการได้มาซึ่งแบ่งผู้ใช้ตามเวลาที่พวกเขาลงชื่อสมัครใช้ผลิตภัณฑ์ของคุณ แอปสำหรับผู้บริโภคอาจจัดกลุ่มตามวันที่สมัคร ในขณะที่เครื่องมือ SaaS มีแนวโน้มที่จะติดตามกลุ่มประชากรตามรุ่นรายเดือนมากกว่า

กลุ่มการได้มาใช้เพื่อติดตามผู้ใช้ใหม่และดูว่าพวกเขายังคงใช้แอปของคุณต่อไปอีกนานเท่าใดหลังจากการโต้ตอบครั้งแรก - ระยะเวลาชีวิตของลูกค้าของคุณ นี่อาจเป็นวิธีที่ยอดเยี่ยมในการทดสอบประสบการณ์การเริ่มต้นใช้งานของคุณ เพื่อให้แน่ใจว่าผู้ใช้เห็นคุณค่าของผลิตภัณฑ์ของคุณอย่างชัดเจนและตั้งแต่เนิ่นๆ ผู้ใช้ใหม่ที่เร็วกว่าจะมี "aha!" ยิ่งมีโอกาสมากที่จะถูกเก็บไว้

กลุ่มพฤติกรรม

กลุ่มตามพฤติกรรมเป็นกลุ่มที่กำหนดเองของผู้ชมของคุณโดยพิจารณาจากพฤติกรรมในอดีตหรือคุณสมบัติของโปรไฟล์ผู้ใช้

ตัวอย่างพฤติกรรมของผู้ใช้รวมถึงการแชร์เพลง การสมัครทดลองใช้งาน หรือการซื้อ คุณสมบัติโปรไฟล์ผู้ใช้คือสิ่งต่างๆ เช่น ข้อมูลประชากร แพลตฟอร์มที่ผู้เยี่ยมชมใช้ หรือวิธีที่มีคนมาที่เว็บไซต์ของคุณ

การรวมกันของพฤติกรรมและคุณสมบัติของโปรไฟล์รวมกันเป็นกลุ่มพฤติกรรม ข้อมูลกลุ่มประชากรตามรุ่นประเภทนี้เป็นวิธีพิจารณาการดำเนินการภายในกรอบเวลาหนึ่งเพื่อระบุประเภทผู้ใช้ที่คล้ายกันสำหรับการวิเคราะห์ การวิเคราะห์ดังกล่าวมักจะเผยให้เห็นว่าผู้ใช้มีส่วนร่วมกับผลิตภัณฑ์ของคุณอย่างไร และการมีส่วนร่วมของผู้ใช้ส่งผลต่อสิ่งต่างๆ เช่น การรักษา อัตรา Conversion หรือตัวชี้วัดสำคัญอื่นๆ ที่มีความสำคัญต่อธุรกิจของคุณอย่างไร

กลุ่มคาดการณ์ล่วงหน้า

กลุ่มผลิตภัณฑ์คาดการณ์ล่วงหน้าจะพิจารณาว่าผู้ใช้คาดหวังจะทำอะไรในอนาคต

ข้อมูลประเภทนี้เหมาะที่สุดสำหรับการพิจารณาว่าผู้ใช้รายใดจะกำหนดเป้าหมายด้วยแคมเปญการตลาดหรือตัดสินใจว่าจะปรับราคาอย่างไรเพื่อเพิ่มโอกาสที่ผู้ใช้จะดำเนินการ

กลุ่มการได้มา: ค้นหาช่วงเวลาที่มีปัญหาในแอปของคุณ

กลุ่มการได้มาซึ่งให้ข้อมูลแก่คุณเกี่ยวกับวงจรชีวิตของลูกค้าของคุณ โดยเฉพาะอย่างยิ่ง ระยะเวลาที่พวกเขาต้องเลิกใช้หลังจากวันที่ได้มา ข้อมูลนี้สามารถช่วยคุณระบุรูปแบบการเลิกราหรือแคมเปญการตลาดที่มีอัตราการแปลงสูง สมมติว่าคุณมีแอปเพลงที่ประสบปัญหาการเลิกใช้งานของผู้ใช้ในแต่ละวัน

ผู้ใช้ในแผนภูมิการรักษาผู้ใช้ด้านบนจะถูกแบ่งออกเป็นกลุ่มรายวัน—ผู้ใช้ที่ลงทะเบียนในวันเดียวกัน คุณจะเห็นว่าผู้ใช้ 11,528 รายสมัครใช้งานแอปเพลงของคุณในวันที่ 16 กรกฎาคม และการรักษาผู้ใช้ในวันที่ 5 อยู่ที่ 49.7% ดังนั้น 1 ใน 2 ของผู้ใช้ที่สมัครใช้งานในวันที่ 16 กรกฎาคม ยังคงเป็นผู้ใช้ที่ใช้งานอยู่ในแอปในวันที่ห้าหลังจากใช้แอปครั้งแรก

วิธีที่ดีที่สุดในการแสดงภาพข้อมูลนี้คือการเปลี่ยนให้เป็นกราฟการวิเคราะห์การเก็บข้อมูล ซึ่งจะแสดงการคงอยู่ของคุณสำหรับกลุ่มประชากรตามรุ่นเหล่านี้เมื่อเวลาผ่านไป เมื่อคุณสร้างแผนภูมิข้อมูลในลักษณะนี้ จะเห็นได้ง่ายเมื่อผู้ใช้ออกจากผลิตภัณฑ์ของคุณ

เส้นโค้งการรักษานี้จะบอกคุณถึงบางสิ่งที่สำคัญในทันที: ผู้ใช้ประมาณหนึ่งในสามหยุดใช้แอปหลังจากวันแรก หลังจากการลดลงครั้งแรกนั้น เส้นโค้งยังคงลดลงอย่างต่อเนื่อง โดยเหลือเพียง 25% ของผู้ใช้ดั้งเดิมที่ยังคงใช้งานแอปในวันที่ 30

ไม่ดีเลย (แม้ว่าจะเป็นเรื่องปกติ—ข้อมูลบางส่วนแสดงให้เห็นว่าแอปโดยเฉลี่ยสูญเสียผู้ใช้ไปเกือบ 60% ภายในเดือนแรก) การเก็บรักษาในช่วงต้นเป็นปัญหาสำคัญ เส้นโค้งในลักษณะนี้บ่งชี้ว่าผู้ใช้ไม่ได้รับคุณค่าหลักจากแอปเร็วพอ ดังนั้นพวกเขาจะจากไป ตอนนี้คุณทราบแล้วว่าคุณจำเป็นต้องปรับปรุงประสบการณ์ใช้งานแอปในช่วงแรกๆ เพื่อให้ผู้ใช้ได้รับคุณค่าหลักของคุณโดยเร็วที่สุด

บรรลุขีดจำกัดของกลุ่มการได้มา

หากแอปของคุณมีเส้นโค้งการคงผู้ใช้ที่แสดงไว้ด้านบน คุณต้องการทราบทันทีว่าจะทำอะไรได้บ้างเพื่อเพิ่มการรักษาผู้ใช้

กลุ่มการได้มาเพียงอย่างเดียวไม่ได้ให้ข้อมูลใดๆ เกี่ยวกับวิธีที่คุณสามารถปรับปรุงประสบการณ์ผู้ใช้เพื่อรักษาผู้ใช้ของคุณ คุณไม่สามารถแยกพฤติกรรมเฉพาะหรือคุณสมบัติของผู้ใช้ได้

กลุ่มการได้มานั้นยอดเยี่ยมในการแสดงแนวโน้มและบอกคุณ เมื่อ มีคนเลิกรา แต่เพื่อให้เข้าใจ ว่าทำไม พวกเขาถึงลาออก คุณต้องหันไปใช้กลุ่มประชากรตามรุ่นประเภทอื่น: กลุ่มตามพฤติกรรม

กลุ่มพฤติกรรม: ค้นพบพฤติกรรมที่ผลักดันการรักษา

นับตั้งแต่ช่วงเวลาที่ผู้ใช้ลงทะเบียนกับผลิตภัณฑ์ของคุณ พวกเขาจะตัดสินใจหลายร้อยครั้ง และแสดงพฤติกรรมเล็กๆ น้อยๆ นับไม่ถ้วนที่นำไปสู่การตัดสินใจที่จะอยู่หรือไป โดยการแบ่งกลุ่มผู้ใช้ของคุณตามพฤติกรรมเหล่านี้ คุณจะได้รับข้อมูลเกี่ยวกับคุณลักษณะที่ผลักดันการเติบโตของผลิตภัณฑ์

เมื่อปรับปรุงการเตรียมความพร้อมผู้ใช้ของคุณเพื่อเพิ่มประสิทธิภาพการรักษา คุณจะต้องระบุวิธีที่มีประสิทธิภาพที่สุดในการทำเช่นนั้น แทนที่จะเลือกว่าจะใช้อะไรทำงานโดยอิงจากเกร็ดเล็กเกร็ดน้อยหรือตัวเลือกแบบสุ่ม กลุ่มตามพฤติกรรมจะช่วยให้คุณตัดสินใจเลือกวิธีการอย่างเป็นระบบและเชิงปริมาณ กลุ่มผู้ใช้ตามพฤติกรรมจะจัดกลุ่มผู้ใช้ตามการกระทำเฉพาะที่พวกเขาได้ทำ (หรือยังไม่ได้ทำ)

ค้นหากลุ่มคนที่เหมาะสม

สำหรับแอปเพลง คุณสามารถสร้างกลุ่มผู้ใช้ที่แตกต่างกันจากการกระทำต่างๆ เช่น การเล่นเพลง การค้นหาศิลปิน หรือการสร้างเพลย์ลิสต์

สมมติว่าคุณต้องการดูการรักษาผู้ใช้ที่ชื่นชอบเพลงในแอป คุณสามารถใช้กลุ่มตามพฤติกรรมเพื่อดูการรักษาผู้ใช้ใหม่ที่ชอบเพลงสามเพลงขึ้นไป:

ในขณะที่เกือบ 60% ของผู้ใช้ทั้งหมด (สีน้ำเงิน) เลิกเล่นภายในหนึ่งวันหลังจากใช้แอป มีเพียง 15% ของผู้ใช้ที่ชื่นชอบเพลงสามเพลงขึ้นไป (สีเขียว) เลิกใช้หลังจากวันแรก

สลับหมู่คณะ

เมื่อคุณทราบแล้วว่าการคงผู้ใช้เปลี่ยนแปลงไปอย่างไรสำหรับผู้ใช้ที่โต้ตอบกับฟีเจอร์โปรด คุณยังสามารถดูได้ว่าการเปลี่ยนแปลงนั้นสำหรับผู้ที่ไม่ชอบ ด้านล่างนี้คือการเก็บรักษาสำหรับผู้ใช้ที่ไม่ชอบเพลง:

ผู้ใช้ที่ไม่ชอบเพลงเลย (สีม่วง) จะมีการรักษาผู้ใช้ที่แย่กว่าส่วนใหญ่ — ผู้ใช้เหล่านี้น้อยกว่า 25% เลิกเล่นหลังจากวันแรก

จากการแสดงภาพอย่างง่ายนี้ คุณจะเห็นว่าการที่ผู้คนได้ฟังเพลงโปรดตั้งแต่เนิ่นๆ ทำให้พวกเขาค้นพบคุณค่าหลักของแอป ซึ่งหมายความว่าพวกเขามีแนวโน้มที่จะดำเนินการต่อในฐานะผู้ใช้มากขึ้น เมื่อคุณมีข้อมูลนี้แล้ว คุณสามารถนำไปใช้ได้จริงโดยเน้นที่คุณลักษณะเพลงโปรดในระหว่างการเริ่มต้นใช้งาน ซึ่งจะส่งผลให้มีผู้ใช้ที่ชื่นชอบเพลงมากขึ้นในช่วงเริ่มต้นเส้นทางของลูกค้า และส่งผลให้อัตราการรักษาผู้ใช้ดีขึ้นในที่สุด

การรวมกลุ่ม

คุณสามารถสร้างกลุ่มตามพฤติกรรมตามการกระทำใดๆ ที่สามารถทำได้ในผลิตภัณฑ์ของคุณ ซึ่งหมายความว่าคุณสามารถเชื่อมโยงการกระทำของผู้ใช้ที่แตกต่างกันจำนวนเท่าใดก็ได้กับอัตราการคงผู้ใช้ไว้

ตัวอย่างเช่น แอปเพลงของคุณมีคุณลักษณะที่ช่วยให้ผู้คนเข้าร่วมชุมชนตามแนวเพลงที่พวกเขาชื่นชอบ คุณสามารถดึงข้อมูลชุดข้อมูลนั้นเพื่อดูว่าช่วยปรับปรุงการรักษาผู้ใช้หรือไม่ หรือเป็นฟังก์ชันที่ไม่สร้างความแตกต่างให้กับมูลค่าตลอดอายุการใช้งาน

ที่นี่คุณจะเห็นว่าการรักษาผู้ใช้เริ่มต้นสำหรับผู้ใช้ที่เข้าร่วมชุมชน (สีม่วง) คล้ายกับผู้ใช้ที่ชื่นชอบเพลง (สีเขียว) แต่จะดีขึ้นเล็กน้อยเมื่อสิ้นสุดวันที่ 30 และดีกว่าผู้ใช้ทั้งหมด (สีน้ำเงิน) มาก

เมื่อผู้ใช้มีส่วนร่วมกับผู้อื่นและค้นหาเพลงที่จะเล่นมากขึ้น พวกเขาก็เริ่มเพลิดเพลินกับแอปมากขึ้นและใช้งานต่อไป คุณอาจจะตั้งสมมติฐานนี้ในกระบวนการเก็บรักษาของคุณ แต่ตอนนี้คุณมีข้อมูลสำรองสมมติฐานของคุณแล้ว

การรวมกลุ่มตามพฤติกรรมต่างๆ เข้าด้วยกันจะช่วยให้คุณเข้าใจความสัมพันธ์ระหว่างคุณลักษณะต่างๆ ของผลิตภัณฑ์ของคุณได้ดีขึ้นและแนวโน้มที่จะผลักดันให้มีการคงผู้ใช้ไว้ได้อย่างไร

ค้นหาชุดค่าผสมที่เหมาะสม

แล้วผู้ใช้ที่ชื่นชอบเพลง และ เข้าร่วมชุมชนล่ะ? เมื่อใช้ Amplitude คุณสามารถกรองการกระทำของคุณเพื่อรวมกลุ่มประชากรตามรุ่นทั้งสองนี้:

อย่างที่คุณเห็น ผู้ใช้ที่แสดงพฤติกรรมทั้งสองนี้มีแนวโน้มที่จะใช้แอปต่อไปในช่วงสองสามสัปดาห์แรก เมื่อสิ้นสุดสัปดาห์แรก การรักษาจะสูงกว่า 75% สำหรับกลุ่มที่ชื่นชอบ + กลุ่มประชากรตามรุ่น (สีน้ำเงิน) ในขณะที่ผู้ใช้ที่ไม่มีพฤติกรรมเหล่านี้ (สีเขียว) จะต่ำกว่า 25%

สัมพันธ์กันไม่ใช่เหตุ

เพียงเพราะคนที่ชอบเพลงและเข้าร่วมชุมชนน้อยลงไม่ได้หมายความว่าการผลักดันให้ผู้คนมีพฤติกรรมเหล่านี้จะลดอัตราการเลิกเล่นของคุณโดยอัตโนมัติ ตัวอย่างเช่น คำกระตุ้นการตัดสินใจให้พวกเขาเข้าร่วม 20 ชุมชนเมื่อสมัครใช้งาน อาจทำให้ผู้คนไม่อยู่

นั่นเป็นเพราะความสัมพันธ์ไม่ได้หมายความถึงสาเหตุ เพลงที่ชื่นชอบและการเข้าร่วมชุมชนอาจ สัมพันธ์ กับการมีส่วนร่วมของผู้ใช้เท่านั้น ไม่ใช่ สาเหตุ ในการพิจารณาสาเหตุ คุณอาจทดสอบ A/B ขั้นตอนการเริ่มต้นใช้งานต่างๆ ที่เน้นเพลงโปรดเพื่อดูว่าจะช่วยเพิ่มการคงผู้ชมไว้หรือไม่

เมื่อคุณมีข้อมูลจากกลุ่มตามพฤติกรรมแล้ว คุณสามารถเริ่มทำการทดสอบโดยใช้เครื่องมือทดสอบ A/B เช่น Amplitude Experiment เพื่อทดสอบพฤติกรรมที่อาจเกี่ยวข้องกับการรักษาผู้ใช้ คุณสามารถดูว่าสิ่งใดใช้ได้ผลและสิ่งใดใช้ไม่ได้ และเพิ่มการคงผู้ใช้ไว้อย่างเป็นระบบ

กลุ่มคาดการณ์ล่วงหน้า: เพิ่ม ROI ทางการตลาดของคุณ

คุณสามารถใช้กลุ่มประชากรตามการคาดคะเนเพื่อกำหนดว่าผู้ใช้มีแนวโน้มที่จะซื้อเพลงในอนาคตมากน้อยเพียงใดโดยพิจารณาจากกลุ่มประชากรตามพฤติกรรมของพวกเขา

วิธีหนึ่งในการตอบคำถามทางธุรกิจนี้คือการหากลุ่มผู้ใช้ใหม่ที่แชร์เพลงในช่วงระยะเวลาหนึ่ง สมมติว่าในช่วง 14 วันที่ผ่านมา และทำการวิเคราะห์การคาดคะเน การวิเคราะห์ประเภทนี้จะได้ผลดีที่สุดหากคุณมีขนาดกลุ่มประชากรตามรุ่นมากกว่า 100,000 คน เนื่องจากคุณต้องการข้อมูลเพียงพอสำหรับโมเดลแมชชีนเลิร์นนิงในการทำนาย หลังจากผ่านไปประมาณ 30 ถึง 60 นาที โมเดลจะจัดอันดับกลุ่มประชากรตามรุ่นที่เฉพาะเจาะจงโดยพิจารณาจากผู้ที่มีแนวโน้มจะดำเนินการตามที่กำหนดมากที่สุด เช่น การซื้อเพลง

อีกครั้ง ตอนนี้คุณมีข้อมูลในแผนภูมิกลุ่มประชากรตามรุ่นอย่างง่ายเพื่อแจ้งการตัดสินใจทางธุรกิจที่มีประสิทธิภาพ ตัวอย่างเช่น คุณสามารถเน้นที่ผู้ใช้ 5% แรกสุดที่มีแนวโน้มจะซื้อเพลงมากที่สุด เลือกกลุ่มประชากรตามรุ่นนั้น นำผู้ใช้เหล่านั้นไปเป็นเครื่องมือของบุคคลที่สาม และกำหนดเป้าหมายพวกเขาสำหรับแคมเปญการตลาด ซึ่งอาจเป็นข้อความแจ้งเตือน อีเมล หรือ SMS เพื่อกระตุ้นให้พวกเขาดำเนินการ ในกรณีนี้การซื้อ

ในเวลาเดียวกัน คุณสามารถดูผู้ใช้ 20% ที่การวิเคราะห์เชิงคาดการณ์ซึ่งพิจารณาแล้วว่ามีแนวโน้มที่จะดำเนินการตามที่คุณต้องการน้อยที่สุด และเลือกที่จะไม่กำหนดเป้าหมายเงินทางการตลาดด้วยวิธีของพวกเขา เนื่องจากไม่น่าจะให้ผลลัพธ์ใดๆ หรือคุณอาจสรุปได้ว่ากลุ่มผู้ใช้ต้องการสิ่งจูงใจที่ต่างออกไปหรือมากกว่านั้น บางทีการส่งคูปองส่วนลด 50% ด้วยวิธีของพวกเขาจะพิสูจน์ได้ว่าเป็นข้อเสนอที่ดีมากที่พวกเขาไม่สามารถปฏิเสธได้

ไม่ว่าจะด้วยวิธีใด คุณสามารถวัดปฏิกิริยาของกลุ่มประชากรตามรุ่นเหล่านี้ที่มีต่อทิศทางใหม่ของคุณ และปรับการลงทุนทางการตลาดของคุณต่อไปตามการวิเคราะห์ของคุณ

เครื่องมือสำหรับการวิเคราะห์ตามการได้มา

ตลาดสมัยใหม่เคลื่อนไหวอย่างรวดเร็ว และธุรกิจที่ไม่สามารถตัดสินใจได้อย่างรวดเร็วโดยอาศัยข้อมูลที่ถูกต้องอาจทำให้สูญเสียรายได้ หากไม่มีเครื่องมือวิเคราะห์ที่เหมาะสม ทีมที่ไม่เกี่ยวข้องกับด้านเทคนิคซึ่งต้องการข้อมูลเพื่อการตัดสินใจทางธุรกิจที่ดีขึ้นจะต้องอาศัยนักวิเคราะห์ข้อมูลและวิศวกรข้อมูล

นั่นอาจหมายถึงการส่งตั๋วกับทีมข้อมูลและรอเป็นวันหรือเป็นสัปดาห์เพื่อให้นักวิเคราะห์ที่ไม่มีเวลาส่งสเปรดชีต จากนั้น ต้องการให้คนในทีมของคุณมีเวลามากพอที่จะรวบรวมข้อมูลนั้นและค้นหาข้อมูลเชิงลึก

แอมพลิจูด: เครื่องมือวิเคราะห์กลุ่มประชากรตามรุ่นที่เหมาะสมช่วยให้การตัดสินใจทางธุรกิจเร็วขึ้นได้อย่างไร

ด้วย Amplitude ผู้จัดการผลิตภัณฑ์และนักการตลาดสามารถตอบคำถามของตนเองได้โดยทำการวิเคราะห์ตามรุ่นแบบบริการตนเองด้วยวิธีใดวิธีหนึ่งจากสามวิธี

1. คุณสามารถสร้างกลุ่มประชากรตามรุ่นภายในแผนภูมิใดก็ได้ใน Amplitude เช่นแผนภูมิการวิเคราะห์การคงอยู่ด้านล่าง ที่นี่ คุณสามารถเลือกลักษณะการทำงานและคุณสมบัติของโปรไฟล์ร่วมกันได้ เช่น ผู้ใช้ที่ชื่นชอบเพลงหรือเข้าร่วมชุมชน

2. คุณยังสามารถใช้ส่วนกลุ่มประชากรตามรุ่นเฉพาะเพื่อสร้างคำจำกัดความตามกลุ่มประชากรตามรุ่นที่กำหนดเองตามพารามิเตอร์เฉพาะของคุณ จากนั้นจึงใช้กลุ่มประชากรตามรุ่นที่กำหนดเองนี้ในแผนภูมิอื่นๆ ตัวอย่างเช่น กลุ่มประชากรตามรุ่นด้านล่างแสดงผู้ใช้ใหม่ที่ใช้งาน iOS ซึ่งแชร์เพลงป๊อปหรือร็อคในช่วง 30 วันที่ผ่านมา

3. คุณสามารถสร้างกลุ่มประชากรตามรุ่นตามจุดข้อมูลเดียวที่พบในแผนภูมิใดก็ได้ ตัวอย่างเช่น คุณสามารถระบุผู้ใช้ใหม่จากการเปิดตัวผลิตภัณฑ์ในวันที่ 26 กรกฎาคม

ในท้ายที่สุด เครื่องมือวิเคราะห์กลุ่มประชากรตามรุ่นที่ดีจะช่วยให้ทีมที่ไม่ใช่ด้านเทคนิคสามารถถามและตอบคำถามได้ การนำข้อมูลนั้นมาไว้ในมือโดยตรงทำให้พวกเขาเข้าใจผู้ใช้ผลิตภัณฑ์ได้ดีขึ้น และข้อมูลที่ดีขึ้นเพื่อขับเคลื่อนผลลัพธ์ทางธุรกิจ

เครื่องมือวิเคราะห์ตามรุ่นอื่นๆ

นอกจาก Amplitude แล้ว ยังมีเครื่องมือมากมายในตลาดที่อนุญาตให้ผู้จัดการผลิตภัณฑ์และนักการตลาดทำการวิเคราะห์ตามรุ่นได้ ซึ่งรวมถึง:

• Contentsquare
• เรื่องเต็ม
• กำไร PX
• กล่องแก้ว
• กอง
• LogRocket
• มิกซ์พาเนล
• เพนโด
• Smartlook

เรียนรู้เพิ่มเติมเกี่ยวกับเครื่องมือเหล่านี้และเครื่องมือวิเคราะห์ตามรุ่นอื่นๆ ในเว็บไซต์ตรวจสอบซอฟต์แวร์ เช่น G2

ตัวอย่างการวิเคราะห์ตามการได้มา

ต่อไปนี้คือตัวอย่างวิธีที่ลูกค้าของ Amplitude ทำการวิเคราะห์ตามรุ่นเพื่อสร้างผลลัพธ์ทางธุรกิจ

สงบ: ตัวอย่างการวิเคราะห์ตามการได้มาเพื่อการรักษาผู้ใช้ไว้

ตามลางสังหรณ์ Calm ใช้กลุ่มพฤติกรรมเพื่อทดสอบการรักษาผู้ใช้ที่ตั้งค่าการเตือนความจำรายวันในแอปการทำสมาธิเมื่อเทียบกับผู้ที่ไม่ได้ใช้คุณลักษณะนี้ พวกเขาค้นพบการรักษาที่เพิ่มขึ้น 3 เท่าสำหรับผู้ใช้ที่ตั้งค่าการเตือนรายวัน

การเตือนความจำนั้นหาได้ไม่ง่ายนัก ดังนั้นจึงมีโอกาสที่ผู้ใช้ที่ชอบแอปนี้ที่สุดด้วยเหตุผลอื่นเพียงแค่เจาะเข้าไปในเมนูเพิ่มเติมและพบฟีเจอร์นี้ เพื่อทดสอบว่านี่เป็นความสัมพันธ์หรือสาเหตุ Calm ได้เปลี่ยนบทแนะนำการเริ่มต้นใช้งานเพื่อกระตุ้นให้ผู้ใช้ใหม่บางคนตั้งค่าการเตือนความจำและปล่อยให้ผู้ใช้ครั้งแรกคนอื่นๆ เป็นกลุ่มควบคุม

อัตราการคงอยู่ 3 เท่าในระหว่างการทดสอบ ดังนั้น Calm จึงรวมข้อความเตือนให้ตั้งค่าการเตือนรายวันในการอัปเดตทั่วทั้งแอปครั้งถัดไป

รากฐานที่สำคัญ: ตัวอย่างการวิเคราะห์ตามการได้มาเพื่อการตัดสินใจที่รวดเร็วขึ้น

Cornerstone ได้เปลี่ยนเวิร์กโฟลว์การจัดการผลิตภัณฑ์ด้วยความช่วยเหลือของ Amplitude ก่อนหน้านี้ ผู้จัดการผลิตภัณฑ์ต้องขอข้อมูลจากวิศวกร

วิศวกรเหล่านั้นจะจัดทำรายงานกลุ่มประชากรตามรุ่นพร้อมสเปรดชีตที่เต็มไปด้วยข้อมูล ซึ่งกำหนดให้พนักงานประจำต้องเจาะลึกข้อมูลและรวบรวมข้อมูลเชิงลึกที่อาจนำไปสู่ผลลัพธ์ทางธุรกิจที่ดีขึ้น

กระบวนการทั้งหมดอาจใช้เวลาหลายวัน หรือสัปดาห์ ตอนนี้ ผู้จัดการผลิตภัณฑ์สามารถดึงข้อมูลเดียวกันได้ในเวลาไม่กี่นาที และใช้ข้อมูลเชิงลึกเพื่อตัดสินใจอย่างรวดเร็ว

วิธีเริ่มต้นใช้งานการวิเคราะห์ตามการได้มา

การตั้งค่าการวิเคราะห์ตามรุ่นของคุณเองด้วยเครื่องมือวิเคราะห์ตามรุ่นอย่าง Amplitude นั้นง่ายมาก:

1. ดูการรักษาของคุณตามกลุ่มการได้มาซึ่งลูกค้า ซึ่งจะแสดงให้คุณเห็นเมื่อผู้ใช้เลิกใช้งาน
2. กำหนดเหตุการณ์สำหรับการกระทำหลักของผู้ใช้บางแอปของคุณ แล้วดึงกลุ่มตามพฤติกรรมของคุณขึ้นมา วิเคราะห์กลุ่มตามพฤติกรรมของคุณโดยเปรียบเทียบ กลับด้าน และรวมเข้าด้วยกัน ใช้สิ่งนั้นกับการเรียนรู้ของคุณจากการดูกลุ่มการได้มาเพื่อสร้างสมมติฐานเกี่ยวกับการดำเนินการที่คุณสามารถเน้นในระหว่างส่วนเฉพาะของการเดินทางของลูกค้าเพื่อผลักดันการรักษา
3. ทำการเปลี่ยนแปลงแอปของคุณ โดยใช้การทดสอบ A/B กับ Amplitude Experiment หากคุณมีปริมาณการใช้งานสูงเพียงพอ เพื่อดูว่าการกระตุ้นการทำงานบางอย่างในแอปของคุณทำให้ผู้ใช้กลับมาอีกหรือไม่
4. ประมวลผลการเรียนรู้ของคุณและทำซ้ำ

ด้วยกลุ่มตามพฤติกรรมของ Amplitude คุณสามารถดูพฤติกรรมเฉพาะของลูกค้าและเริ่มทำการตัดสินใจโดยใช้ข้อมูลเพื่อปรับปรุงประสบการณ์ของพวกเขากับผลิตภัณฑ์ของคุณ

ลองใช้การวิเคราะห์ตามรุ่นวันนี้ด้วย แผน Amplitude ฟรี หรือดู คู่มือการเรียนรู้ Mastering Retention เพื่อเรียนรู้ว่าคุณจะเพิ่มการรักษาคนต่อไปได้อย่างไร

อ้างอิง

• คู่มือขั้นสุดท้ายเกี่ยวกับพฤติกรรมตามรุ่น แอมพลิจูด
• คำแนะนำทีละขั้นตอนสำหรับการวิเคราะห์ตามการได้มาและการลดอัตราการเลิกใช้งาน แอมพลิจูด
• การวิเคราะห์ตามการได้มา – สิ่งที่คุณทำได้ด้วยกลุ่มการได้มา ซารัส.
• รายงานเกณฑ์มาตรฐานแอพมือถือปี 2019 เพื่อแจ้งกลยุทธ์ปี 2020 ของคุณ ที่สูง
• การใช้การวิเคราะห์ตามการได้มาเพื่อการเพิ่มประสิทธิภาพการแปลง สเปียโร