Kohort Analizi: Kaybı Azaltın ve Elde Tutmayı İyileştirin

Kohort analizi, belirli bir kullanıcı grubunun veya segmentinin bir ürünle nasıl etkileşime girdiğine veya önceki davranışlarına göre bir ürünle nasıl etkileşime girmesinin beklendiğine ilişkin bir işletme sorusunu yanıtlar. Davranışsal veriler elde ederek ve bunları gruplara ayırarak analiz etmek daha kolay hale gelir.

Gruplar, belirli bir süre boyunca belirli özellikleri ve kullanım kalıplarını paylaşan kullanıcı gruplarıdır. Bunlar, kullanım süresi, kaydolan özellikler veya tamamlanan hedef sayısı gibi şeyleri içerebilir. Gruplar, kullanıcı tabanınızı segmentlere ayırmanıza ve yaşam döngüleri boyunca ürününüzle etkileşim biçimleri hakkında veri toplamanıza yardımcı oldukları için yararlıdır.

İşletmeler, kullanıcı davranışını anlamak ve müşteriyi elde tutma oranını artırmak için kohort analizini kullanmalıdır. Elde ettiğiniz veriler, yeni müşterilerin bağlı kalmalarına neden olan şeyleri ve bu müşterilerin müşterilerini kaybetmelerinin yaygın nedenlerinden bazılarını anlamanın harika bir yoludur.

Kohort analizi nedir?

Bir grup, ortak profil özelliklerini, davranışları veya her ikisini paylaşan bir grup veya kullanıcı segmentidir. Örneğin:

• iOS cihazlarına sahip kullanıcılar
• Geçen hafta her gün giriş yapan kullanıcılar
• Geçen hafta her gün giriş yapan iOS cihazlarına sahip kullanıcılar

Tipik olarak, bir ürün yöneticisi veya pazarlamacı, kohort analizini isteyen bir iş sorusu sorar. Bu sorular ürün etkileşimi, dönüşüm veya elde tutma etrafında dönebilir.

• Etkileşim , insanların uygulamanızda gerçekleştirdiği eylemler için kullanılan terimdir. Bu, bir oyunda bir karakterin seviyesini yükseltmek, bir fitness uygulamasında toplulukla bir antrenmanı paylaşmak veya bir müzik uygulamasında bir şarkı çalmak olabilir.
• Dönüşüm nihai hedeftir. Kohort analizi, yeni özellikler veya indirimli fiyatlar gibi farklı dönüşüm teşviklerinin etkili olup olmadığına karar vermek için kullanılabilir.
• Tutma , uygulamanıza tekrar tekrar gelen kişileri ifade eder.

Yukarıdaki örnek çizelgede, iki farklı grup için kullanıcı yolculuğunu görebilirsiniz; bir şarkıyı paylaşan kullanıcılar (yeşil) ve paylaşmayanlar (mavi). Bir şarkıyı paylaşan kullanıcı grubu daha yüksek etkileşim ve dönüşüm elde etti.

Şimdi, ürün yöneticilerinin müşteri kaybını azaltmalarına ve elde tutma oranlarını iyileştirmelerine yardımcı olmak için kohort analizinin nasıl kullanılabileceğine daha yakından bakalım.

Müşteri kaybını önlemenin önemi

Günlük veya aylık aktif kullanıcılar (DAU ve MAU) gibi metrikler büyüme nedeniyle yüksek oranda çarpıtıldığı için kohort analizi kritik öneme sahiptir. Uygulamanız hızla büyüyorsa, yeni kullanıcı kayıtları, mevcut kullanıcılarınızın bıraktığı yeri gizleyecektir. Mevcut müşterilerinizi yenilerini kazandığınız kadar hızlı veya ondan daha hızlı kaybederseniz, satın alma kanallarınızın ne kadar verimli olduğunun bir önemi yoktur.

Bu nedenle, bir kayıp oranı kohort analizi yapmak, işletmenizin sağlığını iyileştirmenin en etkili yollarından biridir. Tekrar satın alma yapan müşteriler, bir işletmenin istikrarlı bir gelir elde etmesine ve yeni müşteriler çekmenin maliyetlerini dengelemesine yardımcı olur.

Uygulamalar İşletmesi'ne göre, mobil uygulamalar için yükleme başına reklam maliyeti 5,28 ABD dolarına ulaştı. Daha uzun bir müşteri yaşam döngüsü, bu yatırım için daha yüksek temettü öder.

Kohort analizini kullanarak bir elde tutma stratejisi nasıl oluşturulur?

Grup analizinin en güçlü yönü, yalnızca müşterilerin ne zaman ve ne zaman ayrıldığını görmekle kalmayıp, aynı zamanda müşterilerinizin uygulamanızdan neden ayrıldığını da anlamaya başlayabilmeniz ve böylece sorunu çözebilmenizdir. Aşağıdaki süreci uygulayarak elde tutma oranınızı artırabilirsiniz:

1. Hedefler belirleyin: Süreç için bir hedef belirleyin. Kısa vadede karmaşayı azaltmak istiyor musunuz? Uzun vadeli mi? Büyüme hedefiniz nedir?
2. Keşfedin: Hedefinize ulaşmak için nerelerde değişiklik yapılabileceğini görmek için mevcut verileri inceleyin.
3. Hipotez kurun: Hangi soruların sorulacağına ve deneylerin olası sonuçlarına karar verin.
4. Beyin fırtınası: Hipotezleri test etmek için olası deneyler tasarlayın.
5. Test: Hipotezleri değerlendirmek için farklı testler yapın.
6. Analiz et: Hedeflere ulaşılıp ulaşılmadığını görmek için test verilerini analiz edin.
7. Sistemleştirme : Herhangi bir olumlu değişikliği sistemin bir parçası haline getirin.

Bu sistem sayesinde uygulamanızı sürekli olarak iyileştirebilir ve elde tutma oranını artırabilirsiniz. Toplu bir kayıp sayısına bakmak yerine, belirli bir davranışı hedefliyorsunuz ve kullanıcıları bu davranışı benimsemeye teşvik etmenin elde tutmayı iyileştirip iyileştirmediğini görmek için test ediyorsunuz.

Müşteriyi elde tutmayı iyileştirmek için kohort analizini kullanma

Bir müşteri grubu analiz raporu, belirli ürün değişikliklerinin bir işletme için temel performans göstergelerini nasıl etkilediğine dair bir hipotezi test etmek için kullanılabilir.

Örneğin, Spotify gibi bir müzik uygulamasının ürün yöneticisi olduğunuzu ve birincil hedeflerinizden birinin kullanıcı tutma oranını artırmak olduğunu varsayalım.

Arkadaşlarıyla belirli sayıda şarkı paylaşan kullanıcıların uygulamanızın düzenli, kalıcı kullanıcıları olma olasılığının daha yüksek olduğu hipotezini oluşturabilirsiniz.

Bu hipotezi test etmek için önce, edinme tarihlerine göre bir grup veya kullanıcı grubu seçersiniz. Ardından, bu edinme kohortunu iki alt kümeye bölersiniz. Bir kohort alt kümesinde, 'şarkıyı paylaş' özelliğini en az bir kez kullanan kullanıcılar bulunur. Diğer kohort alt kümesi, 'paylaş' özelliğini kullanmayan kullanıcıları içerir.

Son olarak, bu iki kohort alt kümesinin davranış analitiğine dayalı bir alıkoyma analizi yapın.

Bu durumda, yukarıdaki kohort analiz tablosu, bir şarkı paylaşan kullanıcıların (mavi) paylaşmayanlara (yeşil) kıyasla N günlük elde tutma oranlarını gösterir. Bir şarkı paylaşmayan kullanıcıların 30 gün sonra %77,75'lik bir kayıp oranına sahip olduğunu görebilirsiniz. Bu arada, paylaşım özelliğini kullanan kullanıcılar için kayıp sadece %31'dir.

Bu önemli bir fark ve bu veri seti artık size daha fazla gelir getirebilecek bir iş kararı verme şansı veriyor. Örneğin, bir sonraki güncellemede, yeni kullanıcılardan bu özelliği kendi başlarına keşfetmelerini beklemek yerine bir şarkıyı paylaşmalarını istemek için işe alım akışınızda ince ayar yapabilirsiniz.

Kohort veri türleri

Üç tür kohort verisi vardır ve bunların her birinin farklı kullanım durumları vardır.

Edinme grupları

Edinme grupları, kullanıcıları ürününüze ne zaman kaydolduklarına göre böler. Bir tüketici uygulaması, grupları kaydoldukları güne göre gruplayabilirken, bir SaaS aracının aylık grupları izlemesi daha olasıdır.

Edinme grupları, yeni kullanıcıları izlemek ve ilk etkileşimlerinden sonra uygulamanızı ne kadar süreyle kullanmaya devam ettiklerini (müşterinizin kullanım ömrünün uzunluğu) görmek için kullanılır. Bu, kullanıcıların ürününüzün değerini net ve erken görmelerini sağlamak için ilk katılım deneyiminizi denemenin harika bir yolu olabilir. Yeni kullanıcılar ne kadar erken "aha!" an, tutulmaları daha olasıdır.

davranış grupları

Davranış grupları, geçmiş davranışların veya kullanıcı profili özelliklerinin herhangi bir kombinasyonuna dayalı olarak hedef kitlenizin özel bir segmentidir.

Bazı kullanıcı davranışları örnekleri arasında şarkı paylaşma, deneme sürümüne kaydolma veya satın alma yer alır. Kullanıcı profili özellikleri, demografi, bir ziyaretçinin hangi platformu kullandığı veya birinin web sitenize nasıl geldiği gibi şeylerdir.

Davranışların ve profil özelliklerinin birleşimi toplu olarak davranışsal bir kohort oluşturur. Bu tür kohort verileri, analiz için benzer kullanıcı türlerini belirlemek için belirli bir zaman çerçevesi içindeki eylemlere bakmanın bir yoludur. Bu analiz, genellikle kullanıcıların ürününüzle nasıl etkileşimde bulunduğunu ve bu kullanıcı katılımının elde tutma, dönüşüm oranı veya işletmeniz için önemli olan diğer temel göstergeler gibi şeyleri nasıl etkilediğini ortaya çıkarır.

tahmine dayalı kohortlar

Tahmine dayalı kohortlar, bir kullanıcının gelecekte ne yapması beklendiğine bakar.

Bu tür veriler, bir pazarlama kampanyasıyla hangi kullanıcıların hedefleneceğini belirlemek veya bir kullanıcının işlem yapma şansını artırmak için fiyatlandırmayı nasıl ayarlayacağınıza karar vermek için en iyisidir.

Edinme grupları: Uygulamanızda sorunlu anları bulma

Edinme grupları, müşterilerinizin yaşam döngüsü hakkında, özellikle de satın alma tarihlerinden sonra ne kadar sürede vazgeçtikleri hakkında bilgi verir. Bu bilgiler, dönüşüm oranları yüksek olan pazarlama kampanyalarını veya kayıp kalıplarını belirlemenize yardımcı olabilir. Diyelim ki, kullanıcıların her gün bırakmasıyla ilgili bir kayıp sorunu yaşayan bir müzik uygulamanız var.

Yukarıdaki elde tutma çizelgesindeki kullanıcılar, aynı gün kaydolan kullanıcılar olan günlük gruplara ayrılmıştır. 16 Temmuz'da müzik uygulamanıza 11.528 kullanıcının kaydolduğunu ve 5. Günde elde tutma oranının %49,7 olduğunu görebilirsiniz. Bu nedenle, 16 Temmuz'da kaydolan her iki kullanıcıdan biri, uygulamayı ilk kez kullandıktan sonraki beşinci günde uygulamada hâlâ etkin kullanıcılardı.

Bu bilgiyi görselleştirmenin en iyi yolu, zaman içinde bu kohortlar için elde tutma oranınızı gösteren bir alıkoyma analizi eğrisine dönüştürmektir. Verilerinizi bu şekilde grafiklendirdiğinizde, kullanıcıların ürününüzden ne zaman ayrıldığını görmek kolaylaşır.

Bu elde tutma eğrisi size hemen önemli bir şey söylüyor: Kullanıcıların yaklaşık üçte biri ilk günden sonra uygulamayı kullanmayı bırakıyor. Bu ilk düşüşün ardından, eğri istikrarlı bir şekilde azalmaya devam ediyor ve orijinal kullanıcıların yalnızca %25'inden biraz fazlasının 30. günde uygulamada hala aktif olmasını sağlıyor.

Bu harika değil (her ne kadar yaygın olsa da - bazı veriler ortalama bir uygulamanın kullanıcılarının yaklaşık %60'ını ilk ay içinde kaybettiğini gösteriyor). Erken elde tutma önemli bir sorundur. Bunun gibi bir eğri, kullanıcıların uygulamadan temel değeri yeterince hızlı bir şekilde almadıklarını ve bu nedenle ayrıldıklarını gösterir. Artık kullanıcıları temel değerinize mümkün olduğunca çabuk ulaştırmak için erken uygulama deneyimini iyileştirmeniz gerektiğini biliyorsunuz.

Edinme kohortlarının sınırlarını zorlamak

Uygulamanız yukarıda gösterilen tutma eğrisine sahipse, tutma oranınızı artırmak için neler yapabileceğinizi hemen öğrenmek istersiniz.

Edinme grupları tek başına, kullanıcılarınızı elde tutmak için kullanıcı deneyimini nasıl iyileştirebileceğiniz konusunda herhangi bir bilgi vermez. Belirli davranışları veya kullanıcı özelliklerini ayıramazsınız.

Edinme grupları size eğilimleri göstermek ve insanların ne zaman çalkalandığını söylemek için harikadır, ancak onların neden ayrıldığını anlamak için başka bir kohort türüne dönmeniz gerekir: davranışsal kohortlar.

Davranış grupları: Hangi davranışların elde tutmayı sağladığını keşfedin

Kullanıcılar ürününüze kaydoldukları andan itibaren yüzlerce karar verirler ve kalma ya da gitme kararlarına yol açan sayısız küçük davranış sergilerler. Kullanıcılarınızı bu davranışlara göre segmentlere ayırarak, ürününüzdeki hangi özelliklerin büyümeyi sağladığı hakkında bilgi edinebilirsiniz.

Tutmayı optimize etmek için kullanıcı katılımınızı yeniden işlerken, bunu yapmanın en etkili yolunu belirlemeniz gerekir. Anekdotlara veya rastgele seçimlere dayanarak neyin üzerinde çalışılacağını seçmek yerine, davranışsal kohortlar, bir yaklaşıma sistematik ve nicel olarak karar vermenizi sağlar. Davranış grupları, kullanıcıları yaptıkları (veya yapmadıkları) belirli eylemlere göre gruplandırır.

Doğru kohortları bulmak

Müzik uygulamanız için şarkı çalma, sanatçı arama veya çalma listesi oluşturma gibi işlemlerden farklı kullanıcı grupları oluşturabilirsiniz.

Diyelim ki uygulamada favori şarkıları seçen kullanıcıların elde tutma oranını görmek istiyorsunuz. Üç veya daha fazla şarkıyı favorilerine eklemiş yeni kullanıcıları elde tutma durumuna bakmak için davranışsal grupları kullanabilirsiniz:

Tüm kullanıcıların (mavi) neredeyse %60'ı uygulamayı kullandıktan sonraki bir gün içinde uygulamayı kullanmayı bırakırken, üç veya daha fazla şarkıyı (yeşil) beğenen kullanıcıların yalnızca yaklaşık %15'i ilk günden sonra bırakıyor.

kohortları ters çevirme

Artık favori özellikle etkileşime giren kullanıcılar için elde tutmanın nasıl değiştiğini bildiğinize göre, kullanmayanlar için nasıl değiştiğine de bakabilirsiniz. Aşağıda, bir şarkıyı favorilerine eklemeyen kullanıcılar için saklama bilgileri verilmiştir:

Bir şarkıyı hiç sevmeyen (mor) kullanıcıların akılda tutma oranı çoğu kişiden daha kötü - bu kullanıcıların %25'inden azı ilk günden sonra uygulamayı kullanmayı bırakıyor.

Bu basit görselleştirmeden, insanları en sevdikleri şarkılara deneyimlerinin erken evrelerinde ulaştırmanın, onların uygulamanın temel değerini keşfetmelerine olanak tanıdığını, yani kullanıcı olarak devam etme olasılıklarının daha yüksek olduğunu görebilirsiniz. Artık bu verilere sahip olduğunuza göre, işe alım sırasında favori şarkıların özelliğini vurgulayarak bunları eyleme geçirebilirsiniz. Bu, daha fazla kullanıcının müşteri yolculuklarının başlarında şarkıları tercih etmesine ve sonuç olarak daha iyi tutma oranlarına yol açacaktır.

kohortları birleştirmek

Ürününüzde gerçekleştirilebilecek herhangi bir eyleme dayalı davranış grupları oluşturabilirsiniz. Bu, istediğiniz sayıda farklı kullanıcı işlemini kullanıcı tutma oranlarıyla ilişkilendirebileceğiniz anlamına gelir.

Örneğin, müzik uygulamanız, insanların en sevdikleri türlere göre topluluklara katılmasına olanak tanıyan bir özelliğe sahiptir. Tutmayı iyileştirmeye yardımcı olup olmadığını veya yaşam boyu değerinde hiçbir fark yaratmayan bir işlevsellik olup olmadığını görmek için bu veri kümesini ayıklayabilirsiniz.

Burada, topluluklara katılan kullanıcılar için ilk elde tutma oranının (mor), favori şarkıları olan kullanıcılara (yeşil) benzer olduğunu, ancak 30. günün sonunda biraz daha iyi olduğunu ve tüm kullanıcılardan (mavi) çok daha iyi olduğunu görebilirsiniz.

Kullanıcılar diğer insanlarla etkileşime girdikçe ve çalacak daha fazla müzik buldukça, uygulamadan daha çok zevk almaya ve kullanmaya devam etmeye başlarlar. Tutma sürecinizde muhtemelen bunu varsayacaksınız, ancak şimdi hipotezinizi destekleyecek verileriniz var.

Farklı davranış gruplarını birleştirmek, ürününüzün farklı özellikleri arasındaki ilişkileri ve bunların elde tutmayı nasıl artıracağını daha iyi anlamanızı sağlar.

Doğru kombinasyonları bulma

Şarkıları beğenen ve topluluklara katılan kullanıcılar ne olacak? Genlik'i kullanarak, bu iki kohortu birleştirmek için eylemlerinizi filtreleyebilirsiniz:

Gördüğünüz gibi, bu davranışların her ikisini de sergileyen kullanıcıların uygulamayı ilk birkaç hafta içinde kullanmaya devam etme olasılıkları çok daha yüksek. İlk haftanın sonunda, favori + topluluk grubu (mavi) için elde tutma oranı %75'in üzerindeyken, bu davranışlardan herhangi birine sahip olmayan kullanıcılar için (yeşil) %25'in altındadır.

Nedensellik değil korelasyon

Şarkıları seven ve topluluklara katılan kişilerin daha az çaldığı için, insanları bu davranışlara yönlendirmenin otomatik olarak müzik çalma oranınızı azaltacağı anlamına gelmez. Örneğin, kaydolduktan sonra 20 topluluğa katılmalarını sağlayan bir harekete geçirici mesaj, muhtemelen insanları uzaklaştıracaktır.

Çünkü korelasyon nedensellik anlamına gelmez. Şarkıları favorilere eklemek ve topluluklara katılmak, yalnızca kullanıcı katılımıyla ilişkilendirilebilir , buna neden olmaz. Nedeni belirlemek için, şarkıların favorilere eklenmesini vurgulayan farklı katılım akışlarını A/B testi yaparak kalıcılığı artırıp artırmadığını görebilirsiniz.

Tahmine dayalı kohortlar: Pazarlama yatırım getirinizi artırın

Bir kullanıcının davranış gruplarına göre gelecekte bir şarkı satın alma olasılığını belirlemek için tahmine dayalı kohortları kullanabilirsiniz.

Bu iş sorusunu yanıtlamanın bir yolu, belirli bir süre boyunca, diyelim ki son 14 gün içinde bir şarkı paylaşan yeni kullanıcılardan oluşan bir grup almak ve bir tahmin analizi yapmaktır. Bu tür bir analiz, 100.000'den fazla kullanıcıdan oluşan bir kohort boyutunuz varsa en iyi sonucu verir çünkü makine öğrenimi modelinin tahmin yapması için yeterli veriye ihtiyacınız vardır. Yaklaşık 30 ila 60 dakika sonra model, şarkı satın almak gibi belirli bir eylemi gerçekleştirme olasılığı en yüksek olan kişiye göre belirli grupları sıralayacaktır.

Yine, etkili bir iş kararı vermek için artık basit bir kohort grafiğinde verileriniz var. Örneğin, bir şarkı satın alma olasılığı en yüksek olan ilk %5'lik dilime odaklanabilirsiniz. Bu grubu seçin, bu kullanıcıları üçüncü taraf bir araca yerleştirin ve onları bir pazarlama kampanyası için hedefleyin. Bu, onları harekete geçmeye teşvik etmek için bir anında iletme bildirimi, bir e-posta veya bir SMS uyarısı olabilir. Bu durumda, bir satın alma yapmak.

Aynı zamanda, tahmine dayalı analizin tercih ettiğiniz eylemi gerçekleştirme olasılığının en düşük olduğu ve herhangi bir sonuç verme olasılığı düşük olduğundan, kendi yöntemleriyle herhangi bir pazarlama dolarını hedeflememeyi tercih ettiği belirlenen kullanıcıların %20'sine bakabilirsiniz. Alternatif olarak, kullanıcı grubunun yalnızca farklı veya daha büyük bir teşvike ihtiyacı olduğu sonucuna varabilirsiniz. Belki de yollarına %50 indirim kuponu göndermek, reddedemeyecekleri kadar iyi bir teklif olduğunu kanıtlayacaktır.

Her iki durumda da, bu kohortların yeni yönünüze tepkisini ölçebilir ve analizinize göre pazarlama yatırımlarınızı ayarlamaya devam edebilirsiniz.

Kohort analizi için araçlar

Modern pazarlar hızlı hareket ediyor ve doğru verilere dayanarak hızlı kararlar alamayan işletmeler gelir kaybetmeye devam ediyor. Doğru analitik araçları olmadan, daha iyi iş kararları almak için verilere ihtiyaç duyan teknik olmayan ekipler, veri analistlerine ve veri mühendislerine güvenmelidir.

Bu, veri ekibiyle bir bilet göndermek ve zaman sıkıntısı çeken analistlerin elektronik tabloları teslim etmesi için günler hatta haftalar beklemek anlamına gelebilir. Ardından, ekibinizden birinin bu verileri taramak ve içgörüleri aramak için yeterli zamana sahip olması gerekir.

Genlik: Doğru kohort analiz aracı iş kararlarını nasıl hızlandırır?

Amplitude ile ürün yöneticileri ve pazarlamacılar, self servis kohort analizini üç yoldan biriyle gerçekleştirerek kendi sorularını yanıtlayabilir.

1. Aşağıdaki Tutma Analizi tablosu gibi, Genlik'teki herhangi bir grafikte bir kohort oluşturabilirsiniz. Burada, bir şarkıyı beğenen veya bir topluluğa katılan kullanıcılar gibi herhangi bir davranış ve profil özelliği kombinasyonunu seçebilirsiniz.

2. Belirli parametrelerinize dayalı olarak özel grup tanımları oluşturmak için özel bir Kohortlar bölümünü de kullanabilirsiniz. Bu özel kohort daha sonra diğer grafiklerde kullanılabilir. Örneğin, aşağıdaki grup, son 30 gün içinde bir pop veya rock şarkısı paylaşan iOS'ta yeni, aktif kullanıcıları gösterir.

3. Herhangi bir grafikte bulunan tek bir veri noktasına dayalı bir kohort oluşturabilirsiniz. Örneğin, 26 Temmuz'daki bir ürün lansmanından yeni kullanıcıları belirleyebilirsiniz.

Sonuç olarak, iyi bir kohort analiz aracı, teknik olmayan ekiplerin soru sormasını ve cevap vermesini sağlar. Bu bilgileri doğrudan ellerine vermek, ürün kullanıcılarını daha iyi anlamalarını ve iş sonuçlarını yönlendirmek için daha iyi verileri sağlar.

Diğer kohort analiz araçları

Amplitude'ün yanı sıra, pazarda ürün yöneticilerinin ve pazarlamacıların kohort analizi yapmasına olanak tanıyan pek çok araç vardır:

• İçindekiler
• Tüm hikaye
• Kazanç görüş PX'i
• Cam kutu
• Yığın
• LogRocket
• karışık panel
• Pendo
• Akıllı görünüm

G2 gibi bir yazılım inceleme sitesinde bunlar ve diğer kohort analiz araçları hakkında daha fazla bilgi edinin.

Kohort analizi örnekleri

Amplitude müşterilerinin iş sonuçları üretmek için kohort analizini nasıl gerçekleştirdiğine dair bazı örnekler.

Sakin: Tutma için kohort analizi örneği

Bir önseziye göre, Calm, meditasyon uygulamasında günlük hatırlatıcılar ayarlayan kullanıcıların, özelliği kullanmayanlara kıyasla akılda kalmasını test etmek için davranışsal kohortlar kullandı. Günlük hatırlatıcılar ayarlayan kullanıcılar için elde tutma oranında 3 kat artış keşfettiler.

Hatırlatıcıyı bulmak kolay değildi, bu nedenle uygulamayı başka bir nedenle en çok beğenen kullanıcıların menülere daha fazla girip özelliği bulma şansı vardı. Bunun korelasyon mu yoksa nedensellik mi olduğunu test etmek için Calm, bazı yeni kullanıcıları bir hatırlatıcı ayarlamaya teşvik etmek için işe alım eğitimini değiştirdi ve diğer ilk kullanıcıları bir kontrol grubu olarak bıraktı.

Bu 3 kat tutma oranı deney sırasında tutuldu, bu nedenle Calm, uygulama genelindeki bir sonraki güncellemesine günlük hatırlatıcılar ayarlama istemini dahil etti.

Köşe Taşı: Daha hızlı kararlar için kohort analizi örneği

Cornerstone, Amplitude'ün yardımıyla ürün yönetimi iş akışını dönüştürdü. Daha önce, ürün yöneticileri mühendislerden veri talep etmek zorundaydı.

Bu mühendisler, tam zamanlı bir çalışanın bilgileri gözden geçirmesini ve daha iyi iş sonuçlarına yol açabilecek içgörüler toplamasını gerektiren bilgilerle dolu elektronik tablolar içeren bir kohort raporu sunacaktı.

Tüm süreç günler alabilir. Veya haftalar. Artık ürün yöneticileri aynı verileri dakikalar içinde alabilir ve hızlı kararlar almak için içgörüleri kullanabilir.

Kohort analizine nasıl başlanır?

Amplitude gibi bir kohort analiz aracıyla kendi kohort analizinizi kurmak basittir:

1. Müşteri edinme kohortuna göre elde tutma oranınıza bir göz atın. Bu, kullanıcıların ne zaman ayrıldığını size gösterecektir.
2. Uygulamanızın temel kullanıcı işlemlerinden birkaçı için olayları tanımlayın ve ardından davranışsal gruplarınızı görüntüleyin. Davranış gruplarınızı karşılaştırarak, tersine çevirerek ve birleştirerek analiz edin. Elde tutmayı sağlamak için müşteri yolculuğunun belirli bir bölümünde vurgulayabileceğiniz eylemler hakkında bir hipotez oluşturmak için edinme gruplarına bakarak öğrendiklerinizle bunu kullanın.
3. Yeterince yüksek bir kullanım hacmine sahipseniz Amplitude Experiment ile A/B testini kullanarak uygulamanızda değişiklikler yapın ve uygulamanızda belirli eylemlerin gerçekten kullanıcıların geri gelmesine neden olup olmadığını görün.
4. Öğrendiklerinizi işleyin ve tekrarlayın.

Amplitude'ün davranışsal grupları ile müşterilerinizin davranışlarının özelliklerini görebilir ve ürününüzle ilgili deneyimlerini geliştirmek için veriye dayalı kararlar almaya başlayabilirsiniz.

Ücretsiz bir Genlik planı ile bugün kohort analizini deneyin veya kalıcılığı nasıl daha da artırabileceğinizi öğrenmek için Mastering Tutma başucu kitabımıza göz atın.

Referanslar

• Davranışsal Kohortlama için Kesin Kılavuz. Genlik.
• Kohort Analizi ve Kayıp Oranını Azaltma için Adım Adım Kılavuz. Genlik.
• Kohort Analizi – Edinme Grupları ile Yapabileceğiniz Her Şey. Saras.
• 2020 Stratejinizi Bilgilendirecek 2019 Mobil Uygulama Karşılaştırma Raporu. Yayla.
• Dönüşüm Optimizasyonu için Kohort Analizini Kullanma. Speero.