Как TURF-анализ помогает выбрать топовые USP

Привет! На связи Света Байтимерова и Женя Синегубова, мы занимаемся исследованиями в Авито. В статье расскажем, как с помощью TURF-анализа можно выбирать топовые USP и фичи, чтобы решать задачи максимального числа пользователей. Объясним, как TURF-анализ работает в связке с другими инструментами, и покажем всё на примере… выбора костюмов для хэллоуина!

Какие есть базовые методы для ранжирования офферов, фич или продуктов

В чём основная проблема базовых методов

Что такое TURF-анализ и какие у него преимущества

Как мы использовали TURF анализ в Авито: кратко разбираем несколько кейсов

Вместо выводов: коротко о TURF-анализе

При создании новых продуктов часто приходится выбирать, какие фичи брать в работу, а от каких отказаться. Мы посмотрим, как решать такую задачу на примере с костюмами — чтобы оставить интригу и раньше времени не раскрывать, какие фичи в Авито готовятся к запуску.

Представьте, что вы производите костюмы для ивентов. Перед хэллоуином вы решили выпустить несколько новых костюмов, чтобы увеличить прибыль. Провели исследование и выяснили, какие фильмы и сериалы выходили в этом году и какие герои пользуются популярностью. Теперь из всех вариантов нужно выбрать 2–3 костюма, которые реально успеть запустить в производство. И, конечно, вы хотите узнать мнение у своей потенциальной аудитории через опрос.

Тут могут помочь разные методики исследования. Скорее всего, первыми в голову придут такие:

✅ Выбрать топ. Когда у вас есть список из нескольких элементов, самый простой способ — попросить человека отметить топ-3 или топ-5. В нашем случае можно попросить пользователя выбрать костюмы, которые понравились ему больше всего, или отметить персонажей, которые ему наиболее интересны.

Из опроса мы поймём, какая доля аудитории хочет или готова пойти на праздник в конкретном костюме.

✅ Ранжировать список по предпочтениям. Другой вариант — попросить расставить тестируемые элементы в порядке убывания привлекательности. То есть на первом месте оказывается самый интересный, на последнем — самый неинтересный. Этот способ сработает, если у вас небольшой список до 10–12 пунктов.

✅ Поставить оценку каждому офферу. Ещё один вариант — попросить оценить каждый элемент по пятибалльной шкале. Такой анализ позволяет более гибко понять предпочтения человека. В нашем случае — готовность пойти в том или ином костюме на праздник. По этому опросу мы понимаем, какие костюмы человек точно готов выбрать, какие точно не готов, а по каким затрудняется ответить.

✅ Попарное сравнение офферов. Этот метод исследования называют «Дуэль». Суть в том, что человеку показывают офферы парами и предлагают выбрать более привлекательный. Дальше победители из каждой пары соревнуются между собой, пока не определится абсолютный лидер. Этот метод позволяет увидеть не только предпочтения, но и скорость реакции человека — насколько уверенно он выбирал и как долго думал.

Вариант этого метода — MaxDiff. Здесь мы предлагаем сравнить уже не пары, а группы по 4–5 офферов, и выбрать наиболее привлекательный и наименее привлекательный. Таким образом, проходит несколько раундов сравнения. Офферы в них могут повторяться, и важно предупредить респондента, что это не ошибка. В итоге мы увидим сумму баллов, которую набрал каждый персонаж.

Пример сравнения офферов по методике «Дуэль» и MaxDiff

✅ Приоритизация по модели КАНО. В этом варианте мы предлагаем человеку один оффер и два вопроса: насколько он обрадуется, если предложение будет доступно, и насколько расстроится, если его не будет. В итоге мы получаем деление офферов по четырём группам. В нашем примере с костюмами их можно охарактеризовать так:

Для костюмов на Хэллоуин этот метод может выглядеть странновато :) но для ранижирования фичей мы часто используем именно КАНО.

В итоге любой из методов поможет нам понять, каких персонажей выбирают чаще всего. Но позволит ли это учесть интересы максимального количества пользователей?

Результат любого из методов выше — рейтинг. По нему сможем понять, какие костюмы являются топовыми. Казалось бы, на этом можно остановиться и запускать производство. Но давайте посмотрим на ситуацию внимательнее:

Распределение предпочтений пользователей по костюмам

Проблема в том, что наш топ могли сформировать ответы похожих по предпочтениям людей. Например, есть некая группа любителей супергероев, и именно их ответы сформировали этот ТОП. Но даже такие любители купят себе всего 1 костюм, поэтому если мы запустим в производство три варианта-лидера, то не удовлетворим потребности других сегментов нашей аудитории. А это означает потерю потенциальной прибыли.

TURF — это аббревиатура «total unduplicated reach and frequency», что означает «итоговый недублированный охват и частота». Это статистическая модель, которая помогает подобрать оптимальный набор, который будет охватывать наибольшее количество аудитории.

В этом материале мы не рассказываем, как проводить сам анализ — только обсуждаем его преимущества и область применения. Если интересно разобраться в тонкостях, советуем вот эту статью:

👉 Использование данных: TURF-анализ

Для каких задач подходит. Эта модель создавалась для планирования рекламы. Медиапланировщики хотели понять, как максимизировать охват, если использовать разные каналы вещания.

Сейчас этот метод анализа применяют не только они, но и, например, продуктовые исследователи. Он подойдёт, чтобы оптимизировать продуктовую линейку, набор фич или USP. Или выбрать, какие продукты или офферы запускать на рынок.

Какие вопросы нужны для исследования. Подойдут несколько вариантов: вопрос с множественным выбором, шкальный вопрос или MaxDiff. В любом варианте мы предлагаем респонденту выбрать наиболее привлекательные предложения.

Что получается в результате. Результат исследования можно представить в виде трёх показателей: привлекательность оффера, кумулятивный охват и прирост аудитории.

Благодаря этому мы видим не только самые привлекательные костюмы, но и комбинацию офферов, которая позволяет нам охватить широкую аудиторию и учесть её интересы.

В нашем примере всего 4 оффера удовлетворяют потребности 91% аудитории. Добавление пятого, шестого и последующих уже не даст такого прироста

✅ Тестирование USP для сервиса аренды авто (на основе множественного выбора). Мы хотели выбрать самые привлекательные идеи для сервиса по аренде автомобилей для личного пользования. В итоге 3 USP из 11 покрывают 83% потенциальной аудитории.

✅ Тестирование фичей на сниппете (на основе Maxdiff). Выбрали самые важные характеристики для показа на сниппете объявления — карточке, которую видно в результатах поиска. Мы выяснили, что всего 3 из 25 характеристик дают 77% охвата, а 5 характеристик охватывают уже 92% аудитории.

✅ Тестирование преимуществ программы лояльности (на основе Maxdiff). Задача: определить набор преимуществ для программы лояльности продавцов. В результате 2 из 22 преимуществ охватывают потребности 91% продавцов.

✅ Наполнение тарифов новыми инструментами (на основе Maxdiff). Мы хотели найти оптимальный набор инструментов для Расширенного тарифа на Авито. В результате поняли, что 7 из 20 инструментов охватывают 94% потенциальной аудитории.

👉 TURF-анализ позволяет ограничиваться минимальным набором USP, продуктов, фичей, инструментов и при этом охватывать максимальную аудиторию.

👉 Симулятор TURF помогает моделировать ситуации и рассматривать разные возможные наборы USP, фичей или продуктов. Например, это очень помогает в ситуациях, когда мы точно знаем, что будем запускать ту или иную фичу.

👉 TURF отлично совмещается с другими методиками и дополняет их. Например, мы получали интересные инсайты в исследованиях, когда сочетали TURF с КАНО.