Когортный анализ и удержание пользователей
Менеджерам по продукту, очень важно понять, какое влияние они оказывают на своих пользователей. Когортный анализ (Cohort analysis) является одним из самых простых и удобных способов сделать это.
Что такое когортный анализ? Давайте разберем каждый термин.
Когорта просто означает группу людей. Например, для вашей школы выпуск 2015 года — это одна когорта, а 2016— другая. Вы можете создать любую когорту, которая вам нравится. Например, вы можете объединять в группы по среднему доходу. Вы можете группировать по маркетинговой кампании. Или можете распределить участников по возрастным группам и т.д.
Таким образом, когортный анализ — это визуализация данных о поведении пользователей, разделенных на когорты, с течением времени.
Другими словами, мы используем когортный анализ, когда хотим посмотреть, как поведение пользователей меняется со временем, и как эти изменения отличаются от когорты к когорте.
Проще всего провести когортный анализ потребительских товаров, поэтому отсюда мы и начнем наше знакомство. И уже в нашей следующей статье я расскажу, почему и чем отличается когортная аналитика B2B.
Я буду рассматривать когорты на примере анализа удержания пользователей (Retention Rate). Для того, чтобы убедиться, что мы все находимся на одной волне, ниже я опишу, что вообще такое удержание пользователей, а также расскажу о 5-ти разных типах удержания, которые применяются в разных областях деятельности.
Удержание пользователей
Сегодня я составлю список основных методов вычисления удержания пользователей и определю для чего подходит каждый из них. Совсем не обязательно, что один метод абсолютно лучше другого, просто они подходят для различных аналитических целей.
Я решил рассказать про пятерку таких методов. Три из них довольно популярны и часто упоминаются, тогда как два других — менее распространенные методы расчета, которым все же можно найти хорошее применение. Также обратите внимание, что имена, которые я подобрал данной пятерке методов могут не являться «официальными» наименованиями. Скорее я выбрал их, чтобы дать лучшее описание того, для чего на самом деле существуют эти типы удержания. Итак, к делу!
Коэффициент удержания пользователей измеряет долю клиентов, которые продолжали использовать ваш продукт в течение определенного периода времени.
Как правило, все показатели удержания могут быть рассчитаны следующим образом:
Удержание N= (Кол-во пользователей, зашедших в день N / Кол-во пользователей, установивших приложение N дней назад) ×100%
Для каждого из методов, приведенных ниже, я взял пример удержания на 28-й день, рассчитанного по различным определениям. Также привожу легенду для графиков:
1. Полное удержание (Full retention)
- Вычисление: доля пользователей, которые возвращаются в приложение каждый день вплоть до момента День+N.
- Где и как используется: «полное удержание» — это крайне ограниченный метод и не так широко распространен. Однако он дает представление об уровне вовлеченности в приложение.
- День 28: считаются только те пользователи, кто заходил в приложение каждый день с 1-го по 28-й день
2. Классическое удержание (Classic retention)
- Вычисление: доля пользователей, кто открыл приложение в День+N.
- Где и как используется: «классическое удержание» является самым простым и наиболее распространенным методом вычисления. Он дает общее представление об уровне удержания в приложении.
- День 28: считаются только те пользователи, кто зашел в приложение в день 28. Не имеет значения, как часто они использовали приложение до этого момента.
3. Скользящее удержание (Rolling retention)
- Вычисление: доля пользователей, кто вернулся в приложение в День+N или в любой другой день после.
- Где и как используется: «скользящее удержание» используется, например, американской компанией по мобильной аналитике Flurry. Данный метод позволяет издателям получить представление о проценте оттока пользователей своего приложения, так как показатель в основном равен 100% минус процент оттока.
- День 28: считаются пользователи, кто открыл приложение в день 28 или в любой другой день после (например, день 50).
4. Возвратное удержание (Return retention)
- Вычисление: доля пользователей, кто возвращается в приложение хотя бы один раз в течение N дней.
- Где и как используется: «возвратное удержание» часто используется в азартных играх, поскольку оно дает представление о том, сколько людей не бросили играть после первого входа (так называемые фиксаторы), что также позволяет ретаргетировать остальных игроков.
- День 28: считаются все пользователи, кто открывал приложение хотя бы один раз до дня 28 (например, в день 5 или 16).
5. Диапазонное удержание (Bracket-dependent return retention)
- Вычисление: «диапазонное удержание» является вариацией «возвратного удержания». Для этого метода мы добавляем еще один параметр M, который будет ограничивать временной диапазон для возврата пользователей. Задаем значение для M (например, N=28, M=7). Метрика будет фиксировать пользователей, которые хотя бы один раз вернулись в приложение в определенный период.
- Где и как используется: этот метод полезен для понимания поведения ваших пользователей и особенности использования вашего приложения.
- День 28: для установленных нами границ (день 7-28), мы считаем пользователей, кто открыл приложение, например, в день 10. Но не считаем тех, кто открывал приложение в день, выходящий за рамки нашего диапазона (например, день 5 не учитывается).
Я рассказал вам о некоторых методах вычисления удержания пользователей. Важно понимать, какие определения могут быть полезны именно для вашего продукта и к каким целевым уровням следует стремиться. А теперь давайте поговорим о когортном анализе B2C и как использовать его для достижения успеха вашей компании!
Пример когортного анализа B2C
Ниже представлен вымышленный анализ B2C по удержанию пользователей:
Перед нами двухмерная таблица, и для ее понимания мы должны уметь читать обе оси. Начнем чтение слева направо с первого ряда анализа.
У нас есть группа пользователей, которые активировали учетные записи на неделе 7 марта 2020 года. В этой группе было 13 145 пользователей. После первой недели только 71,4% пользователей все еще были активны в нашем вымышленном продукте — иными словами, у нас осталось 13 145 * 71,4% = 9 385 активных пользователей.
Через две недели только 34,8% пользователей все еще были активны в нашем вымышленном продукте. То есть, мы имеем 13 145 * 34,8% = 5 574 активных пользователей.
Читая слева направо, мы можем наблюдать за этой группой пользователей с течением времени. Когорты, как правило, со временем уменьшаются, потому что пользователи из каждой конкретной группы постепенно теряют интерес к продукту.
Через восемь недель вся эта когорта почти исчезла. От ее первоначального числа участников осталось только 65 пользователей (0,5%).
Теперь попробуем читать таблицу сверху вниз.
Вторая группа пользователей начала пользоваться продуктом на неделе 14 марта 2020 года. Конкретно на этой неделе у нас было 17 243 новых пользователей, которые активировали аккаунты в нашем вымышленном B2C продукте, что на 31% больше, чем на прошлой неделе.
Казалось бы, мы могли претендовать на успех, имея больше пользователей во второй когорте. Однако мы замечаем, что новая когорта проявляет себя намного хуже в удержании пользователей.
В первую же неделю у нас осталось лишь 33,5% активных пользователей, против 71,4% в первой когорте. Эту относительную разность в 62% явно не компенсирует немного большее количество первоначальных пользователей во второй группе.
Если мы продолжим чтение столбца первой недели, мы заметим, что когорты 2-4 показали плохие результаты удержания пользователей, тогда как когорты 1,5,6,7 и 8 проявили себя примерно на одном уровне. Однако если мы прочитаем столбец восьмой недели, то станет ясно, что когорты 7 и 8 имеют гораздо больший процент удержания пользователей по сравнению с другими группами.
Выводы из когортного анализа B2C
Что мы получаем от когортного анализа B2C?
Во-первых, когортный анализ позволяет разбивать данные по различным группам, а не просто отслеживать общий показатель. Например, вот как будет выглядеть график активных пользователей нашего продукта, если бы мы не разбивали данные по когортам:
Похоже, что показатель быстро растет!
Однако этот график не расскажет, что у первых нескольких когорт были действительно плохие показатели удержания пользователей. Фактически, этот график не раскрывает того, что наш продукт почти полностью потерял первоначальную когорту пользователей!
Во-вторых, когортный анализ позволяет установить точку отсчета для проведения быстрых экспериментов. Посмотрим еще раз на уже знакомую нам таблицу:
Допустим, что на неделе 7 марта мы не проводили никаких экспериментов, и это является нашей отправной точкой.
В нашей следующей когорте мы активируем новую целевую страницу. Она привлекла больше пользователей (+29%), но эти пользователи менее лояльны к продукту (на первой неделе -51% удержания).
Мы продолжаем пользоваться новой целевой страницей в течение следующих двух недель. При это мы замечаем, что не можем привлечь пользователей, которые по итогу привязываются к нашему продукту.
В 4-ой когорте мы вернулись к исходной целевой странице, которую использовали в 1-ой когорте. Мы видим, что поведение пользователей довольно схоже в 1-ой и 4-ой когортах.
На этом этапе отдел поддержки клиентов предлагает создать онлайн-чат внутри самого продукта. В когорте 5 хоть у нас и было намного меньше пользователей, однако мы видим, что их удержание происходит лучше!
В когорте 6 мы немного подправили инструмент чата, но значительных улучшений в поведении пользователей не произошло. На шестой неделе финансовый отдел предлагает разрешить пользователям платить в конце месяца, а не заставлять их платить авансом.
После того, как мы внедрили новый метод оплаты в качестве эксперимента, в когорте 7 мы видим стремительный рост процента удержания пользователей в течение всей жизни группы.
Теперь отдел развития предлагает добавить форумы пользователей, которые мы как раз реализуем к восьмой неделе. Форумы пользователей пользуются большим успехом в когорте 8 — процент удержания пользователей вновь растет.
Используя когортный анализ, мы можем часто запускать различные эксперименты и видеть влияние каждого из них на группу пользователей на протяжении всего их жизненного цикла с нашим продуктом.
Наконец, когортный анализ отлично помогает определить проблему удержания или привлечения пользователей.
Иногда B2C компании останавливаются в своем росте и пытаются подлить масло в огонь, основываясь на увеличении продаж и маркетинговых кампаний. Тем не менее, их рост продолжает стоять на месте. Иногда это происходит потому, что они просто забывают проверить процент удержания своих предыдущих когорт. Продукт B2C, который сосредоточен на привлечении новых пользователей без их удержания, очень быстро потеряет свою аудиторию.
С другой стороны, если вы в силах удержать старые когорты, то вы предотвращаете эффект дырявого ведра. Таким образом, каждую неделю вы добавляете больше пользователей, чем теряете, а это значит, что ваша аудитория будет только расти со временем!
Заключение
Когортный анализ — это мощный способ улучшить вашу аналитику. Вместо того, чтобы поверхностно измерять метрику, вы можете видеть поведение пользователей в разрезе нескольких измерений.
Большинство когортных анализов B2C будут проводиться на определенных временных отрезках, потому что, привлекая в продукт новые группы, очень важно понять схемы удержания старых когорт.
В нашей следующей статье мы расскажем о том, как проводить когортный анализ для продуктов B2B — это гораздо сложнее, но стоит дополнительных инвестиций!