Кейс #3 — «Залипаемость»
Какие пользователи чаще возвращаются в приложение и проводят в нём больше времени?
Интересный кейс – оценка возвращаемости разных сегментов аудитории в зависимости от паттернов их взаимодействия с приложением.
Чтобы отсегментировать пользователей по поведению, необходимо определить список действий*, которые характеризуют их предпочтения и степень активности. Используя различные комбинации событий, мы получим поведенческие когорты и сможем изучить возвращаемость и «залипаемость» целевых групп.
*Совет:
Чтобы использовать поведенческую сегментацию на 100%, заранее разметьте все ключевые события:
- Определите набор действий пользователя (т.е. событий), которые характеризуют его вовлеченность и лояльность. Это может быть авторизация, прохождение обучения, покупка, переход на новый уровень, приглашение друга, добавление контента, что угодно.
- Промаркируйте эти события при настройке SDK, чтобы система аналитики могла собирать данные и возвращать их в отчётах.
Для анализа воспользуемся когортным отчётом. Исследовать аудиторию можно за определённый период или за всё время жизни пользователя – зависит от задачи.
В фильтре Условия укажем цепочку событий, которые говорят о вовлечённости:
- запуск,
- покупка,
- использование премиум-аккаунта,
- генерация контента,
- другой параметр, по которому можно отличить активных пользователей,
- локаль пользователя (можно построить когорты с учётом географии).
В результате, получим наглядную таблицу с данными по возвращаемости выбранного сегмента:
Обратите внимание: в верхней строке виден процент конверсий всей когорты за период, а в строках ниже – данные в привязке к периоду установки – день/неделя/месяц (в зависимости от размера когорты).
Создав несколько сегментов с разными сценариями, вы сможете выделять различия в предпочтениях аудитории и искать причины снижения интереса.
Кейс #4 — А/Б тест
Какой сценарий онбординга даёт наилучшую конверсию?
В завершение проведём А/В тест приложения. Например, мы хотим протестировать разные версии туториала и понять, какой из них лучше вовлекает пользователей в приложение или обучает новым возможностям.
Для сбора статистики промаркируем прохождение туториала отдельным событием и добавим параметры: пройден он или нет и какая версия была показана пользователю (дополнительно можно отслеживать переход к следующему шагу туториала).
В итоге получим удобный фильтр для сегментации:
Теперь самое интересное – просмотр результатов эксперимента.
Для начала проверим, какую из версий туториала проходят охотнее. В знакомом отчёте по событиям отфильтруем пользователей, долиставших «обучалку» до конца, и в списке событий получим распределение версий:
А теперь посмотрим, какой из сценариев повысил возвращаемость или улучшил конверсию – для этого снова воспользуемся когортным анализом. В случае с туториалом для продвижения отдельной функции (например, голосового управления) можно отследить конверсию именно в это событие:
Вместо заключения
Поведенческую сегментацию можно использовать самыми разными способами — она работает в любом отчёте, от аудитории до крешей. Возможности ограничены только набором промаркированных событий: чем больше ключевых действий вы разметите, тем качественнее сможете «заглянуть за экран» и лучше понять, как ваше приложение используют реальные люди. Экспериментируйте, проверяйте самые смелые гипотезы и развивайте приложения, ориентируясь на точные знания о ваших пользователях.
P.S.
Если вы ещё не используете AppMetrica, но хотите её подключить, вот два простых шага:
- Зарегистрируйте приложение в AppMetrica.
- Интегрируйте в него SDK (Android, iOS, Windows, Unity, Xamarin).
Наша служба поддержки на связи, а необходимая документация всегда у вас под рукой.
Оригинал новости опубликован в Блоге AppMetrica.