הקדמה
לאחר שבמאמר נפרד הוסבר מהו בדיוק Cohort Analysis ואיזה מידע מופיע בו, במאמר זה יוצג כיצד עובדים בצורה נכונה עם האפשרויות השונות של Mixpanel-Cohort-Analysis.
במהלך המאמר יתוארו 3 הפתרונות של Mixpanel לטיפול בשימור משתמשים (Retention):
- שימור משתמשים חדשים (First Time Retention)
- שימור משתמשים קיימים (Recurring Retention)
- עומק הפעילות של משתמשים קיימים (Addiction)
בנוסף, יוצג אילו היבטים בניתוחי שימור/נטישה דורשים פעולות משלימות.
בפתרון של Mixpanel-Cohort-Analysis קיימות 3 אפשרויות – חלקן סטנדרטיות וחלקן פחות. להלן פירוט 3 האפשרויות.
שימור משתמשים חדשים (First Time Retention)
הפיצ'ר מיועד למדידת אחוז השימור שעשו משתמשים לאחר פעולת הצטרפות למוצר.
ניתן לבחור פעולה התחלתית, כאשר הפעולה לאו דווקא חייבת להיות הצטרפות (הרשמה, סיום On-boarding, הפעלה ראשונה וכיו"ב),, אלא כל פעולה המסמלת התחלה של תהליך או אבן דרך בחיי הלקוח. לדוגמה: רכישה ראשונה, פעולת ליבה ראשונה (כמו הוספת חבר ראשון בפייסבוק) וכיו"ב.
לאחר מכן יש לבחור פעולה אשר תיחשב לשימור (או כל פעולה אחרת אשר נרצה למדוד בדומה לשימור).
זהו הפיצ'ר בו נבחר על מנת למדוד את רמת השימור/נטישה הכללית במוצר, ולאחר מכן לנתח גם כיצד רמה זו משתנה עבור כל סגמנט של משתמשים (לדוגמה: מדינה, מערכת הפעלה, מקור תנועה וכיו"ב).
קיימים שני דברים שחשוב לשים אליהם לב לצורך מדידת שימור מהצטרפות:
-
פעולה התחלתית – קריטי לבחור נקודת הצטרפות מדויקת (זו שממנה מתחיל השימור; לרוב, סיום ה-Onboarding מדויק יותר מהורדת מוצר או הרשמה).
בנוסף – קריטי שזו תהיה פעולת הצטרפות המתרחשת רק פעם אחת, מאחר וה-Cohort מודד את הפעם הראשונה ש-Eventt מסוים מתרחש בחלון הזמן שנבחר, ולא בכל ההיסטוריה של כל משתמש.
אגב, הפעולה ההתחלתית אינה חייבת להיות פעולת הצטרפות, ניתן למדוד השפעה של כל פעולה אחרת לאחר ההצטרפות.
-
פעולת השימור – יש לוודא שמבוצעת בחלון זמנים ברור – לדוגמה: פעולה כלשהי בין 7-14 יום לאחר מועד ההצטרפות – עבור שימור של 7 ימים.
זמן מינימום בלבד אינו מספיק – מאחר ויאפשר למשתמשים ותיקים יותר זמן ארוך יותר לביצוע פעולת השימור מאשר למשתמשיםם חדשים – וזה ייצור הטיה במדידה.
אפשר להגדיר את טווח הזמנים ע"י Property של זמן מאז מועד ההצטרפות (נדרש לשמור בכל Eventt מבעוד מועד).
(Interface Source: Mixpanel, הנתונים עצמם מוסתרים).
לאחר שה-Cohort הוצג, ניתן לבחור באפשרות '+ Segment' מתחת לבחירת חלון הזמנים, על מנת לסנן את הערכים לפי תכונות שונות של המשתמש. זה יאפשר לזהות גורמים המשפיעים על השימור, דוגמת רזולוציות מסך, גרסאות מערכת ההפעלה, מקורות תנועה וכיו"ב.
שימור משתמשים קיימים (Recurring)
הפיצ'ר השני של Mixpanel-Cohort-Analysis נועד לזיהוי חזרה של משתמשים קיימים על פעולות מסוימות במוצר, ופחות מכוון למשתמשים חדשים.
נניח שאנחנו רוצים למדוד משתמשים פעילים ברמה תקופתית – יומית (DAU – Daily Active Users), שבועית (WAU) או חודשית (MAU).
בהנחה שהגדרנו אירוע (Event) המודד מתי משתמש פעיל (לדוגמה: WAU), נוכל לראות איזה אחוז מהמשתמשים שלנו נשאר לאחרר כמה תקופות. לדוגמה: איזה אחוז מהמשתמשים שהיו פעילים בשבוע מסוים יהיו פעילים בשבוע שאחריו, לאחר שבועיים וכן הלאה.
הערה חשובה:
משתמשים חדשים נחשבים לפעילים עם הצטרפותם למוצר, ולכן ייכללו במדדים האמורים.
בנוסף, קיימים סיכויים גבוהים שינטשו לאחר זמן קצר בלבד (קיימים מחקרים רבים בתחום).
לאור הנחות אלו – קיימת סבירות לא קטנה שהמשתמשים החדשים יטו את נתוני השימור ב-Cohort ה-Recurring באופן מהותי.
לכן, מומלץ להפריד את הניתוח למשתמשים חדשים ומשתמשים ותיקים יותר – באמצעות property של ותק (זמן ממועד ההצטרפות), אשר הוזכר קודם לכן.
עומק הפעילות של משתמשים קיימים (Addiction)
בשונה משני הפיצ'רים הקודמים של Mixpanel-Cohort-Analysis, הפיצ'ר השלישי – 'Addiction' מציג את שימור המשתמשים בצורה של תדירות שימוש, כאשר עבור כל Cohort של פעולה מסוימת, מוצג איזה אחוז מהמשתמשים מבצע את הפעולה בתדירות של מעל X ימים בשבוע/חודש, או מעל Y שעות ביום.
באמצעות התוצאה אפשר לזהות סגמנטים מעניינים בקרב המשתמשים הנוטים להיות פעילים יותר מאחרים.
היכן נדרשים כלים/טכניקות אחרות?
בעוד שפתרונות Cohort Analysis של Mixpanel (ושל כלים רבים נוספים) יודעים לטפל טוב מאוד במדידה ובניתוח תכונות של משתמשים, הם עדיין לא נותנים פתרון מלא לשימור.
האתגר העיקרי בעולם השימור הוא להבין מתוך ה-Cohort מהן הפעולות שהמשתמשים מבצעים, אשר יכולות להעיד האם יישארו או יעזבו. בעיקר מדובר ב-4 שאלות עיקריות:
- מהן הפעולות אשר משתמשים ששומרו עשו בתחילת הפעילות שלהם במוצר?
-
מהן הפעולות אשר הובילו בסבירות גבוהה לשימור? (השאלה ההפוכה)
פעולות אלו נקראות גם Leading Metricss.
- מהן הפעולות שתועדו עבור משתמשים – רגע לפני שנטשו?
- מהן הפעולות אשר הובילו בסבירות גבוהה לנטישה? (השאלה ההפוכה)
פעולות כאלו (או צירוף שלהן) יכולות לשקף בפנינו את הערך שהמשתמשים מקבלים מהמוצר – ודרכו להבין טוב יותר את הצרכים שלהם.
ה- Cohort Analysis הראשון שהוצג קודם לכן ('First Time') מאפשר מענה מסוים לסוגיה זו – באמצעות החלפת פעולת ההצטרפות בפעולות אחרות. ניתוח כזה אפשרי תחת הנחות מסוימות, אך הוא רגיש מאוד לטעויות מתודולוגיות (חלונות זמנים נכונים, מה קרה למי שלא ביצע את הפעולה הספציפית וכיו"ב).
Mixpanel Signal
אחד הכלים החזקים למתן מענה להיבטים הקודמים הוא פיצ'ר חדש של Mixpanel בשם Signal.
הפיצ'ר יצא ממש לאחרונה (תחילת 2017), והוא נועד לזהות Aha-Momentss במוצר שלך.
כיצד בדיוק? על כך תוכל לקרוא כאן.
שיטות נוספות
במקרים מורכבים דוגמת צירופים של פעולות המאפיינות שימור/נטישה, או השוואה של קוהורטות ממספר סגמנטים (Mixpanel מאפשר תצוגה של קוהורטות או לפי מועד הצטרפות או של סגמנטים עבור Retention, לא של שניהם ביחד) – נדרש ניתוח מעמיק יותר.
ניתוח כזה מתבצע כבר דרך גישה לנתונים הגולמיים הנשמרים בכלי האנליטיקס.
הפעולה מצריכה ברוב המקרים ידע משולב בשליפות נתונים מורכבות, בסיסי נתונים ו-Predictive Analytics, והיא נחשבת מצד אחדד למורכבת – ומצד שני לבעלת פוטנציאל גדול לצמיחה.
Mixpanel-Cohort-Analysis – סיכום
במאמר תוארו הסוגים השונים של Mixpanel-Cohort-Analysis, ודגשים לשימוש נכון בהם.
בנוסף, הוסבר כיצד ניתן להשלים את היכולות עם פתרונות נוספים.
למרות המורכבות של חלק מהפתרונות, מומלץ לעשות שימוש בכלל היבטי ה- Cohort Analysis אשר הוצגו במאמר; בהתחלה באמצעות הכלים המובנים של Mixpanel, ובשלב מאוד יותר באמצעות תהליך מעמיק יותר הדורש גישה לנתונים הגולמיים.
ביצוע של כלל ההיבטים בניתוחי שימור משתמשים יאפשר זיהוי תובנות עמוקות לגבי פרופיל המשתמשים המתמידים במוצר, הפעולות שלהם, והצרכים שלהם – אשר הם הבסיס לצמיחה מבוססת נתונים.
אתה עדיין קצת מבולבל מכל הסוגים של Cohort-Analysis? יש לך שאלה בנושא?
אז אמנם עוד לא הקימו את "איגוד הקוהורט הישראלי"…
אבל בינתיים כן אוכל לתת לך עוד כמה חידודים חשובים לגבי Cohort-Analysis.
תוכל להגיב או לשאול כל שאלה בנושא ממש כאן למטה.