במאמר קודם הגדרנו שני היבטים – עליהם עלינו לשים פוקוס בעת תהליך ההגדרה של נטישת משתמשים:
- שלב: הבחנה חדה בין שלב המכירה (או ההמרה) ושלב השימוש במוצר.
- אירוע: איזה אירוע בשלב השימור נדרש להתרחש על מנת שייחשב לנטישה.
בנוסף, שם עסקנו בזיהוי נקודת המעבר משלב רכישת הלקוח (המרה) לשלב השימור שלו, שבו המיקוד יהיה במניעת נטישה.
במאמר הזה נעסוק בהגדרת אירוע הנטישה עצמו.
נטישה 'קשה' מול נטישה 'רכה'
לכאורה נטישת משתמשים היא אירוע בעל משמעות ברורה: המוצר שלנו כבר לא מעניין את המשתמש – והוא פשוט לא חוזר להפעיל אותו.
יחד עם זאת, ההגדרה הטכנית לאירוע הנטישה עשויה להיות מורכבת יותר:
- כיצד בדיוק נגדיר אי שימוש במוצר?
- האם מישהו שלא הפעיל את המוצר במשך יום בהכרח נטש?
- האם נדרש שבוע לכך?
לצורך הגדרת הנטישה, נבחין בין שני סוגים: נטישה 'קשה' ונטישה 'רכה'.
הגדרה 'קשה' של נטישת משתמשים היא חד משמעית; המשתמש הסיר (Uninstall) את האפליקציה, ביטל את המנוי או לא חידש אותו במועד. במקרה זה כלל אין לו יכולת להשתמש יותר במוצר – ולכן הוא יסווג בודאות כלקוח נוטש.
הבעיה היא, שחלק ניכר מהמשתמשים לא מסירים מידית את המוצר, אלא פשוט מפסיקים לחזור אליו. במקרה הזה אנחנו נכנסים לתחום האפור של נטישת משתמשים 'רכה'.
בתחום הזה קיימת מורכבות בהגדרה, מאחר ויש Trade-off בין הזמן שעבר מאז תחילת השימוש, לבין אופן השימוש הטבעי.
מצד אחד, משתמשים שעברה תקופה מסוימת מאז השימוש האחרון שלהם לכאורה נטשו.
מצד שני, חלקם היו בחופשה, או שפשוט היו להם עיסוקים אחרים – והם כן חזרו לאחר כשבוע.
כך שיש לנו בעצם מרחב של אפשרויות לטעות בהגדרה. בשפה הסטטיסטית קוראים למקרים שתוארו 'טעות מסוג ראשון' ו'טעות מסוג שני', בהתאמה.
בעת קביעת הגדרת נטישת משתמשים 'רכה' עלינו לנסות למזער את הטעויות האלה.
לזהות את נקודת הסף
הטכניקה העיקרית לזיהוי נטישה 'רכה', כלומר אי שימוש, מגיעה מתחום ניתוח השרידות (Survival Analysis). השיטה משמשת בעיקר בתחומי אקטואריה – ביטוחי חיים וכיו"ב – שם מנסים לחזות תוחלת חיים של אנשים. בעולם ה-Retention, ננסה לחזות איזה אחוז מהמשתמשים שהפסיקו להשתמש במוצר לאחר תקופה מסוימת – חזרו להשתמש בו לאחר תקופה נוספת.
ברוב המקרים, תקופות הזמן יהיו מוכרות לנו. לדוגמה: בעולם האפליקציות ל-Mobile חלק מהותי מהמשתמשים נוטשים לאחר יום / שימוש אחד (כ-25% על פי Localytics).
ככלל, נוכל לבצע את הניתוח ברמה חודשית – ואז המידע יהיה יציב יותר ועם פחות טעויות מסוג שני. אך לצורך זיהוי יותר מעמיק של גורמי הנטישה זה לא יספיק. שם נרצה להבין בדיוק מתי משתמש נטש – ברמת היום ולא ברמת החודש.
הזיהוי יתבצע באמצעות ניתוח פשוט של נתוני השימוש לאורך זמן. המטריקה שנמדוד תהיה שיעור המשתמשים שנשארו לאחר X ימים ממועד ההצטרפות שלהם. (המשיכו להשתמש במוצר)
דוגמה להמחשת התהליך
נניח שיש לנו 1000 משתמשים חדשים. מתוכם, לאחר יום נשארו איתנו כ-50% מהם (30% מתוכם נטשו כבר לאחר שימוש אחד – פחות מיום).
לאחר יומיים יישארו איתנו רק 40%,, ולאחר מספר ימים נתחיל להתייצב על 25% משתמשים שנשארו (זה ה-Retention).
באופן טריוויאלי, נוכל לקבוע אתת הגדרת הנטישה לאחר שבוע – מאחר ואז המדד יהיה מאוד יציב.
אך זה אינו השיקול היחיד בהגדרת הנטישה. ישנו שיקול נוסף של טריות המידע לצורך נקיטת פעולה.
אם נדע כבר היום שמשתמש מסוים נטש אתמול בסבירות גבוהה – נוכל לשלוח לו אימייל או Notification לחזור לפעילות ולהציל אותו.. אם נמתין שבוע שלם – אמנם נדע בודאות שהמשתמש נטש – אך כנראה שכבר לא נוכל להציל אותו…
את הגדרת הנטישה מקובל לקבוע כשהמספרים יתחילו להתייצב. כאן זה קורה סביב 3-4 ימים. אם נשים לב, נוכל לזהות שבין יום 2 ליום 3 ירדנו מ-39% ל-34%, וזו ירידה של קצת יותר מ-10%, לעומת ירידה של כ-25% מיום 1 ליום 2 (מ-51% ל-39%).
חשוב לציין, שבכל חברה המדד ייחודי. במקום אחד הגדרת השימוש יכולה להיות פשוט פעולה כלשהי בכלי, ובמקום אחר הגדרת הפעילות תהיה פעולה מאוד ספציפית וקריטית. הזמנים יוכלו להשתנות, וכמובן שייתכן יותר מסוג משתמשים אחד – מה שיגזור מספר הגדרות.
לכן חשוב להשקיע את הזמן ולהעמיק בהגדרת הנטישה – על כל השיקולים שלה.
עוד חידוד חשוב – הגרף שהוצג כאן הוא גרף שרידות (Survival), או Retention. חשוב להבדיל בינו ובין המונח Cohort – המתייחס לקבוצה של משתמשים עם אותן התכונות, בדגש על מועד ההצטרפות למוצר. ניתוח Cohort הוא למעשה הרבה מאוד גרפים של שרידות על אותה הסקאלה, והשוואה ביניהם.
על כל נושא ניתוח ה-Cohort נדון במאמר נפרד.
עדיין מתלבט לגבי הגדרת הנטישה אצלך במוצר?
תוכל לשאול לגבי זה ממש כאן למטה.