Mantenir un usuari en una aplicació mòbil és tota una ciència. L'autor del curs en va descriure els fonaments bàsics al nostre article a VC.ru Maxim Godzi, cap d'aprenentatge automàtic d'App in the Air. Maxim parla de les eines desenvolupades a l'empresa a partir de l'exemple de treball d'anàlisi i optimització d'una aplicació mòbil. Aquest enfocament sistemàtic de la millora del producte, desenvolupat a App in the Air, s'anomena Retentioneering. Podeu utilitzar aquestes eines al vostre producte: algunes d'elles estan en a GitHub.
App in the Air és una aplicació amb més de 3 milions d'usuaris actius a tot el món, amb la qual pots fer un seguiment dels vols, obtenir informació sobre els canvis en els horaris de sortida/aterratge, facturació i característiques de l'aeroport.
De l'embut a la trajectòria
Tots els equips de desenvolupament creen un embut d'incorporació (un procés dirigit a l'acceptació del producte per part dels usuaris). Aquest és el primer pas que us ajuda a mirar tot el sistema des de dalt i trobar problemes d'aplicació. Però a mesura que el producte es desenvolupi, sentireu les limitacions d'aquest enfocament. Amb un embut simple, no podeu veure punts de creixement no evidents per a un producte. L'objectiu de l'embut és donar una visió general de les etapes dels usuaris a l'aplicació, per mostrar-vos les mètriques de la norma. Però l'embut ocultarà prudentment les desviacions de la norma cap a problemes evidents o, per contra, l'activitat especial de l'usuari.
A App in the Air, vam construir el nostre propi embut, però a causa de les especificitats del producte, vam acabar amb un rellotge de sorra. Aleshores vam decidir ampliar l'enfocament i utilitzar la rica informació que ens proporciona la mateixa aplicació.
Quan creeu un embut, perds les trajectòries d'incorporació de l'usuari. Les trajectòries consisteixen en una seqüència d'accions de l'usuari i de la pròpia aplicació (per exemple, l'enviament d'una notificació push).
Amb segells de temps, podeu reconstruir molt fàcilment la trajectòria de l'usuari i fer-ne un gràfic per a cadascun d'ells. Per descomptat, hi ha molts gràfics. Per tant, cal agrupar usuaris similars. Per exemple, podeu organitzar tots els usuaris per files de taula i llistar la freqüència amb què utilitzen una funció determinada.
A partir d'aquesta taula, vam fer una matriu i vam agrupar els usuaris per freqüència d'ús de les funcions, és a dir, per nodes del gràfic. Aquest sol ser el primer pas cap a la informació: per exemple, ja en aquesta etapa veureu que alguns usuaris no utilitzen en absolut algunes de les funcions. Quan vam fer l'anàlisi de freqüència, vam començar a estudiar quins nodes del gràfic són els "més grans", és a dir, quines pàgines visiten més sovint els usuaris. Les categories que són fonamentalment diferents segons algun criteri que sigui important per a vostè es destaquen immediatament. Aquí, per exemple, hi ha dos grups d'usuaris que vam dividir en funció de la decisió de subscripció (hi havia 16 clústers en total).
Com utilitzar-lo
Si mireu els vostres usuaris d'aquesta manera, podeu veure quines funcions utilitzeu per conservar-los o, per exemple, fer que es registrin. Naturalment, la matriu també mostrarà coses òbvies. Per exemple, que els que van comprar una subscripció van visitar la pantalla de subscripció. Però a més d'això, també podeu trobar patrons que d'una altra manera mai hauríeu conegut.
Així doncs, vam trobar de manera totalment accidental un grup d'usuaris que afegeixen un vol, el rastrejaven activament durant tot el dia i després desapareixen durant molt de temps fins que tornen a volar a algun lloc. Si analitzéssim el seu comportament utilitzant eines convencionals, pensem que simplement no estaven satisfets amb la funcionalitat de l'aplicació: de quina altra manera podem explicar que l'han fet servir durant un dia i mai no han tornat. Però amb l'ajuda de gràfics hem vist que són molt actius, és que tota la seva activitat encaixa en un dia.
Ara la nostra tasca principal és animar aquest usuari a connectar-se al programa de fidelització de la seva companyia aèria mentre utilitza les nostres estadístiques. En aquest cas, importarem tots els vols que compri i intentarem empènyer-lo a apuntar-se tan bon punt compri un nou bitllet. Per resoldre aquest problema, també vam començar a cooperar amb Aviasales, Svyaznoy.Travel i altres aplicacions. Quan el seu usuari compra un bitllet, l'aplicació li demana que afegeixi el vol a App in the Air i ho veiem immediatament.
Gràcies al gràfic, hem vist que el 5% de les persones que van a la pantalla de subscripció la cancel·len. Vam començar a analitzar aquests casos, i vam veure que hi ha un usuari que va a la primera pàgina, inicia la connexió del seu compte de Google i immediatament el cancel·la, torna a accedir a la primera pàgina, i així quatre vegades. Al principi vam pensar: "Alguna cosa està clarament malament amb aquest usuari". I llavors ens vam adonar que, molt probablement, hi havia un error a l'aplicació. A l'embut, això s'interpretaria de la següent manera: a l'usuari no li va agradar el conjunt de permisos que demana l'aplicació i va marxar.
Un altre grup tenia el 5% dels usuaris perduts a la pantalla on l'aplicació els demana que en seleccionessin una de totes les aplicacions de calendari del seu telèfon intel·ligent. Els usuaris seleccionarien diferents calendaris una i altra vegada i després simplement sortirien de l'aplicació. Resulta que hi havia un problema d'UX: després que una persona seleccionava un calendari, havia de fer clic a Fet a l'extrem superior dret. És que no tots els usuaris ho van veure.
Primera pantalla de l'aplicació a l'aire
En el nostre gràfic, vam veure que al voltant del 30% dels usuaris no van més enllà de la primera pantalla: això es deu al fet que som força agressius a l'hora d'empènyer l'usuari a subscriure's. A la primera pantalla, l'aplicació us demana que us registreu amb Google o Triplt i no hi ha informació sobre com ometre el registre. Dels que surten de la primera pantalla, el 16% dels usuaris fan clic a "Més" i tornen de nou. Hem descobert que estan buscant una manera de registrar-se internament a l'aplicació i la publicarem en la propera actualització. A més, 2/3 dels que marxen immediatament no fan clic a res. Per saber què els passa, hem construït un mapa de calor. Resulta que els clients fan clic a una llista de funcions de l'aplicació que no són enllaços on es pot fer clic.
Captura un micro-moment
Sovint es pot veure gent trepitjant camins al costat de la carretera asfaltada. La retenció és un intent de trobar aquests camins i, si és possible, canviar els camins.
Per descomptat, és dolent que aprenem dels usuaris reals, però almenys vam començar a fer un seguiment automàtic de patrons que indiquen un problema d'usuari a l'aplicació. Ara el gestor de producte rep notificacions per correu electrònic si es produeix un gran nombre de "bucles", quan l'usuari torna a la mateixa pantalla una i altra vegada.
Vegem quins patrons en les trajectòries dels usuaris són generalment interessants de buscar per analitzar problemes i àrees de creixement d'una aplicació:
- Cicles i bucles. Els bucles esmentats anteriorment són quan un esdeveniment es repeteix a la trajectòria de l'usuari, per exemple, calendari-calendari-calendari-calendari. Un bucle amb molta repetició és un indicador clar d'un problema d'interfície o d'un marcat d'esdeveniments insuficient. Un cicle també és una trajectòria tancada, però a diferència d'un bucle inclou més d'un esdeveniment, per exemple: visualització de l'historial de vol - afegir un vol - visualització de l'historial de vol.
- Flowstoppers: quan l'usuari, a causa d'algun obstacle, no pot continuar el seu moviment desitjat a través de l'aplicació, per exemple, una pantalla amb una interfície que no és òbvia per al client. Aquests esdeveniments frenen i canvien la trajectòria dels usuaris.
- Els punts de bifurcació són esdeveniments significatius després dels quals es separen les trajectòries de clients de diferents tipus. En particular, es tracta de pantalles que no contenen una transició directa o una crida a l'acció a l'acció objectiu, empenyent eficaçment alguns usuaris cap a ella. Per exemple, alguna pantalla que no estigui directament relacionada amb la compra de contingut en una aplicació, però en la qual els clients estiguin inclinats a comprar o no comprar contingut, es comportarà de manera diferent. Els punts de bifurcació poden ser punts d'influència en les accions dels teus usuaris amb un signe més -poden influir en la decisió de fer una compra o clic, o un signe menys- poden determinar que després d'uns quants passos l'usuari abandonarà l'aplicació.
- Els punts de conversió avortats són punts de bifurcació potencials. Podeu considerar-les com a pantalles que poden provocar una acció objectiu, però no ho fan. Aquest també pot ser un moment en què l'usuari té una necessitat, però no la satisfem perquè simplement no en sabem. L'anàlisi de la trajectòria ha de permetre identificar aquesta necessitat.
- Punt de distracció: pantalles/finestres emergents que no aporten valor a l'usuari, no afecten la conversió i poden "desenfocar" les trajectòries, distreint l'usuari de les accions objectiu.
- Els punts cecs són punts ocults de l'aplicació, pantalles i funcions molt difícils d'arribar a l'usuari.
- Desguàs: punts on hi ha fuites de trànsit
En general, l'enfocament matemàtic ens va permetre entendre que el client utilitza l'aplicació d'una manera completament diferent a la que solen pensar els gestors de producte quan intenten planificar algun escenari d'ús estàndard per a l'usuari. Assegut a l'oficina i assistint a les conferències de productes més interessants, encara és molt difícil imaginar tota la varietat de condicions reals de camp en què l'usuari resoldrà els seus problemes amb l'aplicació.
Això em recorda una gran broma. Un provador entra a un bar i ordena: un got de cervesa, 2 gots de cervesa, 0 gots de cervesa, 999999999 gots de cervesa, un llangardaix en un got, -1 got de cervesa, gots qwertyuip de cervesa. El primer client real entra al bar i pregunta on és el lavabo. El bar esclata en flames i tothom mor.
Els analistes de producte, profundament immersos en aquest problema, van començar a introduir el concepte de micromoment. L'usuari modern necessita una solució instantània al seu problema. Google va començar a parlar d'això fa uns anys: l'empresa va anomenar aquestes accions dels usuaris micro-moments. L'usuari es distreu, tanca accidentalment l'aplicació, no entén què se li demana, torna a iniciar sessió un dia després, s'oblida de nou i després segueix l'enllaç que li va enviar un amic al missatger. I totes aquestes sessions no poden durar més de 20 segons.
Així que vam començar a intentar configurar el treball del servei de suport perquè els empleats poguessin entendre quin era el problema gairebé en temps real. Quan una persona arriba a la pàgina d'assistència i comença a escriure la seva pregunta, podem determinar l'essència del problema, coneixent la seva trajectòria: els darrers 100 esdeveniments. Anteriorment, vam automatitzar la distribució de totes les sol·licituds d'assistència per categories mitjançant l'anàlisi ML dels textos de les sol·licituds d'assistència. Malgrat l'èxit de la categorització, quan el 87% de totes les sol·licituds es distribueixen correctament en una de les 13 categories, es tracta d'un treball amb trajectòries que poden trobar automàticament la solució més adequada a la situació de l'usuari.
No podem publicar actualitzacions ràpidament, però podem notar el problema i, si l'usuari segueix l'escenari que ja hem vist, enviar-li una notificació push.
Veiem que la tasca d'optimitzar una aplicació requereix d'eines riques per estudiar les trajectòries dels usuaris. A més, coneixent tots els camins que prenen els usuaris, podeu obrir els camins necessaris i, amb l'ajuda de contingut personalitzat, notificacions push i elements d'interfície d'usuari adaptables "de la mà" condueixen l'usuari a accions dirigides que millor s'adaptin a les seves necessitats i aporten diners. , dades i altres valors per al vostre negoci.
Què cal prendre nota
- Estudiar la conversió dels usuaris només utilitzant embuts com a exemple significa perdre la rica informació que ens proporciona la mateixa aplicació.
- L'anàlisi de retenció de les trajectòries dels usuaris als gràfics us ajuda a veure quines funcions feu servir per retenir els usuaris o, per exemple, animar-los a subscriure's.
- Les eines de retenció ajuden automàticament, en temps real, a fer un seguiment dels patrons que indiquen problemes de l'usuari a l'aplicació, a trobar i tancar errors allà on eren difícils de notar.
- Ajuden a trobar patrons no evidents de comportament dels usuaris.
- Les eines de retenció permeten crear eines de ML automatitzades per predir esdeveniments i mètriques clau dels usuaris: pèrdua d'usuaris, LTV i moltes altres mètriques que es determinen fàcilment al gràfic.
Estem construint una comunitat al voltant de Retentioneering per al lliure intercanvi d'idees. Podeu pensar en les eines que estem desenvolupant com un llenguatge en què els analistes i els productes de diferents aplicacions mòbils i web poden intercanviar coneixements, millors tècniques i mètodes. Podeu aprendre a utilitzar aquestes eines al curs Districte binari.
Font: www.habr.com