Jak je uchovávání informací implementováno v aplikaci App in the Air

Udržet uživatele v mobilní aplikaci je celá věda. Autor kurzu popsal jeho základy v našem článku na VC.ru Growth Hacking: analytika mobilních aplikací Maxim Godzi, vedoucí strojového učení ve společnosti App in the Air. Maxim hovoří o nástrojích vyvinutých ve společnosti na příkladu práce na analýze a optimalizaci mobilní aplikace. Tento systematický přístup ke zlepšování produktu, vyvinutý v aplikaci App in the Air, se nazývá Retentioneering. Ve svém produktu můžete použít tyto nástroje: některé z nich jsou in volný přístup na GitHubu.

App in the Air je aplikace s více než 3 miliony aktivních uživatelů po celém světě, se kterou můžete sledovat lety, získávat informace o změnách časů odletů/přistání, odbavení a charakteristik letišť.

Od trychtýře k trajektorii

Všechny vývojové týmy vytvářejí onboarding trychtýř (proces zaměřený na přijetí produktu uživatelem). Toto je první krok, který vám pomůže podívat se na celý systém shora a najít problémy s aplikací. Ale jak se produkt vyvíjí, pocítíte omezení tohoto přístupu. Pomocí jednoduchého trychtýře nevidíte u produktu nezřejmé body růstu. Účelem cesty je poskytnout obecný pohled na fáze uživatelů v aplikaci, ukázat vám metriky normy. Trychtýř ale prozíravě skryje odchylky od normy směrem k zjevným problémům nebo naopak zvláštní aktivitě uživatele.

V App in the Air jsme si postavili vlastní trychtýř, ale vzhledem ke specifikům produktu jsme skončili u přesýpacích hodin. Poté jsme se rozhodli rozšířit přístup a využít bohaté informace, které nám aplikace samotná poskytuje.

Když vytvoříte trychtýř, ztratíte trajektorie nastupování uživatele. Trajektorie se skládají z posloupnosti akcí uživatele a samotné aplikace (například odeslání oznámení push).

Pomocí časových razítek můžete velmi snadno rekonstruovat trajektorii uživatele a vytvořit z ní graf pro každou z nich. Samozřejmě existuje spousta grafů. Proto musíte podobné uživatele seskupit. Můžete například uspořádat všechny uživatele podle řádků tabulky a uvést, jak často používají určitou funkci.

Na základě takové tabulky jsme vytvořili matici a seskupili uživatele podle frekvence používání funkcí, tedy podle uzlů v grafu. To je obvykle první krok k náhledům: například již v této fázi uvidíte, že někteří uživatelé některé funkce vůbec nepoužívají. Když jsme provedli frekvenční analýzu, začali jsme zkoumat, které uzly v grafu jsou „největší“, tedy jaké stránky uživatelé nejčastěji navštěvují. Okamžitě se zvýrazní kategorie, které se zásadně liší podle nějakého pro vás důležitého kritéria. Zde jsou například dva shluky uživatelů, které jsme rozdělili na základě rozhodnutí o předplatném (celkem bylo 16 shluků).

Jak to použít

Když se na své uživatele podíváte tímto způsobem, uvidíte, jaké funkce používáte k jejich udržení nebo například k tomu, aby se zaregistrovali. Přirozeně, že matrice také ukáže zřejmé věci. Například, že ti, kteří si zakoupili předplatné, navštívili obrazovku předplatného. Kromě toho ale můžete najít i vzory, o kterých byste se jinak nikdy nedozvěděli.

Zcela náhodou jsme tedy našli skupinu uživatelů, kteří si přidají let, aktivně jej sledují po celý den a pak na dlouhou dobu mizí, dokud zase někam neodletí. Pokud bychom jejich chování analyzovali pomocí konvenčních nástrojů, mysleli bychom si, že prostě nebyli spokojeni s funkčností aplikace: jak jinak si vysvětlit, že ji jeden den používali a už se nevrátili. Ale pomocí grafů jsme viděli, že jsou velmi aktivní, jen se veškerá jejich aktivita vejde do jednoho dne.

Nyní je naším hlavním úkolem povzbudit takového uživatele, aby se připojil k věrnostnímu programu své letecké společnosti, zatímco používá naše statistiky. V tomto případě importujeme všechny lety, které si koupí, a pokusíme se ho dotlačit, aby se přihlásil, jakmile si koupí novou letenku. K vyřešení tohoto problému jsme také začali spolupracovat s Aviasales, Svyaznoy.Travel a dalšími aplikacemi. Když si jejich uživatel zakoupí letenku, aplikace ho vyzve, aby přidal let do App in the Air, a my to okamžitě vidíme.

Díky grafu jsme viděli, že 5 % lidí, kteří přejdou na obrazovku předplatného, ​​to zruší. Začali jsme takové případy analyzovat a zjistili jsme, že existuje uživatel, který přejde na první stránku, zahájí připojení svého účtu Google a okamžitě jej zruší, znovu se dostane na první stránku a tak dále čtyřikrát. Nejprve jsme si mysleli: „S tímto uživatelem je zjevně něco v nepořádku.“ A pak jsme si uvědomili, že s největší pravděpodobností byla v aplikaci chyba. V trychtýři by to bylo interpretováno následovně: uživateli se nelíbila sada oprávnění, která aplikace požaduje, a odešel.

V další skupině se 5 % uživatelů ztratilo na obrazovce, kde je aplikace vyzve, aby si vybrali jednu ze všech kalendářových aplikací na svém smartphonu. Uživatelé by znovu a znovu vybírali různé kalendáře a pak aplikaci jednoduše ukončili. Ukázalo se, že došlo k problému s UX: poté, co si člověk vybral kalendář, musel kliknout na Hotovo v pravém horním rohu. Jen to neviděli všichni uživatelé.

První obrazovka aplikace App in the Air

V našem grafu jsme viděli, že asi 30 % uživatelů nepřekročí první obrazovku: je to způsobeno tím, že jsme poměrně agresivní v tlačení uživatele k odběru. Na první obrazovce vás aplikace vyzve k registraci pomocí Google nebo Triplt a nejsou zde žádné informace o přeskočení registrace. Z těch, kteří opustí první obrazovku, 16 % uživatelů klikne na „Více“ a vrátí se znovu. Zjistili jsme, že hledají způsob, jak se interně zaregistrovat do aplikace a uvolníme ji v příští aktualizaci. Navíc 2/3 těch, kteří hned odejdou, neklikají vůbec nic. Abychom zjistili, co se s nimi děje, vytvořili jsme teplotní mapu. Ukázalo se, že zákazníci klikají na seznam funkcí aplikace, na které nelze kliknout.

Zachyťte mikromoment

Vedle asfaltky můžete často vidět, jak si lidé prošlapávají cestičky. Retentioneering je pokus najít tyto cesty a pokud možno změnit cesty.

Samozřejmě je špatné, že se učíme od skutečných uživatelů, ale alespoň jsme začali automaticky sledovat vzorce, které naznačují problém uživatele v aplikaci. Nyní produktový manažer dostává e-mailová upozornění, pokud dojde k velkému počtu „smyček“ – když se uživatel znovu a znovu vrací na stejnou obrazovku.

Podívejme se na to, jaké vzory v trajektoriích uživatelů je obecně zajímavé hledat při analýze problémů a oblastí růstu aplikace:

• Smyčky a cykly. Výše uvedené smyčky jsou, když se jedna událost opakuje v trajektorii uživatele, například kalendář-kalendář-kalendář-kalendář. Smyčka s velkým množstvím opakování je jasným indikátorem problému s rozhraním nebo nedostatečného označení událostí. Cyklus je také uzavřená trajektorie, ale na rozdíl od smyčky zahrnuje více než jednu událost, například: zobrazení historie letu - přidání letu - zobrazení historie letu.
• Flowstoppers - když uživatel kvůli nějaké překážce nemůže pokračovat ve svém požadovaném pohybu aplikací, například obrazovkou s rozhraním, které není pro klienta zřejmé. Takové události zpomalují a posouvají trajektorii uživatelů.
• Bifurkační body jsou významné události, po kterých se oddělují trajektorie klientů různých typů. Zejména se jedná o obrazovky, které neobsahují přímý přechod nebo výzvu k akci k cílové akci, což některé uživatele k ní účinně tlačí. Například některá obrazovka, která přímo nesouvisí s nákupem obsahu v aplikaci, ale na které mají zákazníci sklon kupovat nebo nekupovat obsah, se bude chovat jinak. Bifurkační body mohou být body vlivu na jednání vašich uživatelů se znaménkem plus - mohou ovlivnit rozhodnutí o nákupu nebo kliknutí, nebo znaménkem mínus - mohou určit, že po pár krocích uživatel opustí aplikaci.
• Přerušené konverzní body jsou potenciální bifurkační body. Můžete si je představit jako obrazovky, které by mohly vyvolat cílovou akci, ale ne. Může to být také bod v čase, kdy má uživatel potřebu, ale my ji neuspokojíme, protože o ní prostě nevíme. Analýza trajektorie by měla umožnit tuto potřebu identifikovat.
• Bod rozptýlení – obrazovky/vyskakovací okna, která uživateli nepřinášejí hodnotu, neovlivňují konverzi a mohou „rozmazat“ trajektorie a odvádět pozornost uživatele od cílových akcí.
• Slepá místa jsou skryté body aplikace, obrazovek a funkcí, které jsou pro uživatele velmi obtížně dostupné.
• Odtoky – místa, kde dochází k úniku dopravy

Obecně nám matematický přístup umožnil pochopit, že klient používá aplikaci zcela jiným způsobem, než si obvykle myslí produktoví manažeři, když se snaží uživateli naplánovat nějaký standardní scénář použití. Když sedíte v kanceláři a účastníte se těch nejlepších produktových konferencí, je stále velmi obtížné si představit celou řadu skutečných terénních podmínek, ve kterých bude uživatel pomocí aplikace řešit své problémy.

To mi připomíná skvělý vtip. Tester vejde do baru a objedná si: sklenici piva, 2 sklenice piva, 0 sklenic piva, 999999999 sklenic piva, ještěrku ve skle, -1 sklenici piva, sklenice piva qwertyuip. První skutečný zákazník vejde do baru a ptá se, kde je toaleta. Bar vzplane a všichni zemřou.

Produktoví analytici, hluboce ponořeni do tohoto problému, začali zavádět koncept mikromomentu. Moderní uživatel potřebuje okamžité řešení svého problému. Google o tom začal mluvit před několika lety: společnost takové uživatelské akce nazvala mikromomenty. Uživatel se vyruší, omylem zavře aplikaci, nerozumí tomu, co se od něj požaduje, o den později se znovu přihlásí, znovu zapomene a poté následuje odkaz, který mu poslal přítel v messengeru. A všechny tyto relace nemohou trvat déle než 20 sekund.

Začali jsme se tedy snažit nastavit fungování podpůrné služby tak, aby zaměstnanci téměř v reálném čase pochopili, v čem je problém. Ve chvíli, kdy člověk přijde na stránku podpory a začne psát svůj dotaz, můžeme určit podstatu problému, když známe jeho trajektorii – posledních 100 událostí. Dříve jsme automatizovali rozdělování všech žádostí o podporu do kategorií pomocí ML analýzy textů žádostí o podporu. Navzdory úspěchu kategorizace, kdy je 87 % všech požadavků správně rozděleno do jedné ze 13 kategorií, je to právě práce s trajektoriemi, která dokáže automaticky najít nejvhodnější řešení pro situaci uživatele.

Aktualizace nemůžeme vydávat rychle, ale jsme schopni problém zaznamenat, a pokud se uživatel řídí scénářem, který jsme již viděli, poslat mu oznámení push.

Vidíme, že úloha optimalizace aplikace vyžaduje bohaté nástroje pro studium trajektorií uživatelů. Kromě toho, když znáte všechny cesty, kterými se uživatelé ubírají, můžete vydláždit potřebné cesty a pomocí přizpůsobeného obsahu, push notifikací a adaptivních prvků uživatelského rozhraní „z ruky“ vedou uživatele k cíleným akcím, které nejlépe vyhovují jeho potřebám a přinášejí peníze. , data a další hodnoty pro vaše podnikání.

Co vzít na vědomí

• Studovat konverzi uživatelů pouze pomocí trychtýřů jako příkladu znamená ztrátu bohatých informací, které nám poskytuje samotná aplikace.

• Udržovací analýza trajektorií uživatelů v grafech vám pomůže zjistit, které funkce používáte k udržení uživatelů nebo například k jejich povzbuzení k odběru.
• Nástroje pro uchovávání informací pomáhají automaticky v reálném čase sledovat vzory, které indikují problémy uživatelů v aplikaci, najít a odstranit chyby tam, kde bylo obtížné si jich všimnout.

• Pomáhají najít nezřejmé vzorce chování uživatelů.

• Nástroje pro uchovávání informací umožňují vytvářet automatizované nástroje ML pro předpovídání klíčových uživatelských událostí a metrik: ztráta uživatelů, LTV a mnoho dalších metrik, které lze snadno určit v grafu.

Budujeme komunitu kolem Retentioneering pro bezplatnou výměnu nápadů. Nástroje, které vyvíjíme, si můžete představit jako jazyk, ve kterém si analytici a produkty z různých mobilních a webových aplikací mohou vyměňovat poznatky, nejlepší techniky a metody. V kurzu se můžete naučit, jak tyto nástroje používat Growth Hacking: analytika mobilních aplikací Binární okres.

Zdroj: www.habr.com