نگه داشتن کاربر در اپلیکیشن موبایل یک علم کامل است. نویسنده دوره اصول اولیه آن را در مقاله ما در VC.ru شرح داد ماکسیم گودزی، رئیس یادگیری ماشین در App in the Air. ماکسیم در مورد ابزارهای توسعه یافته در شرکت با استفاده از مثال کار بر روی تجزیه و تحلیل و بهینه سازی یک برنامه تلفن همراه صحبت می کند. این رویکرد سیستماتیک برای بهبود محصول، که در App in the Air توسعه یافته است، Retaineering نامیده می شود. شما می توانید از این ابزارها در محصول خود استفاده کنید: برخی از آنها در در GitHub.
App in the Air اپلیکیشنی با بیش از 3 میلیون کاربر فعال در سراسر جهان است که با آن می‌توانید پروازها را ردیابی کنید، اطلاعاتی در مورد تغییرات زمان حرکت/فرود، چک‌این و مشخصات فرودگاه به‌دست آورید.
از قیف تا مسیر
همه تیم های توسعه یک قیف داخلی (فرآیندی با هدف پذیرش محصول توسط کاربر) ایجاد می کنند. این اولین قدمی است که به شما کمک می کند تا کل سیستم را از بالا نگاه کنید و مشکلات برنامه را پیدا کنید. اما با توسعه محصول، محدودیت های این رویکرد را احساس خواهید کرد. با استفاده از یک قیف ساده، نمی‌توانید نقاط رشد غیر واضح را برای یک محصول ببینید. هدف قیف ارائه یک نگاه کلی به مراحل کاربران در برنامه است تا معیارهای هنجار را به شما نشان دهد. اما قیف با احتیاط انحرافات از هنجار را به سمت مشکلات آشکار یا برعکس، فعالیت خاص کاربر پنهان می کند.
در App in the Air، ما قیف خود را ساختیم، اما به دلیل ویژگی‌های محصول، در نهایت به ساعت شنی رسیدیم. سپس تصمیم گرفتیم رویکرد را گسترش دهیم و از اطلاعات غنی که خود برنامه به ما می دهد استفاده کنیم.
وقتی یک قیف می‌سازید، کاربر مسیرهای عبور را از دست می‌دهید. مسیرها شامل دنباله ای از اقدامات توسط کاربر و خود برنامه است (به عنوان مثال، ارسال یک اعلان فشار).
با استفاده از برچسب های زمانی، می توانید به راحتی مسیر کاربر را بازسازی کنید و برای هر یک از آنها نموداری از آن بسازید. البته نمودارهای زیادی وجود دارد. بنابراین، باید کاربران مشابه را گروه بندی کنید. به عنوان مثال، می‌توانید همه کاربران را بر اساس ردیف‌های جدول مرتب کنید و فهرست کنید که چند بار از یک تابع خاص استفاده می‌کنند.
بر اساس چنین جدولی، ما یک ماتریس ساختیم و کاربران را بر اساس فراوانی استفاده از توابع، یعنی بر اساس گره های نمودار، گروه بندی کردیم. این معمولاً اولین قدم به سوی بینش است: به عنوان مثال، در این مرحله می بینید که برخی از کاربران اصلاً از برخی از توابع استفاده نمی کنند. وقتی تجزیه و تحلیل فرکانس را انجام دادیم، شروع به مطالعه کردیم که کدام گره ها در نمودار "بزرگترین" هستند، یعنی کاربران بیشتر از کدام صفحات بازدید می کنند. دسته بندی هایی که اساساً با توجه به معیارهایی که برای شما مهم است متفاوت هستند بلافاصله برجسته می شوند. برای مثال، در اینجا دو دسته از کاربران وجود دارد که ما آنها را بر اساس تصمیم اشتراک تقسیم کردیم (در مجموع 16 خوشه وجود داشت).
نحوه استفاده از آن
با نگاه کردن به کاربران خود به این صورت، می توانید ببینید که از چه ویژگی هایی برای حفظ آنها استفاده می کنید یا مثلاً آنها را وادار به ثبت نام می کنید. طبیعتاً ماتریس نیز چیزهای واضحی را نشان خواهد داد. به عنوان مثال، کسانی که اشتراکی را خریداری کرده اند از صفحه اشتراک بازدید کرده اند. اما علاوه بر این، شما همچنین می توانید الگوهایی را پیدا کنید که در غیر این صورت هرگز نمی دانستید.
بنابراین به طور کاملاً تصادفی گروهی از کاربران را پیدا کردیم که یک پرواز را اضافه می کنند، به طور فعال آن را در طول روز ردیابی می کنند و سپس برای مدت طولانی ناپدید می شوند تا دوباره به جایی پرواز کنند. اگر رفتار آنها را با استفاده از ابزارهای معمولی تجزیه و تحلیل کنیم، فکر می‌کنیم که آنها به سادگی از عملکرد برنامه راضی نیستند: چگونه می‌توانیم توضیح دهیم که آنها یک روز از آن استفاده کردند و هرگز برنگشتند. اما با کمک نمودارها دیدیم که آنها بسیار فعال هستند، فقط تمام فعالیت آنها در یک روز قرار می گیرد.
اکنون وظیفه اصلی ما تشویق چنین کاربری برای اتصال به برنامه وفاداری خط هوایی خود در حالی است که از آمار ما استفاده می کند. در این صورت، تمام پروازهایی را که او خریداری می کند، وارد می کنیم و سعی می کنیم به محض خرید بلیط جدید، او را وادار به ثبت نام کنیم. برای حل این مشکل، ما همچنین شروع به همکاری با Aviasales، Svyaznoy.Travel و سایر برنامه ها کردیم. وقتی کاربر یک بلیط خریداری می کند، برنامه از آنها می خواهد که پرواز را به App in the Air اضافه کنند و ما بلافاصله آن را مشاهده می کنیم.
به لطف نمودار، دیدیم که 5 درصد از افرادی که به صفحه اشتراک می روند آن را لغو می کنند. ما شروع به تجزیه و تحلیل چنین مواردی کردیم و دیدیم که کاربری وجود دارد که به صفحه اول می رود، اتصال اکانت گوگل خود را شروع می کند و بلافاصله آن را لغو می کند، دوباره به صفحه اول می رسد و به همین ترتیب چهار بار. در ابتدا فکر کردیم، "به وضوح با این کاربر مشکلی وجود دارد." و سپس متوجه شدیم که به احتمال زیاد، یک اشکال در برنامه وجود دارد. در قیف، این به صورت زیر تفسیر می شود: کاربر مجموعه مجوزهایی را که برنامه درخواست می کند دوست نداشت و او را ترک کرد.
گروهی دیگر 5 درصد از کاربران را در صفحه نمایش گم کرده بودند که برنامه از آنها می خواهد یکی از همه برنامه های تقویم موجود در تلفن هوشمند خود را انتخاب کنند. کاربران بارها و بارها تقویم های مختلف را انتخاب می کنند و سپس به سادگی از برنامه خارج می شوند. به نظر می رسد یک مشکل UX وجود داشته است: پس از اینکه شخصی تقویمی را انتخاب کرد، باید روی Done در گوشه بالا سمت راست کلیک می کرد. فقط همه کاربران آن را ندیده اند.
صفحه اول برنامه در هوا
در نمودار ما دیدیم که حدود 30٪ از کاربران از صفحه اول فراتر نمی روند: این به این دلیل است که ما در فشار دادن کاربر به اشتراک کاملاً تهاجمی هستیم. در صفحه اول، برنامه از شما می خواهد که با استفاده از Google یا Triplt ثبت نام کنید و هیچ اطلاعاتی در مورد پرش از ثبت نام وجود ندارد. از بین کسانی که صفحه اول را ترک می کنند، 16٪ از کاربران روی "بیشتر" کلیک می کنند و دوباره باز می گردند. متوجه شدیم که آنها به دنبال راهی برای ثبت نام داخلی در اپلیکیشن هستند و در آپدیت بعدی آن را منتشر خواهیم کرد. علاوه بر این، 2/3 از کسانی که بلافاصله ترک می‌کنند، اصلاً روی چیزی کلیک نمی‌کنند. برای اینکه بفهمیم چه اتفاقی برای آنها می افتد، یک نقشه حرارتی ساختیم. به نظر می رسد که مشتریان روی لیستی از ویژگی های برنامه کلیک می کنند که لینک های قابل کلیک نیستند.
ثبت یک لحظه کوچک
اغلب می توانید افرادی را ببینید که مسیرهای کنار جاده آسفالته را زیر پا می گذارند. حفظ و نگهداری تلاشی است برای یافتن این مسیرها و در صورت امکان تغییر جاده ها.
البته بد است که از کاربران واقعی یاد می گیریم، اما حداقل شروع به ردیابی خودکار الگوهایی کردیم که نشان دهنده مشکل کاربر در برنامه است. اکنون مدیر محصول اعلان‌های ایمیلی را در صورت وقوع تعداد زیادی حلقه دریافت می‌کند – زمانی که کاربر بارها و بارها به همان صفحه باز می‌گردد.
بیایید ببینیم چه الگوهایی در مسیرهای کاربر معمولاً برای تجزیه و تحلیل مشکلات و زمینه های رشد یک برنامه جالب است:
- حلقه ها و چرخه ها. حلقه های ذکر شده در بالا زمانی هستند که یک رویداد در مسیر کاربر تکرار می شود، به عنوان مثال، تقویم-تقویم-تقویم-تقویم. یک حلقه با تکرار زیاد نشانگر واضح مشکل رابط یا علامت گذاری ناکافی رویداد است. یک چرخه نیز یک مسیر بسته است، اما بر خلاف یک حلقه شامل بیش از یک رویداد است، به عنوان مثال: مشاهده تاریخچه پرواز - اضافه کردن یک پرواز - مشاهده تاریخچه پرواز.
- Flowstoppers - زمانی که کاربر به دلیل وجود مانعی نمی تواند حرکت مورد نظر خود را از طریق برنامه ادامه دهد، به عنوان مثال، صفحه ای با رابط کاربری که برای مشتری واضح نیست. چنین رویدادهایی باعث کاهش سرعت و تغییر مسیر کاربران می شود.
- نقاط انشعاب رویدادهای مهمی هستند که پس از آن مسیرهای مشتریان انواع مختلف از هم جدا می شوند. به طور خاص، اینها صفحه‌هایی هستند که شامل انتقال مستقیم یا فراخوانی برای اقدام به عمل هدف نیستند، و در واقع برخی از کاربران را به سمت آن سوق می‌دهند. به عنوان مثال، برخی از صفحه‌هایی که مستقیماً با خرید محتوای یک برنامه مرتبط نیستند، اما مشتریان تمایل دارند محتوا را بخرند یا نخرند، رفتار متفاوتی خواهند داشت. نقاط انشعاب می توانند با علامت مثبت بر روی اقدامات کاربران شما تأثیر بگذارند - آنها می توانند بر تصمیم خرید یا کلیک کردن یا علامت منفی تأثیر بگذارند - آنها می توانند تعیین کنند که پس از چند مرحله کاربر برنامه را ترک کند.
- نقاط تبدیل سقط شده، نقاط انشعاب بالقوه هستند. می‌توانید آنها را به‌عنوان صفحه‌هایی در نظر بگیرید که می‌توانند یک اقدام هدف را تحریک کنند، اما این کار را نکنید. این همچنین می‌تواند زمانی باشد که کاربر نیازی داشته باشد، اما ما آن را برآورده نمی‌کنیم زیرا به سادگی از آن اطلاعی نداریم. تجزیه و تحلیل مسیر باید این امکان را فراهم کند که این نیاز شناسایی شود.
- نقطه حواس‌پرتی - صفحه‌نمایش‌ها/پاپ‌آپ‌هایی که ارزشی را برای کاربر فراهم نمی‌کنند، بر تبدیل تأثیری نمی‌گذارند و می‌توانند مسیرها را «تار» کنند و حواس کاربر را از اقدامات هدف منحرف کنند.
- نقاط کور، نقاط پنهان اپلیکیشن، صفحه نمایش ها و ویژگی هایی هستند که دسترسی به آنها برای کاربر بسیار سخت است.
- زهکشی - نقاطی که در آن ترافیک نشت می کند
به طور کلی، رویکرد ریاضی به ما این امکان را داد که درک کنیم که مشتری از برنامه به روشی کاملاً متفاوت با آنچه مدیران محصول معمولاً هنگام برنامه‌ریزی سناریوی استفاده استاندارد برای کاربر فکر می‌کنند، استفاده می‌کند. با نشستن در دفتر و شرکت در کنفرانس های جذاب ترین محصول، تصور همه شرایط مختلف میدانی واقعی که در آن کاربر مشکلات خود را با استفاده از برنامه حل می کند، هنوز بسیار دشوار است.
این من را یاد یک شوخی بزرگ می اندازد. یک آزمایشگر وارد یک بار می شود و سفارش می دهد: یک لیوان آبجو، 2 لیوان آبجو، 0 لیوان آبجو، 999999999 لیوان آبجو، یک مارمولک در یک لیوان، -1 لیوان آبجو، لیوان آبجو qwertyuip. اولین مشتری واقعی وارد بار می شود و می پرسد سرویس بهداشتی کجاست. میله آتش می گیرد و همه می میرند.
تحلیلگران محصول که عمیقاً در این مشکل غوطه ور بودند، شروع به معرفی مفهوم میکرومنت کردند. کاربر مدرن به یک راه حل فوری برای مشکل خود نیاز دارد. گوگل چند سال پیش شروع به صحبت در مورد این موضوع کرد: این شرکت چنین اقدامات کاربر را لحظات خرد نامید. کاربر حواسش پرت می شود، به طور تصادفی برنامه را می بندد، متوجه نمی شود که چه چیزی از او خواسته می شود، یک روز بعد دوباره وارد سیستم می شود، دوباره فراموش می کند و سپس پیوندی را که یکی از دوستان برای او در پیام رسان ارسال کرده است دنبال می کند. و تمام این جلسات نمی تواند بیش از 20 ثانیه طول بکشد.
بنابراین ما شروع به تلاش برای تنظیم کار خدمات پشتیبانی کردیم تا کارمندان بتوانند تقریباً در زمان واقعی بفهمند مشکل چیست. زمانی که شخصی به صفحه پشتیبانی می آید و شروع به نوشتن سوال خود می کند، می توانیم با دانستن مسیر حرکت او - 100 رویداد آخر - ماهیت مشکل را تعیین کنیم. قبلاً، با استفاده از تجزیه و تحلیل ML متون درخواست‌های پشتیبانی، توزیع تمام درخواست‌های پشتیبانی را به دسته‌ها خودکار می‌کردیم. علیرغم موفقیت طبقه‌بندی، زمانی که 87 درصد از تمام درخواست‌ها به درستی در یکی از 13 دسته توزیع می‌شوند، کار با مسیرهایی است که می‌تواند به طور خودکار مناسب‌ترین راه‌حل را برای موقعیت کاربر پیدا کند.
ما نمی‌توانیم به‌روزرسانی‌ها را سریع منتشر کنیم، اما می‌توانیم متوجه مشکل شویم و اگر کاربر سناریویی را که قبلاً دیده‌ایم دنبال کند، یک اعلان فشار برای او ارسال کنیم.
می بینیم که وظیفه بهینه سازی یک برنامه کاربردی نیازمند ابزارهای غنی برای مطالعه مسیرهای کاربر است. علاوه بر این، با دانستن تمام مسیرهایی که کاربران طی می‌کنند، می‌توانید مسیرهای لازم را هموار کنید و با کمک محتوای سفارشی‌شده، اعلان‌های فشاری و عناصر رابط کاربری تطبیقی «توسط دست» کاربر را به اقدامات هدفمندی هدایت کنید که به بهترین وجه با نیازهای او مطابقت دارد و پول به همراه دارد. ، داده ها و سایر ارزش ها برای کسب و کار شما.
چه چیزی باید توجه داشته باشد
- مطالعه تبدیل کاربر فقط با استفاده از قیف به عنوان مثال به معنای از دست دادن اطلاعات غنی است که خود برنامه به ما می دهد.
- تجزیه و تحلیل Retaineering از مسیرهای کاربر در نمودارها به شما کمک می کند تا ببینید از چه ویژگی هایی برای حفظ کاربران استفاده می کنید یا، به عنوان مثال، آنها را به اشتراک تشویق می کنید.
- ابزارهای Retaineering به طور خودکار و در زمان واقعی به ردیابی الگوهایی که مشکلات کاربر را در برنامه نشان می‌دهند کمک می‌کنند، اشکالات را در جاهایی که به سختی متوجه آنها می‌شد پیدا کرده و ببندند.
- آنها به یافتن الگوهای غیر آشکار رفتار کاربر کمک می کنند.
- ابزار Retaineering ساخت ابزارهای خودکار ML را برای پیش‌بینی رویدادها و معیارهای کلیدی کاربر امکان‌پذیر می‌سازد: از دست دادن کاربر، LTV و بسیاری از معیارهای دیگر که به راحتی در نمودار مشخص می‌شوند.
ما در حال ایجاد جامعه ای پیرامون Retaineering برای تبادل رایگان ایده ها هستیم. می‌توانید ابزارهایی را که در حال توسعه ما هستیم به عنوان زبانی در نظر بگیرید که در آن تحلیلگران و محصولات از برنامه‌های مختلف موبایل و وب می‌توانند بینش، بهترین تکنیک‌ها و روش‌ها را تبادل کنند. شما می توانید نحوه استفاده از این ابزارها را در دوره یاد بگیرید منطقه باینری.
منبع: www.habr.com