Mempertahankan pengguna dalam aplikasi seluler adalah ilmu yang utuh. Penulis kursus menjelaskan dasar-dasarnya dalam artikel kami di VC.ru Maxim Godzi, Kepala Pembelajaran Mesin di App in the Air. Maxim berbicara tentang alat yang dikembangkan di perusahaan dengan menggunakan contoh pekerjaan menganalisis dan mengoptimalkan aplikasi seluler. Pendekatan sistematis terhadap peningkatan produk, yang dikembangkan di App in the Air, disebut Retentioneering. Anda dapat menggunakan alat-alat ini di produk Anda: beberapa di antaranya ada di dalamnya di GitHub.
App in the Air adalah aplikasi dengan lebih dari 3 juta pengguna aktif di seluruh dunia, yang dengannya Anda dapat melacak penerbangan, mendapatkan informasi tentang perubahan waktu keberangkatan/pendaratan, check-in, dan karakteristik bandara.
Dari corong hingga lintasan
Semua tim pengembangan membangun corong orientasi (sebuah proses yang ditujukan untuk penerimaan pengguna terhadap produk). Ini adalah langkah pertama yang membantu Anda melihat keseluruhan sistem dari atas dan menemukan masalah aplikasi. Namun seiring berkembangnya produk, Anda akan merasakan keterbatasan pendekatan ini. Dengan menggunakan corong sederhana, Anda tidak dapat melihat titik pertumbuhan yang tidak jelas untuk suatu produk. Tujuan dari corong adalah untuk memberikan gambaran umum mengenai tahapan pengguna dalam aplikasi, untuk menunjukkan kepada Anda metrik norma. Namun corong akan dengan hati-hati menyembunyikan penyimpangan dari norma menuju masalah yang jelas atau, sebaliknya, aktivitas pengguna khusus.
Di App in the Air, kami membuat corong kami sendiri, tetapi karena spesifikasi produknya, kami mendapatkan jam pasir. Kemudian kami memutuskan untuk memperluas pendekatan dan menggunakan informasi kaya yang diberikan oleh aplikasi itu sendiri.
Saat Anda membuat corong, Anda kehilangan lintasan orientasi pengguna. Lintasan terdiri dari serangkaian tindakan oleh pengguna dan aplikasi itu sendiri (misalnya, mengirimkan pemberitahuan push).
Dengan menggunakan stempel waktu, Anda dapat dengan mudah merekonstruksi lintasan pengguna dan membuat grafik untuk masing-masing lintasan. Tentu saja, ada banyak sekali grafiknya. Oleh karena itu, Anda perlu mengelompokkan pengguna serupa. Misalnya, Anda dapat mengurutkan semua pengguna berdasarkan baris tabel dan mencantumkan seberapa sering mereka menggunakan fungsi tertentu.
Berdasarkan tabel tersebut, kami membuat matriks dan mengelompokkan pengguna berdasarkan frekuensi penggunaan fungsi, yaitu berdasarkan node dalam grafik. Ini biasanya merupakan langkah pertama menuju wawasan: misalnya, pada tahap ini Anda akan melihat bahwa beberapa pengguna tidak menggunakan beberapa fungsi sama sekali. Saat kami melakukan analisis frekuensi, kami mulai mempelajari node mana dalam grafik yang “terbesar”, yaitu halaman mana yang paling sering dikunjungi pengguna. Kategori yang berbeda secara mendasar menurut beberapa kriteria yang penting bagi Anda segera disorot. Di sini, misalnya, ada dua cluster pengguna yang kami bagi berdasarkan keputusan berlangganan (total ada 16 cluster).
Bagaimana cara menggunakannya
Dengan melihat pengguna seperti ini, Anda dapat melihat fitur apa yang Anda gunakan untuk mempertahankan mereka atau, misalnya, membuat mereka mendaftar. Secara alami, matriks juga akan menunjukkan hal-hal yang jelas. Misalnya, mereka yang membeli langganan mengunjungi layar berlangganan. Namun selain itu, Anda juga dapat menemukan pola yang tidak akan pernah Anda ketahui sebelumnya.
Jadi kami secara tidak sengaja menemukan sekelompok pengguna yang menambahkan penerbangan, secara aktif melacaknya sepanjang hari dan kemudian menghilang dalam waktu lama hingga mereka terbang ke suatu tempat lagi. Jika kami menganalisis perilaku mereka menggunakan alat konvensional, kami akan berpikir bahwa mereka tidak puas dengan fungsionalitas aplikasi: bagaimana lagi kami dapat menjelaskan bahwa mereka menggunakannya selama satu hari dan tidak pernah kembali. Namun dengan bantuan grafik kami melihat mereka sangat aktif, hanya saja semua aktivitas mereka ditampung dalam satu hari.
Sekarang tugas utama kami adalah mendorong pengguna tersebut untuk terhubung ke program loyalitas maskapai penerbangannya saat dia menggunakan statistik kami. Dalam hal ini, kami akan mengimpor semua penerbangan yang dia beli dan mencoba mendorongnya untuk mendaftar segera setelah dia membeli tiket baru. Untuk mengatasi masalah ini, kami juga mulai bekerja sama dengan Aviasales, Svyaznoy.Travel dan aplikasi lainnya. Saat penggunanya membeli tiket, aplikasi meminta mereka untuk menambahkan penerbangan ke App in the Air, dan kami langsung melihatnya.
Berkat grafik tersebut, kami melihat bahwa 5% orang yang membuka layar berlangganan membatalkannya. Kami mulai menganalisis kasus-kasus seperti itu, dan melihat bahwa ada pengguna yang membuka halaman pertama, memulai koneksi akun Google-nya, dan segera membatalkannya, membuka halaman pertama lagi, dan seterusnya sebanyak empat kali. Awalnya kami berpikir, “Jelas ada yang salah dengan pengguna ini.” Dan kemudian kami menyadari bahwa, kemungkinan besar, ada bug di aplikasi tersebut. Di corong, ini akan ditafsirkan sebagai berikut: pengguna tidak menyukai kumpulan izin yang diminta aplikasi, dan dia keluar.
Kelompok lain mendapati 5% penggunanya tersesat di layar saat aplikasi meminta mereka memilih salah satu dari semua aplikasi kalender di ponsel cerdas mereka. Pengguna akan memilih kalender yang berbeda berulang kali dan kemudian keluar dari aplikasi. Ternyata ada masalah UX: setelah seseorang memilih kalender, mereka harus mengklik Selesai di pojok kanan atas. Hanya saja tidak semua pengguna melihatnya.
Layar pertama Aplikasi di Udara
Dalam grafik kami, kami melihat bahwa sekitar 30% pengguna tidak melampaui layar pertama: hal ini disebabkan oleh fakta bahwa kami cukup agresif dalam mendorong pengguna untuk berlangganan. Pada layar pertama, aplikasi meminta Anda untuk mendaftar menggunakan Google atau Triplt, dan tidak ada informasi tentang melewatkan pendaftaran. Dari mereka yang meninggalkan layar pertama, 16% pengguna mengklik “Lainnya” dan kembali lagi. Kami mengetahui bahwa mereka sedang mencari cara untuk mendaftar secara internal di aplikasi dan kami akan merilisnya di pembaruan berikutnya. Selain itu, 2/3 dari mereka yang langsung keluar tidak mengklik apapun sama sekali. Untuk mengetahui apa yang terjadi pada mereka, kami membuat peta panas. Ternyata pelanggan mengeklik daftar fitur aplikasi yang bukan merupakan tautan yang dapat diklik.
Abadikan momen mikro
Anda sering melihat orang-orang menginjak-injak jalan setapak di samping jalan aspal. Retentioneering adalah upaya untuk menemukan jalur tersebut dan, jika memungkinkan, mengubah jalur tersebut.
Tentu saja, buruk jika kami belajar dari pengguna sebenarnya, tetapi setidaknya kami mulai secara otomatis melacak pola yang menunjukkan masalah pengguna dalam aplikasi. Kini manajer produk menerima pemberitahuan email jika terjadi “perulangan” dalam jumlah besar—saat pengguna kembali ke layar yang sama berulang kali.
Mari kita lihat pola lintasan pengguna apa yang secara umum menarik untuk dicari guna menganalisis masalah dan area pertumbuhan suatu aplikasi:
- Loop dan siklus. Perulangan yang disebutkan di atas adalah ketika satu peristiwa berulang di lintasan pengguna, misalnya kalender-kalender-kalender-kalender. Perulangan dengan banyak pengulangan merupakan indikator yang jelas dari masalah antarmuka atau penandaan peristiwa yang tidak memadai. Sebuah siklus juga merupakan lintasan tertutup, tetapi tidak seperti loop, siklus ini mencakup lebih dari satu peristiwa, misalnya: melihat riwayat penerbangan - menambahkan penerbangan - melihat riwayat penerbangan.
- Penghenti aliran - ketika pengguna, karena suatu kendala, tidak dapat melanjutkan gerakan yang diinginkan melalui aplikasi, misalnya, layar dengan antarmuka yang tidak jelas bagi klien. Peristiwa seperti itu memperlambat dan mengubah arah pengguna.
- Titik bifurkasi adalah peristiwa penting yang setelahnya lintasan klien dari tipe berbeda dipisahkan. Secara khusus, ini adalah layar yang tidak berisi transisi langsung atau ajakan bertindak ke tindakan yang ditargetkan, sehingga secara efektif mendorong beberapa pengguna ke arah tindakan tersebut. Misalnya, beberapa layar yang tidak terkait langsung dengan pembelian konten dalam aplikasi, namun di mana pelanggan cenderung membeli atau tidak membeli konten, akan berperilaku berbeda. Titik percabangan dapat menjadi titik pengaruh terhadap tindakan pengguna Anda dengan tanda plus - titik tersebut dapat memengaruhi keputusan untuk melakukan pembelian atau klik, atau tanda minus - titik tersebut dapat menentukan bahwa setelah beberapa langkah pengguna akan meninggalkan aplikasi.
- Titik konversi yang dibatalkan berpotensi menjadi titik bifurkasi. Anda dapat menganggapnya sebagai layar yang dapat memicu tindakan yang ditargetkan, namun jangan lakukan itu. Ini juga bisa menjadi saat ketika pengguna memiliki kebutuhan, namun kami tidak memuaskannya karena kami tidak mengetahuinya. Analisis lintasan harus memungkinkan kebutuhan ini diidentifikasi.
- Titik gangguan - layar/pop-up yang tidak memberikan nilai kepada pengguna, tidak memengaruhi konversi, dan dapat “mengaburkan” lintasan, sehingga mengganggu pengguna dari tindakan yang ditargetkan.
- Titik buta merupakan titik tersembunyi dari aplikasi, layar, dan fitur yang sangat sulit dijangkau oleh pengguna.
- Saluran air – titik kebocoran lalu lintas
Secara umum, pendekatan matematis memungkinkan kami memahami bahwa klien menggunakan aplikasi dengan cara yang sangat berbeda dari yang biasanya dipikirkan manajer produk ketika mencoba merencanakan beberapa skenario penggunaan standar untuk pengguna. Duduk di kantor dan menghadiri konferensi produk paling keren, masih sangat sulit membayangkan berbagai macam kondisi lapangan nyata di mana pengguna akan menyelesaikan masalahnya dengan menggunakan aplikasi.
Ini mengingatkan saya pada sebuah lelucon yang bagus. Seorang penguji masuk ke bar dan memesan: segelas bir, 2 gelas bir, 0 gelas bir, 999999999 gelas bir, kadal dalam gelas, -1 gelas bir, qwertyuip gelas bir. Pelanggan pertama yang sebenarnya masuk ke bar dan bertanya di mana letak toilet. Bar itu terbakar dan semua orang mati.
Analis produk, yang mendalami masalah ini, mulai memperkenalkan konsep momen mikro. Pengguna modern membutuhkan solusi instan untuk masalah mereka. Google mulai membicarakan hal ini beberapa tahun yang lalu: perusahaan menyebut tindakan pengguna tersebut sebagai momen mikro. Pengguna terganggu, secara tidak sengaja menutup aplikasi, tidak mengerti apa yang diminta darinya, login lagi sehari kemudian, lupa lagi, dan kemudian mengikuti tautan yang dikirimkan seorang teman kepadanya di messenger. Dan semua sesi ini bisa berlangsung tidak lebih dari 20 detik.
Jadi kami mulai mencoba mengatur pekerjaan layanan dukungan sehingga karyawan dapat memahami masalahnya hampir secara real time. Pada saat seseorang membuka halaman dukungan dan mulai menulis pertanyaannya, kita dapat menentukan inti masalahnya, mengetahui lintasannya - 100 peristiwa terakhir. Sebelumnya, kami mengotomatiskan distribusi semua permintaan dukungan ke dalam kategori menggunakan analisis ML terhadap teks permintaan dukungan. Meskipun kategorisasi berhasil, ketika 87% dari semua permintaan didistribusikan dengan benar ke dalam salah satu dari 13 kategori, maka lintasanlah yang secara otomatis dapat menemukan solusi paling sesuai untuk situasi pengguna.
Kami tidak dapat merilis pembaruan dengan cepat, namun kami dapat melihat masalahnya dan, jika pengguna mengikuti skenario yang telah kami lihat, kirimkan dia pemberitahuan push.
Kami melihat bahwa tugas mengoptimalkan aplikasi memerlukan alat yang kaya untuk mempelajari lintasan pengguna. Selanjutnya, dengan mengetahui semua jalur yang diambil pengguna, Anda dapat membuka jalur yang diperlukan, dan dengan bantuan konten yang disesuaikan, pemberitahuan push, dan elemen UI adaptif “dengan tangan” mengarahkan pengguna ke tindakan bertarget yang paling sesuai dengan kebutuhannya dan menghasilkan uang , data, dan nilai lainnya untuk bisnis Anda.
Apa yang perlu diperhatikan
- Mempelajari konversi pengguna hanya menggunakan corong sebagai contoh berarti kehilangan banyak informasi yang diberikan oleh aplikasi itu sendiri.
- Analisis retensi lintasan pengguna pada grafik membantu Anda melihat fitur mana yang Anda gunakan untuk mempertahankan pengguna atau, misalnya, mendorong mereka untuk berlangganan.
- Alat retensi membantu secara otomatis, dalam waktu nyata, melacak pola yang menunjukkan masalah pengguna dalam aplikasi, menemukan dan menutup bug yang sulit diketahui.
- Mereka membantu menemukan pola perilaku pengguna yang tidak jelas.
- Alat retensi memungkinkan pembuatan alat ML otomatis untuk memprediksi peristiwa dan metrik pengguna utama: kehilangan pengguna, LTV, dan banyak metrik lainnya yang mudah ditentukan pada grafik.
Kami sedang membangun komunitas seputar Retentioneering untuk pertukaran ide secara bebas. Anda dapat menganggap alat yang kami kembangkan sebagai bahasa yang memungkinkan analis dan produk dari berbagai aplikasi seluler dan web dapat bertukar wawasan, teknik, dan metode terbaik. Anda dapat mempelajari cara menggunakan alat-alat ini dalam kursus Distrik Biner.
Sumber: www.habr.com