Menjaga pengguna dalam aplikasi seluler adalah ilmu. Dasarnya dalam artikel kami di VC.ru dijelaskan oleh penulis kursus
Growth Hacking: analisis aplikasi seluler Maxim Godzi, Kepala Pembelajaran Mesin di App in the Air. Maxim berbicara tentang alat yang dikembangkan oleh perusahaan pada contoh pekerjaan pada analisis dan optimalisasi aplikasi seluler. Pendekatan sistematis untuk pengembangan produk, yang dikembangkan di App in the Air, disebut Retentioneering. Anda dapat menggunakan alat-alat ini di produk Anda: beberapa di antaranya
tersedia secara bebas di GitHub.
App in the Air - aplikasi dengan lebih dari 3 juta pengguna aktif di seluruh dunia, yang dengannya Anda dapat melacak penerbangan, mendapatkan informasi tentang perubahan waktu keberangkatan / pendaratan, registrasi dan karakteristik bandara.
Dari corong ke lintasan
Semua tim pengembangan membangun corong onboarding (proses yang ditujukan untuk adopsi pengguna atas suatu produk). Ini adalah langkah pertama yang membantu Anda melihat seluruh sistem dari atas dan menemukan masalah aplikasi. Tetapi ketika produk berkembang, Anda akan merasakan keterbatasan dari pendekatan ini. Menggunakan corong sederhana, Anda tidak dapat melihat titik pertumbuhan yang tidak jelas untuk produk. Tujuan corong adalah untuk memberi gambaran umum tentang tahapan pengguna dalam aplikasi, untuk menunjukkan kepada Anda metrik norma. Tetapi corong akan dengan bijaksana menyembunyikan penyimpangan dari norma ke masalah yang jelas atau, sebaliknya, aktivitas pengguna khusus.
Kami di App in the Air membangun corong kami sendiri, namun, karena spesifik produk, kami mendapat jam pasir. Kemudian kami memutuskan untuk memperluas pendekatan, dan menggunakan informasi yang kaya yang diberikan aplikasi kepada kami.
Saat Anda membangun corong, Anda kehilangan lintasan orientasi oleh pengguna. Lintasan terdiri dari serangkaian tindakan pengguna dan aplikasi itu sendiri (misalnya, mengirim pemberitahuan push).
Menggunakan cap waktu, Anda dapat dengan mudah mengembalikan lintasan pengguna dan membuat grafik untuk masing-masing lintasan. Tentu saja, banyak grafik. Karena itu, Anda perlu mengelompokkan pengguna yang serupa. Misalnya, Anda dapat mengatur semua pengguna di baris tabel dan melukis seberapa sering mereka menggunakan beberapa fungsi.
Berdasarkan tabel seperti itu, kami membuat matriks dan mengelompokkan pengguna berdasarkan frekuensi penggunaan fungsi, yaitu oleh node dalam grafik. Biasanya ini adalah langkah pertama untuk wawasan: misalnya, sudah pada tahap ini Anda akan melihat bahwa beberapa pengguna tidak menggunakan bagian dari fungsi sama sekali. Ketika kami melakukan analisis frekuensi, kami mulai mempelajari node mana dari grafik yang "terbesar", yaitu halaman yang paling sering dikunjungi pengguna. Kategori yang berbeda secara mendasar dengan beberapa kriteria penting untuk Anda segera dibedakan. Di sini, misalnya, adalah dua kelompok pengguna yang kami bagi berdasarkan keputusan berlangganan (total ada 16 kelompok).
Bagaimana cara menggunakannya
Dengan melihat pengguna Anda dengan cara ini, Anda dapat melihat fungsi apa yang Anda gunakan untuk menahan mereka, atau, misalnya, untuk berlangganan. Secara alami, matriks juga akan menunjukkan hal-hal yang jelas. Misalnya, mereka yang membeli langganan ada di layar langganan. Namun selain itu, Anda dapat menemukan pola yang tidak akan Anda ketahui sebelumnya.
Jadi kami tidak sengaja menemukan sekelompok pengguna yang menambahkan penerbangan, secara aktif melacaknya di siang hari, dan kemudian menghilang untuk waktu yang lama sampai mereka kembali terbang di suatu tempat. Jika kami menganalisis perilaku mereka menggunakan alat biasa, kami akan berpikir bahwa fungsionalitas aplikasi tidak cocok untuk mereka: bagaimana cara lain untuk menjelaskan bahwa mereka menggunakannya untuk satu hari dan tidak pernah kembali. Tetapi dengan bantuan grafik, kami melihat bahwa mereka sangat aktif, hanya semua aktivitas mereka cocok dalam satu hari.
Sekarang tugas utama kami adalah mendorong pengguna tersebut untuk menghubungkan program loyalitas operatornya, sementara dia menggunakan statistik kami. Dalam hal ini, kami mengimpor semua penerbangan yang akan ia beli dan mencoba mendorongnya untuk berlangganan segera setelah ia membeli tiket baru. Untuk mengatasi masalah ini, kami juga mulai bekerja sama dengan Aviasales, Svyaznoy.Travel dan aplikasi lainnya. Ketika pengguna mereka membeli tiket, aplikasi menawarkannya untuk menambahkan penerbangan ke Aplikasi di Udara, dan kami segera melihatnya.
Berkat grafiknya, kami melihat bahwa 5% orang yang masuk ke layar berlangganan menolaknya. Kami mulai menganalisis kasus-kasus seperti itu, dan melihat bahwa ada pengguna yang masuk ke halaman pertama, memulai koneksi akun Google mereka, dan kemudian membatalkannya, kembali ke halaman pertama, dan empat kali. Awalnya kami berpikir: "Jelas ada yang salah dengan pengguna ini." Dan kemudian kami menyadari bahwa, kemungkinan besar, aplikasi tersebut memiliki bug. Pada corong, ini akan ditafsirkan sebagai berikut: pengguna tidak suka set izin yang diminta aplikasi, dan ia pergi.
Di grup lain, 5% pengguna hilang di layar, tempat aplikasi menawarkan untuk memilih salah satu dari semua aplikasi kalender di smartphone. Pengguna lagi dan lagi memilih kalender yang berbeda, dan kemudian cukup meninggalkan aplikasi. Ternyata ada masalah UX: setelah seseorang memilih kalender, ia harus mengklik Selesai di sudut kanan atas. Hanya saja, tidak semua pengguna melihatnya.
Aplikasi Layar Pertama di Udara
Pada grafik kami, kami melihat bahwa sekitar 30% pengguna tidak melampaui layar pertama: ini disebabkan oleh fakta bahwa kami secara agresif mendorong pengguna untuk berlangganan. Pada layar pertama, aplikasi menawarkan untuk mendaftar menggunakan Google atau Triplt, dan tidak ada informasi yang dapat Anda lewati saat pendaftaran. Dari mereka yang meninggalkan layar pertama, 16% pengguna mengklik "Lainnya" dan kembali lagi. Kami menemukan bahwa mereka mencari cara untuk pendaftaran internal dalam aplikasi, dan kami akan merilisnya di pembaruan berikutnya. Selain itu, 2/3 dari mereka yang pergi segera tidak mendesak apa pun. Untuk mengetahui apa yang terjadi pada mereka, kami membuat peta panas - peta panas. Ternyata klien mengklik daftar fungsi aplikasi yang bukan tautan aktif.
Tangkap momennya
Anda sering dapat melihat orang-orang menginjak-injak jalan di samping jalan aspal. Retentioneering adalah upaya untuk menemukan jalur ini dan, jika mungkin, mengubah jalan.
Tentu saja, sangat buruk jika kita belajar dari pengguna sungguhan, tetapi setidaknya kita mulai secara otomatis melacak pola yang menunjukkan masalah pengguna dalam aplikasi. Sekarang manajer produk menerima pemberitahuan melalui email jika ada banyak "loop" - ketika pengguna kembali ke satu layar lagi dan lagi.
Mari kita lihat pola apa dalam lintasan pengguna yang secara umum menarik untuk dianalisis untuk menganalisis masalah dan poin pertumbuhan aplikasi:
- Loop dan loop. Loop yang disebutkan di atas - ketika satu peristiwa diulangi di jalur pengguna, misalnya, kalender-kalender-kalender-kalender. Pengulangan dengan sejumlah besar pengulangan adalah penunjuk yang jelas untuk masalah dengan antarmuka atau penambahan acara yang tidak mencukupi. Siklus ini juga merupakan jalur tertutup, tetapi tidak seperti perulangan, ia mencakup lebih dari satu peristiwa, misalnya: melihat riwayat penerbangan - menambahkan riwayat penerbangan melihat penerbangan.
- Flowstoppers - ketika pengguna, karena semacam kendala, tidak dapat melanjutkan gerakan yang diinginkan melalui aplikasi, misalnya, layar dengan antarmuka yang tidak jelas bagi klien. Peristiwa semacam itu menghambat dan menggeser lintasan pengguna.
- Poin bifurkasi - peristiwa penting setelah itu lintasan klien dari berbagai jenis dipisahkan. Secara khusus, ini adalah layar yang tidak mengandung transisi langsung atau ajakan untuk bertindak ke tindakan target, yang secara efektif mendorong beberapa pengguna ke sana. Misalnya, layar yang tidak terkait langsung dengan pembelian konten dalam aplikasi, tetapi di mana pelanggan cenderung membeli atau tidak membeli konten, akan berperilaku berbeda. Poin bifurkasi dapat menjadi titik pengaruh pada tindakan pengguna Anda dengan tanda tambah - memengaruhi keputusan untuk membeli atau klik kanan, atau minus - mereka dapat menentukan bahwa setelah beberapa langkah pengguna akan meninggalkan aplikasi.
- Titik konversi yang dibatalkan adalah titik bifurkasi yang potensial. Anda bisa menganggapnya sebagai layar yang bisa mendorong aksi target, tetapi tidak. Ini juga bisa menjadi titik waktu ketika pengguna memiliki kebutuhan, tetapi kami tidak memuaskannya, karena kami tidak tahu tentang itu. Analisis lintasan harus memungkinkan hal ini perlu diidentifikasi.
- Distraction point - layar / pop-up, yang tidak membawa nilai kepada pengguna, tidak mempengaruhi konversi dan pada saat yang sama dapat "mengaburkan" lintasan, mengalihkan pengguna dari tindakan target.
- Blind spot - titik tersembunyi aplikasi, layar dan fitur, yang sangat sulit bagi pengguna untuk dijangkau.
- Kuras - titik kebocoran lalu lintas
Secara umum, pendekatan matematis memungkinkan kami untuk memahami bahwa klien menggunakan aplikasi dengan cara yang sama sekali berbeda dari yang biasanya dipikirkan oleh manajer produk, mencoba merencanakan untuk pengguna semacam case use standar mereka sendiri. Duduk di kantor dan menghadiri konferensi paling keren untuk produk, masih sangat sulit untuk membayangkan berbagai macam kondisi lapangan nyata di mana pengguna akan menyelesaikan masalahnya menggunakan aplikasi.
Ini mengingatkan lelucon keren. Penguji memasuki bar dan memesan: gelas bir, 2 gelas bir, 0 gelas bir, 999999999 gelas bir, kadal dalam gelas, –1 gelas bir, gelas bir qwertyuip. Pelanggan nyata pertama datang ke bar dan bertanya di mana toiletnya. Bilah terbakar, semua orang mati.
Analis produk, yang telah terjun jauh ke dalam masalah ini, mulai memperkenalkan konsep momen mikro. Pengguna modern membutuhkan solusi instan untuk masalah mereka. Tentang ini beberapa tahun yang lalu, Google mulai berbicara: di perusahaan tindakan pengguna seperti itu disebut momen mikro. Pengguna terganggu, secara tidak sengaja menutup aplikasi, tidak mengerti apa yang diperlukan darinya, masuk lagi setelah 24 jam, lupa lagi, dan kemudian mengklik tautan yang dikirim kepadanya oleh seorang teman di messenger. Dan semua sesi ini bisa bertahan tidak lebih dari 20 detik.
Jadi kami mulai mencoba mengkonfigurasi layanan dukungan sehingga karyawan dapat memahami apa masalahnya dalam waktu yang hampir bersamaan. Pada saat seseorang datang ke halaman dukungan dan mulai menulis pertanyaannya, kita dapat menentukan esensi masalah, mengetahui lintasannya - 100 peristiwa terakhir. Sebelumnya, kami mengotomatiskan distribusi semua panggilan ke layanan dukungan berdasarkan kategori menggunakan analisis ML dari teks-teks permintaan ke layanan dukungan. Meskipun keberhasilan kategorisasi, ketika 87% dari semua panggilan didistribusikan dengan benar di salah satu dari 13 kategori, itu adalah pekerjaan dengan lintasan yang secara otomatis dapat menemukan solusi yang paling cocok untuk situasi pengguna.
Kami tidak dapat dengan cepat merilis pembaruan, tetapi kami dapat melihat masalah meskipun pengguna mengikuti skenario yang telah kami lihat, kirimkan pemberitahuan push kepadanya.
Kami melihat bahwa tugas mengoptimalkan aplikasi memerlukan alat yang kaya untuk mempelajari lintasan pengguna. Selanjutnya, mengetahui semua jalur yang dilalui pengguna, Anda dapat membuka jalur yang benar dan, menggunakan konten yang disesuaikan, pemberitahuan push dan elemen UI adaptif "dengan pegangan," mengarahkan pengguna ke tindakan yang ditargetkan yang paling memenuhi kebutuhannya dan membawa uang, data dan nilai-nilai lain untuk bisnis Anda.
Apa yang harus diperhatikan?
- Selidiki konversi pengguna hanya dengan contoh corong - kehilangan informasi kaya yang diberikan aplikasi kepada kami.
- Analisis retensi-lintasan lintasan pengguna pada grafik membantu untuk melihat fungsi apa yang Anda gunakan untuk mempertahankan pengguna atau, misalnya, merangsang mereka untuk berlangganan.
- Alat retensi membantu Anda secara otomatis melacak pola waktu nyata yang menunjukkan masalah pengguna dalam aplikasi, menemukan dan menutup bug di tempat yang sulit disadari.
- Mereka membantu menemukan pola perilaku pengguna yang tidak jelas.
- Alat retensi menyediakan kemampuan untuk membangun alat ML otomatis untuk memprediksi peristiwa utama dengan pengguna dan metrik: kehilangan pengguna, LTV, dan banyak metrik lainnya yang mudah diidentifikasi pada grafik.
Kami menciptakan komunitas di sekitar Retentioneering untuk pertukaran gagasan secara gratis. Anda dapat melihat alat yang kami kembangkan sebagai bahasa tempat 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 Pertumbuhan Peretasan: analitik aplikasi seluler Binary District.