Получаем полную аналитическую картину с помощью когортного анализа

Мнение о том, что подробный анализ данных с максимальным количеством показателей даст лучшее понимание ситуации, не совсем верное.

В действительности все как раз наоборот: данные могут искажать картину, если их слишком много.

Правильно подобранные параметры, разбивка, сортировка и выстраивание данных помогут увидеть, что действительно работает, а что нет. Проанализировать данные в нужном контексте, — пожалуй, самое важное.

Избавляемся от лишнего шума

Выделить необходимый контекст бывает сложно, учитывая, что он может отражать сразу несколько явлений.

Мы все знаем из основ статистики, что данные показывают не причины и следствия, а лишь взаимосвязи, и чтобы найти самые сильные из них, нужно исключить всю лишнюю информацию. Фильтруя данные по определенным критериям, вы пусть и не полностью, но по максимуму уберете все ненужное, что позволит увидеть более полную картину.

Возьмем ситуацию из реальной жизни. Цель: сравнить потребительские привычки семей на примере дюжины яблок. Допустим, что «семья» состоит минимум из 4-х человек, и мы сравниваем одинаковые по объему покупки (дюжина):

Семья А купила 12 яблок в воскресенье
Семья Б купила 12 яблок в среду

_{Apples to apples: Consumption habits in families of 4+ over time}

Глядя на данные в целом мы видим, что пик потребления пришелся на субботу, но какие-либо выводы сделать сложно.

Однако, сгруппировав данные по дням покупки, мы сразу же увидим особенности:

1. Cемья А ест яблоки постоянно и понемногу — на 3-й день они им, кажется, уже надоели, и дальше потребление держалось на одном уровне.
2. В семье Б другая ситуация: они не сразу принялись за яблоки, но резко увеличили потребление в 3-й и 4-й дни (может быть, нашли новый рецепт яблочного пирога?).  

Возвращаясь к рекламным технологиям, давайте обратимся к уже знакомому нам примеру с ARPU (средний доход на одного пользователя).

Просто сравнить ARPU одного дня относительно другого дня недостаточно. Нужно скорректировать данные с помощью фильтров: сравнить ARPU в одни и те же дни недели, сопоставить количество пользователей, активности, акции по продвижению или специальные предложения, которые могли стимулировать рост покупок.

Анализируя любые KPI (ключевые показатели эффективности), убедитесь, что вы сравниваете сопоставимые данные, т.е. «яблоки с яблоками».

Когорты вам в помощь

Когортное исследование — лучший инструмент для оценки эффективности стратегии и показателей KPI.

Когортный анализ: разделение пользователей с общими характеристиками по группам, что позволяет отследить поведение этих групп и измерить выставленные для них KPI во времени.

Когорты, или группы пользователей, можно использовать не только для анализа KPI. Когортный анализ выявляет скрытые тренды и дает правильное понимание ситуации, на основании чего вы можете своевременно оптимизировать существующие кампании и вносить изменения в режиме реального времени, увеличивая вовлеченность и, соответственно, прибыль.

 

Работа с группами пользователей

Поначалу когортный анализ может показаться слишком сложным, но всего несколько простых приемов помогут освоить его в кратчайшие сроки.

 Правильная постановка вопроса

Прежде всего, вы должны точно определить цель и направление анализа. Для этого нужно установить четкие KPI и метрики эффективности.

Вы хотите измерить параллельные кампании, чтобы сравнить точки взаимодействия? Или ваша цель — измерить эффективность одной кампании, но в разных регионах? Как при этом вы определяете успех?

Если у вас есть четкое представление о том, на какие вопросы вы готовы ответить и какие метрики вам для этого нужны, считайте, полдела сделано.

Вот удобная схема для постановки правильных вопросов:

Группа пользователей с похожими характеристиками для сравнения поведения и метрик за определенный временной период.

_{Примеры фильтров и параметров группировки для когортного анализа}

Характеристики — это показатели, с помощью которых вы оцениваете результат, KPI — это метрики, которые вы анализируете, а временные периоды — временные рамки, в которых происходят измерения.

Рассмотрим пример, в котором мы хотим измерить результат кампании в разных странах.

Нас интересуют действия пользователей в день, когда приложение было установлено, на следующий день и в течение еще нескольких дней после.

Сделав день установки общей характеристикой, мы можем проанализировать поведение пользователей и их взаимодействие с приложением в едином пространстве. Иными словами, параметры сравнения становятся сопоставимыми, как в примере с яблоками.

Определяя когорту, которую мы хотим исследовать, выбираем на панели управления соответствующее приложение. В примере ниже мы сформировали когорту по странеи выбрали период с 1 по 7 апреля 2019 г. Установили минимальный размер группы: 10 пользователей. Добавили фильтр, выбрав нужную кампанию: spring_sale_april.

Вот как это будет выглядеть:

Определение когорты и установка фильтров и параметров на панели управления AppsFlyer

Когда все готово, нажимаем кнопку Применить, чтобы обработать запрос.

 

Анализ результатов

Наглядное представление данных определяется настройками внутренних событий приложения. В текущем примере мы рассмотрим две разные предустановленные метрики: среднее число сессий на пользователя и среднюю выручку на пользователя.
Среднее число сессий на пользователя будет выглядеть следующим образом:

_{Степень вовлечения российских пользователей очень высокая, но как обстоят дела на самом деле?}

На первый взгляд очевидно, что весенняя кампания в России (RU) проходит весьма успешно, а вот в Индонезии (ID) — наоборот.

На графике мы видим небольшой прирост в Индии (ID) и Китае (CN) и резкий скачок показателя средней сессии на пользователя в России на 30-й день использования. Здесь важно отметить, что данные суммируются по умолчанию.

_{Таблица с разбивкой показателя средней сессии на пользователя по странам. 0-й день — день установки приложения}

Однако эти данные не дают нам реальной картины. Мы видим, что уровень вовлечения российских пользователей по сравнению с показателями других стран высокий и продолжает расти, но значит ли это, что кампания в России самая успешная?

_{Любое явление можно рассмотреть с разных (минимум двух) точек зрения}

Едва ли. Если взглянуть на данные с точки зрения средней выручки на пользователя, то выводы будут уже совсем другими: несмотря на то, что российские пользователи активно участвовали в кампании, они не совершали покупок. В то же время китайские пользователи в среднем тратили больше денег при каждом посещении.

Очевидно, что кампанию для российского рынка следует доработать, чтобы стимулировать пользователей на совершение покупок (например, в форме специального предложения, распродажи или купонов на скидку). Пользователи в Китае потратили больше всего денег на 4-й день, поэтому логично запланировать ретаргетинговую кампанию как раз на это время. Мы также видим здесь поведение индийских пользователей — это как раз то, чего мы хотим добиться, ведь их покупки стабильно и постоянно растут.

Еще одно интересное наблюдение, полученное в результате анализа, — это странное поведение пользователей в Индонезии. Несмотря на достаточно большое количество установок приложения (249), запусков приложения практически не было, а покупок не было совершено ни одной. Это может указывать на факт мошенничества, что потребует более детальной проверки через панель управления Protect360.

 

Полная аналитическая картина для верных решений

Теперь, когда вы познакомились с основами когортного анализа, проработать и понять массу данных, поступающих к вам на панель управления, станет немного проще. Ознакомьтесь с похожим отчетом на тему удержания пользователей. В нем используется аналогичная логика, и его можно применить для анализа приложения на предмет оттока пользователей.

Запросить демо-версию