Редакция Spark.ru: 6 заблуждений продуктовой аналитики

Автор Telegram-канала Grow Horse Денис Мартынцев о стереотипах, которые зачастую мешают сделать правильные выводы из аналитики. Павел Левчук написал серию интересных постов про стереотипы продуктовой аналитики. Не могу пройти мимо, потому что работа с аналитикой — это, пожалуй, самая трудоемкая и сложная задача для команд роста и продукта. Кратко перескажу стереотипы своими словами в посте. Если захотите изучить подробнее, переходите на страницу Павла и ищите по хэштегу Misunderstanding. Заблуждение № 1 Сессионная аналитика (Google Analytics) позволит понять, как пользуются вашим продуктом. Не позволит. Это универсальный и относительно простой способ что-то померять, но он не отражает реальность использования продукта. Настоящее и будущее за event-based аналитикой (Amplitude, Mixpanel), которая строится на событиях, то есть, действиях, совершаемых пользователями. Заблуждение № 2 Онбординг — это способ познакомить пользователей с функциями продукта. Если копнуть чуть глубже, становится понятно, что это не так. Пользователи не покупают функции, они покупают решение своих задач. Онбординг нужен, чтобы как можно скорее довести пользователей до совершения целевого действия, приносящего ценность. Онбординг — это инструмент раскрытия ценности и формирования привычки пользоваться продуктом. Пересмотрев его в такой парадигме, вы сможете существенно увеличить активацию и удержание. Заблуждение № 3 Monthly Active Users (MAU) — хороший способ измерять рост пользовательской базы. Это не совсем верно, потому что показатель MAU ничего не говорит о том, что именно произошло: почему активных стало больше или меньше. Следовательно, через него вы не можете влиять на рост. Нужно раскладывать MAU на составляющие. Для более точного понимания роста пользовательской базы лучше использовать относительный показатель Quick Ratio. QR = (New + Resurrected) / (Churned) С его помощью можно отслеживать динамику прироста базы и видеть причины изменений. Заблуждение № 4 Липкость продукта измеряется как соотношение DAU и MAU. Метрика stickiness (DAU/MAU) популярна для продуктов, предполагающих высокую частотность использования (казуальные игры, мессенджеры, соцсети). Но для большинства других продуктов, она достаточно бесполезна. В качестве альтернативы можно использовать метрику Lness. Вместо агрегации данных на уровне месяца, строится гистограмма использования по количеству дней. Например, L5/7 говорит о том, какой % пользователей воспользовался продуктом 5 дней из 7. По аналогии можно построить любые другие шкалы, которые лучше описывают циклы использования именно вашего продукта. Заблуждение № 5 Если в метрике есть недостатки, то она бесполезна. Далеко не всегда. Например, тот же MAU, который был рассмотрен в третьем стереотипе, можно использовать для составления матрицы вовлеченности (Engagement matrix). В матрице по оси X идёт % MAU, т.е. процент пользователей, которые хотя бы раз воспользовались функцией, по оси Y идёт Lness, т.е. среднее количество дней, когда пользовались функцией или генерировали событие в ней. С помощью матрицы можно понять, какие именно функции вовлекают пользователей в продукт, отследить результаты изменения существующих функций и добавления новых. Заблуждение № 6 Работать с поведенческими данными очень сложно: много событий, которые нужно отслеживать, они распределяются не симметрично, их сложно извлекать и отделять от бесполезного шума. Отчасти так и есть, но можно использовать более простой статистический способ анализа — Key Influencers Visual в Power BI. С его помощью можно ускорить проверку продуктовых гипотез и упростить работу с данными. Источник Читайте также: Индекс лояльности или NPS: зачем нужен и как измерять Как найти свою нишу на конкурентном рынке: на примере рынка пива и обслуживания высотных зданий Два метода аджайла для эффективной разработки Маржинальность и стоимость переключения у продуктов: четыре понятных и простых варианта

Источник: spark.ru