Стереотипы продуктовой аналитикиПавел 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.
Стереотип #1Сессионная 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.
Стереотип #2Онбординг – 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.
Стереотип #3Monthly 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.
Стереотип #4Липкость 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.
Стереотип #5Если 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.
Стереотип #6Работать 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.
Чтобы глубже погрузиться в тему аналитики роста продуктов, рекомендую также перечитать старые посты в
блоге Павла.