Введение
Пытались ли вы когда-нибудь найти выход из лабиринта? Изначально невозможно правильно оценить, где вы находитесь и какой маршрут из пункта А в пункт Б, верно?
Чтобы разобраться в ситуации, необходимо взглянуть на общую картину с высоты птичьего полета.
Когда дело доходит до анализа данных, среди маркетологов распространено заблуждение, что чем больше отчетов, тем полнее понимание.
Однако на самом деле все наоборот. Данные могут быть обманчивы, если их слишком много.
С другой стороны, устранение шума, правильные настройки, синхронизация данных дадут вам четкое и точное представление о том, что работает, а что нет.
Но самое главное, взгляд на данные в правильном контексте — это то, что важнее всего для вашей маркетинговой деятельности.
И здесь на помощь приходит когортный анализ.
Он позволяет найти наиболее эффективный маршрут из пункта А в пункт Б. Как?
Рассматривая свою маркетинговую деятельность в целом с различными взаимосвязанными показателями эффективности, которые позволяют выявить значимые тенденции, которые в противном случае остались бы незамеченными, потому что до сих пор вы рассматривали свои данные вне контекста.
Что такое когортный анализ?
Когда мы говорим о когортном анализе, мы имеем в виду процесс, когда большую группу пользователей (или клиентов) разбивают на более мелкие сегменты, которые имеют определенные общие характеристики в течение определенного периода времени.
Эти характеристики могут включать общий регион или язык, предпочтения пользователей, дату привлечения и т.д.
В сфере мобильных приложений когортный анализ — это очень эффективный способ получить более глубокое представление о том, как определенные группы пользователей взаимодействуют с вашим приложением с течением времени, и даже уточнить ключевые показатели эффективности при измерении эффективности кампании.
Основные примеры использования когортного анализа включают в себя:
- Оптимизация кампаний по привлечению пользователей (UA) — определение того, какие сегменты не работают, и где требуются корректирующие действия.
- Улучшение удержания пользователей и пожизненной ценности (LTV) — повторное привлечение ценных пользователей и масштабирование базы.
Огромным преимуществом когортного анализа является то, что при выявлении тенденций он позволяет сравнивать сопоставимые величины, что делает его надежным способом мониторинга изменений с течением времени без необходимости проводить поведенческий анализ по каждому отдельному пользователю.
Он позволяет ответить на ключевые вопросы, такие как:
- Кто взаимодействует с вашим приложением?
- Когда пользователи обычно уходят и почему?
- Какая часть вашего дохода поступает от новых и какая от старых пользователей?
- Когда лучше всего повторно привлекать пользователей?
- Какой медиа-источник привел наиболее эффективных пользователей с точки зрения ROI ?
Две основные модели когорт
UA и поведенческие когорты являются наиболее часто используемыми типами когорт. Что на самом деле означает каждая из них и как они могут применяться к повседневной работе маркетолога? Рассмотрим
Когорты привлечения пользователей (UA)
Анализ когорт привлечения – это хлеб с маслом рекламодателей и UA-менеджеров.
Здесь пользователи сегментируются по дате привлечения и источнику, которые, в зависимости от вашего продукта и потребностей в анализе, вы можете запускать ежедневно, еженедельно или ежемесячно.
Например, можно создать несколько когорт на основе разных регионов и сравнить среднее количество сеансов на пользователя для каждой когорты за первые 30 дней активности каждого пользователя.
Как вы можете использовать этот тип когортного анализа?
Допустим, вы гордый менеджер по привлечению пользователей в приложении для электронной коммерции. Вы можете использовать когортный анализ для того, чтобы отслеживать предпочтения стилей и размеров различных демографических групп пользователей и создавать соответствующий инвентарь для максимизации продаж.
Аналогичным образом, он также может помочь вам создавать целевые рекомендации и персонализированные рекламные предложения, чтобы повысить доверие клиентов и повысить лояльность.
Поведенческие когорты
В отличие от анализа привлечения, поведенческие когорты обычно находятся в центре внимания менеджеров по продуктам.
Этот тип когортного анализа фокусируется на действиях пользователей в приложении. Используя специальные триггеры событий, вы можете оценить поведение демографически разных пользователей, а также соответствующим образом оптимизировать и персонализировать свои кампании.
Например, предположим, что у вас приложение для доставки еды. Хорошим примером поведенческих триггеров может служить выбор кухни и частота заказов.
Или, если у вас есть платформа-социальная сеть, поведенческие когорты могут помочь вам измерить страницы, на которые подписаны больше всего пользователей из Испании, или самые популярные посты вашей пользовательской базы из Индии.
Когортные данные позволят вам связать данные по приобретению и ремаркетинговым конверсиям с вашими показателями эффективности.
Другими словами, это дает вам полезные инсайты в борьбе с оттоком пользователей и позволяет следить за постоянно меняющимися показателями, такими как эффективность кампании, вовлеченность и даже успешное внедрение функций.
Если вы все еще не совсем уверены, давайте рассмотрим средний доход на пользователя, он же ARPU.
Недостаточно просто сравнить ARPU за один день с предыдущим, так как нам нужно учесть весь шум и отфильтровать его: сравнить ARPU в аналогичные дни недели, сравнить количество пользователей, активность и то, было ли промо-акция, которая могла бы стимулировать больше покупок в приложении.
Когортное исследование — лучший инструмент для оценки эффективности стратегии и показателей KPI. Но, как мы уже выяснили, речь идет не только об анализе ключевых показателей эффективности.
Выявляя скрытые тенденции, когортный анализ дает информацию, необходимую для оптимизации кампаний в реальном времени и внесения изменений в реальном времени. Это проверенный метод повышения вовлеченности и дохода, помогающий определить правильный путь к масштабированию внедрения и укреплению удержания.
Как когортный анализ улучшает маркетинг?
Отличный вопрос. Вот 4 практических примера, когда когортный анализ может оказаться чрезвычайно полезным:
1 – Он помогает максимизировать расходы на рекламу за счет доступа к полезной информации
Когортный анализ позволяет определить, какие каналы, кампании или даже наборы объявлений в рамках кампании приносят лучших и самых лояльных пользователей.
Например, если посмотреть на межрегиональную эффективность конкретной кампании по привлечению пользователей, можно легко определить, что у определенного региона показатели хуже.
Затем вы можете опробовать несколько тактик повышения конверсии в этом регионе, например персонализированные электронные письма со специальным предложением или кодом купона в честь регионального праздника, чтобы стимулировать совершение покупки.
Проводя когортный анализ той же кампании по привлечению пользователей, можно обнаружить, что в другом регионе, несмотря на приличное количество установок приложений, практически нет запусков приложений и покупок вообще. Это может указывать на мошенничество, которое потребует более глубокого анализа с использованием вашего MMP.
2 – Он позволяет понять наилучшее время для повторного вовлечения
Используя когортный анализ, вы сможете определить, что, например, в определенном регионе расходы пользователей останавливаются примерно на четвертый день, что затем можно использовать для того, чтобы запланировать ремаркетинговую кампанию примерно в это время.
Например, сезонность и сроки. Возможность привлекать более ценных пользователей, ответив на такие вопросы, как «В какой месяц, день или час мне лучше всего привлекать своих пользователей?».
Есть случаи, когда почасовая детализация имеет значение, и когортный анализ может помочь получить чрезвычайно ценные инсайты, когда речь идет о своевременных кампаниях.
3 – Это позволяет вам выявлять и устранять точки преткновения на пути пользователя, чтобы повысить удержание
Используйте когортный анализ, чтобы выявить болевые точки при адаптации, на первых шагах, на пэйволлах или сложных уровнях, сопоставляя эти подверженные оттоку области вашего приложения с ежемесячным удержанием пользователей.
Узнать больше о науке и искусстве, лежащих в основе стратегии вовлечения и удержания пользователей в приложении, можно здесь.
4. Узнайте, как изменения продукта влияют на ваших пользователей
Выяснить, как исправить проблему или улучшить функцию, часто бывает так же сложно, как и определить ее в первую очередь.
Если, например, вы знаете, что вовлеченность пользователей в значительной степени зависит от использования основной функции, попытка заставить своих клиентов вовлечь их в работу с помощью неустанных электронных писем и push-уведомлений — скорее всего, приведет к оттоку.
Поэтому вместо того, чтобы спешить заниматься изменениями продукта, проведите A/B тестирование разных вариантов ваших когорт, чтобы получить представление о том, что работает, а что нет, – это позволит вам безопасно вносить изменения в свой продукт на основе данных.
3 примера использования когортного анализа
Пример №1. Оценка эффективности ретаргетинговой кампании в нескольких регионах
Кампании можно локализовать на определенный регион, чтобы обеспечить наиболее персонализированное взаимодействие с пользователем. Например, шопинг-кампанию на тему выходных можно проводить в США в пятницу днем, но в Египте это должен быть четверг, потому что выходные там начинаются в пятницу.
Когда дело доходит до шопинга, ремаркетинг-кампании обычно включают ключевые показатели эффективности, такие как количество пользователей, совершивших покупку в приложении, доход от покупок или процент повторно вовлеченных пользователей. Но чтобы получить полное представление о поведении пользователей, ключевых показателях эффективности и показателях успеха, нужны когортные отчеты с многомерным анализом.
Давайте разберем следующий сценарий:
Приложение для покупок провело кампанию ремаркетинга в нескольких англоязычных странах, и менеджер по привлечению пользователей хочет узнать, сколько из этих пользователей действительно совершили покупку.
Он/она группирует результаты по странам, чтобы оценить, в каком регионе кампания была наиболее успешной.
Допустим, примерно 80% из 14 000 пользователей, которые возобновили работу с приложением после кампании, находились в США, и эти пользователи также совершили больше всего покупок.
Однако более внимательный взгляд на когортный отчет выявляет интересную тенденцию. В то время как показатели взаимодействия с приложением из Канады вдвое меньше, чем в Австралии, канадские пользователи потратили гораздо больше денег, чем австралийцы.
Таким образом, взглянув на один и тот же набор данных с разных точек зрения, менеджер по привлечению пользователей может определить, что, хотя Австралия выиграла в количестве, она не принесла большого дохода. Знание этого позволит ему уверенно сделать двойную ставку на канадскую кампанию.
Пример №2. Оценка окупаемости инвестиций (ROI) медиа-источников для доходов от рекламы
Игровые приложения имеют два основных источника дохода — покупки в приложении и доход от рекламы, — которые, в частности, являются важнейшим источником дохода для гипер-казуальных игр.
Предоставляя информацию обо всех источниках дохода, когортный анализ может ответить на такие вопросы, как «Какой медиа-источник привел к наибольшему количеству покупок в приложении?» или «Какая кампания принесла самый высокий доход на пользователя в Мексике?» и так далее.
Допустим, вы являетесь менеджером PPC в гипер-казуальной игре, которая полагается на рекламу в качестве основного источника дохода, и вам нужно собрать метрики о том, какие медиа-источники приносят наибольший доход от рекламы.
Отчет о доходах от рекламы предоставит вам полное представление об окупаемости инвестиций в привлечение новых пользователей (все цифры гипотетические):
- 88 594 доллара было потрачено на рекламу на Медиа-источнике 1, привлечение составило более 586 тысяч пользователей, а также продемонстрировало медленный и устойчивый рост.
- Медиа-источник 2, с другой стороны, был значительно дешевле с точки зрения UA, принося больший доход от рекламы, чем Медиа-источник 1. На седьмой день после установки приложения Медиа источник 2 оказался гораздо ближе к безубыточности, чем Медиа источник 1.
- Переключив представление, вы увидите, что точка безубыточности Медиа-источника 2 наступает примерно на 12-й день, тогда как Медиа-источник 1 все еще далек от нее.
В этом случае когортный анализ покажет вам, что независимо от того, насколько вы уменьшаете масштаб, Медиа-источник 1 все равно будет в убытке, что поможет вам лучше распределить свой бюджет соответствующим образом.
Пример №3. Оценка удержания по событиям внутри приложения
У приложений с услугами по требованию, например, у сервисов заказа такси или доставки еды, KPI часто связаны с событиями в приложении. Количество загрузок — это, конечно, важный компонент, однако конверсию и удержание гораздо лучше оценивать по фактическому использованию сервиса.
Когортный отчет и отчет по удержанию очень похожи. Последний обеспечивает маркетологов аналитическими данными о способности приложения сохранять базу активных пользователей. Также он дает комплексное представление по целому ряду метрик — от вовлечения до использования — показывая, какие медиа-источники стимулировали вовлечение пользователей в различные периоды времени.
Например, вы менеджер по маркетингу приложения для бронирования такси и хотите оценить успех определенной кампании, основываясь на том, сколько новых пользователей забронировали поездку после загрузки приложения.
Если вы проанализируете только количество загрузок, окажется, что Медиа-источник 1 – явный победитель.
Но если посмотреть на данные вплоть до 10-го дня после установки, станет очевидно, что с точки зрения абсолютных цифр Медиа-источник 2 привлекает более ценных пользователей и повышает коэффициент удержания.
Таким образом, анализ поведения пользователей в день установки и потом дает более четкое представление об успешности удержания этой кампании по медиа-источнику.
4 шага к удачному когортному анализу
ШАГ 1: Определите правильные вопросы
Определение KPI и показателей успеха – ключ к движению в правильном направлении, поэтому прежде всего давайте определимся с тем, что именно вы хотите узнать.
Вы хотите измерить параллельные кампании, чтобы сравнить медиа-источники? Или ваша цель — измерить эффективность одной кампании, но в разных регионах? Как при этом вы определяете успех?
Обязательно ответьте на эти вопросы, прежде чем переходить к следующему шагу.
ШАГ 2: Определите свои метрики
Как только у вас появятся четкие идеи относительно вопросов, на которые вам нужно ответить, и показателей, которые вам понадобятся для ответа на них, вы фактически на полпути.
Вот удобная схема для постановки правильных вопросов: группа пользователей с похожими характеристиками для сравнения поведения и метрик за определенный временной период.
| Характеристики | Производительность (KPI) | Временные рамки |
| Страна | Количество сессий в день | За прошлый месяц |
| Медиа-источник | Доход на пользователя | 3 недели назад |
| Рекламная кампания | Количество In-app событий на пользователя | 5 дней в июне |
Характеристики — это показатели, с помощью которых вы оцениваете результат, KPI — это метрики, которые вы анализируете, а временные рамки — периоды, в которых происходят измерения.
Подробнее о ключевых показателях эффективности маркетинга приложений см. здесь.
ШАГ 3: Определите конкретные когорты
- Настройте детализацию, диапазон дат и период атрибуции
- Выберите тип когорты (например, UA, ремаркетинг) и тип тренда (например, LTV)
- Выберите параметр группировки (например, медиа-источник) и минимальный размер когорты, чтобы не загромождать отчет незначительными данными
- Выберите дополнительные релевантные фильтры (например, кампания, тип атрибуции, страна, ключевые слова и т.д.)
ШАГ 4: Проведите когортный анализ и оцените результаты
Имейте в виду, что отчеты сами по себе не могут дать вам полной картины или полезных инсайтов, поэтому не забывайте использовать данные для выявления интересных тенденций, таких как загрузка приложений по сравнению с ROAS в разных регионах.
Подробнее о том, как настроить когортный отчет на дэшборде AppsFlyer, см. здесь.
Ключевые выводы
Ключевые выводы
- Когда мы говорим о когортном анализе, мы имеем в виду процесс, когда большую группу пользователей (или клиентов) разбивают на более мелкие сегменты, которые имеют определенные общие характеристики в течение определенного периода времени.
- Когортный анализ — это очень эффективный способ получить более глубокое представление о том, как определенные группы пользователей взаимодействуют с вашим приложением с течением времени, и даже уточнить KPI при измерении эффективности кампании без необходимости проводить поведенческий анализ на основе отдельных пользователей.
- Основные примеры использования когортного анализа включают в себя:
- Оптимизация UA-кампаний — определение того, какие сегменты неэффективны и где требуются корректирующие действия.
- Улучшение удержания пользователей и LTV — повторное привлечение высококлассных пользователей и масштабирование их базы.
- Независимо от отрасли, ответы на вопросы по UA и удержанию можно найти в когортном отчете. Чтобы применить обширные данные, представленные в этих отчетах, важно знать, что искать и как это интерпретировать.
- Когортный анализ поможет вам определить ключевые показатели эффективности будущих кампаний, а также установить ориентир успеха вашей компании.
