Лучшее соотношение Слушал/Говорил для высокой конверсии
Как увеличить конверсию продаж за неделю. Как контролировать звонки менеджеров по продажам. Зачем контролировать соотношение Слушал/Говорил в каждом...
Как проводить когортный анализ. Как сократить отток клиентов с помощью тестирования гипотез. Как принимать решения на данных, чтобы увеличивать продажи.
Вам нужно сократить отток клиентов и увеличить доходы. Когортный анализ поможет вам задать целевые вопросы, которые помогут вам достичь этой цели.
Отток (Churn) - это плохо. Нетрудно понять, почему.
Ваша компания может приобрести миллионы, а чья-то даже миллиарды потенциальных клиентов. Если никто из них не останется, все что вы делаете не имеет значения. Вот почему хакинг удержания - это новый хакинг роста.
Руководители компаний придумали всевозможные тактики и даже стратегии для повышения удержания клиентов. Улучшение процесса привлечения пользователей - одна из главных задач.
Но чтобы непосредственно заняться снижением оттока, необходимо сначала диагностировать конкретные проблемы вашего продукта. Затем внести коррективы.
В первую очередь погрузитесь в цифры. Именно так вы узнаете, почему перестают пользоваться вашим приложением. Все начинается с когортного анализа.
Когортный анализ - это вид поведенческой аналитики, при котором вы берете группу пользователей и анализируете модели их поведения на основе общих характеристик, чтобы лучше отслеживать и понимать их действия. Когорта - это просто группа людей с общими характеристиками.
Когортный анализ позволяет задавать более конкретные, целевые вопросы и принимать обоснованные решения по продукту, которые позволят снизить отток клиентов и значительно увеличить доходы. Его также можно назвать анализом оттока клиентов.
Наиболее распространенными являются 2 типа когорт:
Когорты приобретения помогут вам понять, когда происходит действие, но поведенческие когорты лучше всего подходят для выявления и понимания показателей оттока, поскольку они говорят вам, почему пользователь совершил то или иное действие.
Вам потребуется меньше работы, если для проведения когортного анализа вы воспользуетесь готовыми функциями отслеживания и сегментации в любом приложении продуктовой аналитики.
Как vc прогнозировать динамику своего портфеля в реальном времени
Когортный анализ - это ценный инструмент для тех, кто хочет глубже понять своих клиентов и то, почему они делают определенный выбор в вашем приложении. Вот некоторые преимущества проведения когортного анализа:
Полный список 50 продуктовых метрик saas для контроля
Ваши пользователи - это те, у кого есть рот, но график расскажет вам больше о проблеме оттока, чем они сами. Если вы узнаете, когда происходит отток, вы сможете выяснить, что происходит в это время, чтобы его вызвать.
Но как определить временную шкалу в первую очередь? С помощью анализа когорты покупателей.
В этом случае вам нужно создать диаграмму когорт. Вам понадобятся различные когорты, а также количество пользователей для каждой из них и столбец для каждого дня анализируемого периода.
Например:
Рис.1 Доля активных пользователей после запуска.
Как вы можете видеть, ячейки под каждым днем показывают часть исходной когорты для этой строки, которую вы сохранили в этот день. Отлично.
Несколько моментов, о которых следует помнить при настройке анализа когорты приобретения:
Имея на руках надежный анализ когорты покупателей и временную шкалу (кто и что), следующим шагом будет анализ (почему).
Найдите крупные спады и запишите их. Спросите себя, что произошло в дни отсева.
Представьте, что на третий день количество пользователей сократилось на 23% (вот это да). Что происходит на третий день? Просите ли вы их синхронизировать данные (например)?
Если ответ положительный, вы нашли проблему. Может быть, не проблему, но, тем не менее, проблему, которую вы можете решить.
Ваши анализы, скорее всего, будут более сложными. На самом деле, вам, вероятно, придется применить этот анализ ко всем основным функциям вашего приложения.
Вот чего не следует делать: Проверять, как вовлеченность в приложение в первые 30 дней коррелирует с оттоком пользователей.
Почему? Потому что эта информация ничего не скажет вам о том, что нужно изменить.
Вот идея получше: как заполнение контрольного списка для входа в приложение коррелирует с оттоком пользователей?
Другими словами, будьте конкретны. Какие конкретные функции являются "липкими" для ваших пользователей? Вот что вам нужно выяснить.
Было бы здорово, если бы проблема всегда заключалась в одной особенности? Конечно. Но так почти никогда не бывает.
Обычно на отток влияет сочетание характеристик и поведения. Например, те, кто заполнил контрольный список регистрации в вашем приложении, могут с гораздо меньшей вероятностью откликнуться, когда вы попросите их синхронизировать свои данные, чем те, кто этого не сделал.
Это всего лишь один дополнительный слой, но помните - существуют десятки слоев, которые необходимо учитывать.
Как вы это делаете? Сравнивая ваши поведенческие когорты.
Если вы умеете работать с таблицами и условным форматированием и у вас много свободного времени, вы можете сделать это в электронной таблице.
Или вы можете использовать один из многочисленных инструментов, предназначенных для оптимизации процесса анализа когорт оттока. Amplitude, June, FlyWheel и тд как раз и предназначены в том числе, для быстрого создания и сравнения поведенческих когорт.
Углубляясь в данные, не забывайте о своей цели. Вы пытаетесь найти комбинации поведения и характеристик, которые положительно или отрицательно влияют на удержание клиентов.
Это означает, что вам нужно анализировать данные таким образом, чтобы выдвигать гипотезы, готовые к проверке.
Как повысить конверсию продаж на данных. Кейс
ВНИМАНИЕ: Вы только что обнаружили, что пользователи, которые не заполнили ваш контрольный чек-лист онбординга, отваливаются на 67% к 10-му дню.
Очевидно, пришло время все изменить. Добавьте десятки напоминаний по смс о необходимости заполнить контрольный список с первого по седьмой день.
Шутка. Пожалуйста, не делайте этого.
Вы с такой же вероятностью увеличите отток клиентов, если будете делать такие резкие повороты. Вместо этого попробуйте следующее: Тестируйте, тестируйте и еще раз тестируйте.
Ваша интуиция подсказывает, что вам нужно добавить несколько напоминаний о контрольном списке, чтобы способствовать лучшему опыту онбординга, может быть совершенно правильной. Это замечательно, но протестируйте его, чтобы вы могли подтвердить его данными.
И если вы тестируете изменения в вашем приложении, которые улучшают удержание, не останавливайтесь на этом.
У вас должно быть как минимум несколько других гипотез для проверки. Проверьте и их.
Почему? Потому что вы можете обнаружить, что другие изменения снижают отток еще больше, чем первое, которое вы тестировали.
Будьте тщательны. Не торопитесь. Итерируйте, отбрасывайте, повторяйте, пока не решите проблему, которую вы пришли решить.
Чтобы дать вам более четкое представление о когортном анализе клиентов, давайте проведем его на вымышленном наборе данных из приложения для повышения производительности.
Рис.2 Список онбординга
Начиная с ваших данных, спросите себя: где происходит отсев пользователей? Самый большой спад наблюдается примерно в районе двухнедельной отметки. С 14-го по 15-й день падение составляет целых 3 процентных пункта.
Вы знаете, что делать: Выдвинуть гипотезу о том, почему пользователи уходят.
Начните с оттока. Вот средний показатель оттока для приложения для повышения продуктивности, основанный на анализе когорты приобретений:
Рис.3. Средний показатель оттока пользователей (retention rate)
Затем сравните этот средний показатель оттока с показателем оттока пользователей, которые используют определенные функции или выполняют ключевые действия.
Например, вот тот же средний показатель оттока по сравнению с оттоком пользователей, которые используют одну из основных функций приложения для повышения продуктивности: функцию чек-листа.
Рис.4. Бинго!
Пользователи, которые использовали основную функцию (светло-голубая линия), отсеивались с очень низкой частотой. Большинство людей, которые ушли, не использовали эту основную функцию.
Следующий шаг в этом шокирующе простом и аккуратном вымышленном примере, конечно, заключается в том, чтобы придумать, как скорректировать фактор, который мы только что выявили. Как мы можем улучшить взаимодействие пользователей с контрольным списком?
Чтобы завершить когортный анализ, мы придумаем идеи и проведем A/B-тестирование, пока не найдем победителя. Бинго, действительно.
И не забывайте потом прийти к отвалившимсяпользователям и спросить, почему они ушли. Лучше провести структурированное интервью с десятками пользователей, чтобы сделать продукт лучше. А если нет времени обрабатывать результаты интервью, сводить в таблицу и считать веса по каждой запрошенной фиче - используйте SalesAI - он поможет вам быстро обработать результаты и покажет данные на дашборде.
Как увеличить конверсию продаж за неделю. Как контролировать звонки менеджеров по продажам. Зачем контролировать соотношение Слушал/Говорил в каждом...
Какие преимущества дает работа с PQL в outbound. Как определить PQL (квалифицированного по продукту лида). Стратегия работы с PQL в активных продажах.
Как посчитать конверсию продаж. Увеличивая конверсию по всем разрезам/переменным сделки, вы сможете более эффективно увеличивать продажи.
Для Data-Driven лидеров роста, наш канал в Telegram: VP of sales.