Комментарии 10
первый
Сама тема очень интересная, но из статьи не понял что в результате это дало - какой инсайт, что вы улучшили в продукте? И всегда меня смущает в таких исследованиях полное игнорирование персоны клиента. Кому то выдали карточку потому что зарплатный проект и он с ней ходит пока работает там, кто-то оформил сам потому что увидел какой то бонус для оплаты чего-то - получил бонус и забросил карту и так далее.
Привет! В результате исследования, как написал, мы получили гипотезы метрик ага-моментов, то есть гипотезы того как мы можем детектить, что клиент осознал ценность продукта. Это и есть инсайт касательно поведения пользователей по отношению к продукту.
Но в статье действительно не написано про то, что мы конкретно планируем изменять в продукте в связи с этими гипотезами. Тут на самом деле поле открыто для самых разных идей, но в начале статьи я уже привел пару конкретных задач, где это можно использовать и они все валидные) Могу сказать только что мы планируем по-максимуму это везде тестить/эксперементировать и смотреть что из этого выходит.
Касательно персоны клиента - действительно, может быть полезно учесть разные сценарии использования продукта. Тут мы скорее об этом подумали на стадии сбора фичей по клиентам, и тех, например, у кого зарплатные карты, тоже смотрели) Однако и зарплатники могут просто каждый месяц переводить все деньги на другую карту и транзачить с нее - и это мы как раз увидим на признаках использования продукта уже. А вот ситуация с тем что оформил по бонусу и забросил - как раз самое основное, что мы хотим этим исследованием адресовать. Если забросил - видимо, не осознал ценность продукта для себя. Туда и копаем)
Второй способ - это попробовать сегментировать пользователей и изучать все особенности поведения в отдельных группах. Тоже классно и полезно может быть, тут в статье по более простому варианту скорее прошлись, который для многих тоже подойдет)
Если на что-то еще не ответил - пиши
Полезная инфа, спасибо! Жду следующую публикацию)
Довольно интересно. Но кажется такие показатели как пол, возраст, регион стоит учитывать. Возможно показатели лояльности в таких срезах могут отличаться. Но идея любопытная, сразу вижу вариант, как собрать выборку лояльных клиентов, посмотреть все их характеристики и настроить рекламу на такую же аудиторию.
Интересная тема. Не совсем понял, а в чем принципиальное отличие предложенного подхода от простого анализа признаков взаимодействия с продуктом между новыми пользователями и идеальными пользователями по retention?
спасибо! а что ты вкладываешь в "простой анализ ..."?
> между новыми пользователями и идеальными
Тут тоже не до конца понял. У новых пользователей не будет особо много опыта использования продукта, чтобы их сранивать с "идеальными") очевидно, они будут отличаться по ретеншен by design
Простой анализ ~ метод пристольного взгляда аггреированных признаков
Идеальный пользователь ~ пользователь из прошлого у которого приемлемый retention в настоящем. Т.е. мы сравниваем признаки новых пользователей с идеальными пользователями в аналогичном временном промежутке
Например, если за год мы привлекли k пользователей и 0.2*k пользователей за период перестало пользоваться, то оставшиеся 0.8*k пользователей являются идеальными. Теперь сравнение признаков новых пользователей за первую неделю использования нашим продуктом с аналогичными признаками ранее определенных идеальных пользователей на их первой неделе использования может быть использовано для получения инсайтов и построения гипотез
аа, ну собственно этот метод в статье и описан) в том числе, как формально определить "идеальных" клиентов.
а метод пристального взгляда все-таки уже отдельная тема, у него свои преимущества и очевидные недостатки + у каждого свой "взгляд". К тому же, на больших даных с сотнями признаков пользования продукта это в разы усложняется) Наверное, принципиальное отличие в том, что тут мы пытаемся каждое действие, по возможности, формализовать и обосновать
Клёво!
Что такое метрика ага-момента и как ее найти