כיצד כלי האנליטיקס מחריב את ה-Retention בחברה שלך – חלק ב'

 
בחלקו הראשון של המאמר הוצגו מספר היבטים עיקריים בהם כלי האנליטיקס מתקשה לתת לנו מענה בעולם ה-Retention.
ההיבטים האלה נגעו בעיקר לבעיות נתונים ותפיסת כלי האנליטיקס הקיימים בשוק.

בחלק השני נעסוק במספר גורמים נוספים וחשובים – הקשורים באופן ישיר יותר למתודולוגיית מדידת וניתוח נתוני הנטישה.

 

חלק ב' – מתודולוגיית מדידה וניתוח נתוני נטישות

 

ניתוח Cohort הוא רק מרכיב אחד בפתרון בעיית הנטישה


בקרב כלי האנליטיקס הקיימים בשוק, הפתרון הנפוץ לתחום ה-Retention הוא ניתוח Cohort.
הניתוח מציג מידע על אחוזי הנטישה המצטברים לאורך זמן – עבור כל 'מחזור גיוס' של משתמשים (יום, שבוע, חודש).
במונחים מקצועיים זה נקרא 'עקומת שרידות' (איזה אחוז מהמשתמשים ימשיך להשתמש במוצר לאחר X ימים/שבועות).

אך בעוד שניתוח Cohort אפקטיבי יחסית לקבלת תמונת מצב על Retention, הוא מהווה רק שלב ראשון בטיפול בסוגיית הנטישה.
להלן מספר מורכבויות המקשות מאוד על הבנת הסיבות לנטישה מתוך ניתוחי ה-Cohort:

  • קיים יותר מסגמנט אחד של משתמשים/ לקוחות רלוונטיים
    עבור כל אחד מהם – עקומת השרידות תהיה שונה.
    ללא הבחנה ברורה בין הסגמנטים השונים – נתון השרידות לא יאפשר הבנה של מוקדי הבעיות.
  • קיימים מספר סוגים עיקריים של נטישה
    חוסר התאמה, חוסר התמדה ונטישה אקראית לאחר תקופה ארוכה של שימוש.
    כל סוג מאופיין בטריגרים שונים במוצר, אשר רלוונטיים לסגמנט לקוחות מסוים בעיתוי מסוים.
    כל סוג נטישה (עבור כל סגמנט) דורש ניתוח נפרד וייחודי, וצעדים ספציפיים על מנת לטפל בו.

למרות זאת, ניתוח ה-Cohort מציג את כלל הסוגים באותו סט הנתונים בכל כלי האנליטיקס העיקריים, באופן המקשה מאוד על זיהוי הגורמים לנטישה.

למול המורכבויות הללו, כלי האנליטיקס העיקריים מציגים בתרשימי ה-Cohort נתונים הטרוגניים באותו סט הנתונים.

ללא ידע מעמיק בתחום מצד אחד, ונתונים זמינים מצד שני, קשה מאוד להבין מהנתונים את תמונת המצב האמיתית של הנטישות – וזיהוי הגורמים להן.

 

טיפול ב-Retention מצריך שילוב של מדידת פעולות טוריות עם פעולות חוזרות

הפעולות שמשתמש מבצע לקראת ההמרה שונות באופן מהותי מהפעולות שהוא מבצע לאחריה.
לפני ההמרה/מכירה המשתמשים מבצעים פעולות טוריות – בהתאם למשפך ההמרה (לדוגמה: כניסה לאתר, לחיצה על כפתור, הרשמה, פעולה קריטית).

לעומת זאת, לאחר ההמרה המשתמשים מתחילים לבצע פעולות שאינן טוריות, אלא פעולות שחוזרות על עצמן (כניסות למוצר וביצוע פעולות שונות בו).
המדדים הרלוונטיים לפעולות כאלה הם לא בעצם ביצוע הפעולה, אלא בכמות או בתדירות הביצוע שלה (לדוגמה: כמה חברים צירפתי, כלל כמה זמן אני פעיל במוצר, זמן שימוש וכיו"ב).

עבור מדידה של השימוש בכלי עצמו (Engagement), פעולות חוזרות מטופלת באופן סביר במרבית כלי האנליטיקס (אם מגדירים מעקב אחריהן – Event Tracking).
כמה דוגמאות: ממוצע נסיעות במונית למשתמש ב-Gett בחודש מסוים, יחס משתמשים שצפו בבתים לבתים שהוצעו ב-AirBnB ועוד.

הבעיה היא שעולם ה- Retention משלב גם מדדים טוריים וגם מדדים רציפים – בהתאם לסוג הנטישה, ונדרש לתת ביטוי לשני סוגי המדדים על מנת להבין את הגורמים לנטישה.
במילים אחרות – נרצה לבחון כיצד ההתנהגות לפני ההמרה יכלה להשפיע על הסיכוי לנטישה של כל משתמש (לדוגמה: מקור התנועה אוו הדפים בהם המשתמש צפה);
ולאחר מכן, נרצה להוסיף למשוואה גם כיצד זה משתנה בהתאם לרמת השימוש לאחר ההמרה.
(לדוגמה: האם משתמשים בטוויטר שהוסיפו 5 חברים נטשו פחות מאשר משתמשים שהוסיפו 2 חברים בלבד.)

הצורך בשילוב שני סוגי המדדים מקשה מאוד על מדידה נכונה של התנהגות המשתמשים, ותרגום של נתוני ההתנהגות לתובנות במסגרת כלי האנליטיקס הקיימים.
זה אפשרי, אבל מורכב יחסית ליישום.

 

ברוב הכלים לא ניתן לבצע ניתוח מעמיק יותר וניסויים לגבי הגורמים לנטישה

תהליך מתודולוגי של ניתוח הגורמים לנטישה כולל לרוב ניסיון להבין כיצד אחוזי המשתמשים שנשארים משתנים בהתאם לחתכים שונים של האוכלוסייה.

בעולם ה-Predictive-Analytics זה מתבצע באמצעות טכניקה הנקראת 'ניתוח חד מימדי' (Single-Factor-Analysis).
בטכניקה הזו מנסים לזהות קשר של סיבה-תוצאה בין משתנה מסביר למשתנה מטרה.

לדוגמה: האם משתמשים שמילאו 5 שדות בתהליך ההרשמה למוצר נטשו פחות מכאלה שמילאו רק 2 שדות?
במידה ושמרנו מבעוד מועד את ערך המשתנה המסביר (בדוגמה: מספר השדות שמולאו בתהליך ההרשמה למוצר) – נוכל לבחון האם יש קשר בינו ובין שיעור הנטישה.

בשני כלי האנליטיקס הנפוצים – גוגל אנליטיקס ו-Mixpanel אפשר לבצע פילוח כזה בצורה יחסית ישירה (דרך סגמנטים או פרמטרים) שתיתן כיוון להבנת גורמי הנטישה.

יחד עם זאת, ברוב המקרים רק שילוב של מספר גורמים יאפשר לנו לזהות אוכלוסיות המצויות בסיכון גבוה לנטישה מול אוכלוסיות אחרות.

לדוגמה: קיימים מוצרים המושכים גם יזמים (עצמאיים) וגם עובדים בחברות (שכירים).
יזמים שהגיעו למוצר מפייסבוק שונים מעובדים שהגיעו מפורום מסוים ושונים גם מעובדים שהגיעו מפייסבוק.

לפיכך, נדרש למדוד את שיעורי הנטישה עבור כל אחד מהצירופים שלהם.
הפעולה הזו כבר מתחילה לאתגר את היכולות של כלי האנליטיקס המובילים, למרות שלאחרונה התחילו להכניס פיצ'רים חדשים.
למרות ההתפתחות האחרונות בתחום, ייתכן מאוד שאת הניתוח המעמיק תוכל עדיין לבצע רק באופן ידני בכלי אחר (אקסל, SQL וכיו"ב).

 

 

טיפול בבעיות נטישה דורש תהליך מתמשך של הטמעה וניתוח

במהלך שני חלקי המאמר הבנו שקיימות בעיות מובנות בממשק שבין הנתונים הנשמרים בכלי האנליטיקס ליכולת שלנו לנתח אותם.

מצד אחד, בתחילת התהליך אין לנו כיזמים מספיק ידע על מנת לשמור נתונים שעשויים להיות רלוונטיים לזיהוי גורמי הנטישה.

מצד שני, ברגע שהבנו שקיימת במוצר שלנו בעיה של נטישה עלינו לעבוד עם הנתונים שיש – ולכאורה אין הרבה כאלה.

הקונפליקט המובנה הזה מתאר פער הקיים בין שני בעלי תפקידים הרלוונטיים לעולם האנליטיקס – מפתחים ואנליסטים. לכל אחד מהם יש תפיסת עולם שונה למדי:

  • התפיסה הקיימת בעולם ה-BI (מפתחים) היא תהליך טורי של אפיון, הטמעה ושימוש.
    הבעיה בעולם ה-Retention היא שאין אפיון שלם, כי אין עדיין ידע מספיק (או בכלל) לגבי איזה נתונים מה צריך לשמור.
  • התפיסה בעולם ניתוח הנתונים (אנליסטים) היא להסתדר עם הנתונים הקיימים כעת, ולהוציא מהם תובנות – גם אם אינם רבים, שלמים או מדויקים.
    אבל בלי שיש מספיק נתונים המאפשרים הפקת תובנות – קשה להבין אילו נתונים צריך לשמור…

הפתרון של הקונפליקט מצריך שיתוף פעולה הדוק בין האנליסט והמפתח ועבודה בצורה 'רזה' (Lean).
כך, במקום הטמעה יחידה של כלי האנליטיקס בתחילת התהליך, יש להשקיע משאבים במספר סבבי הטמעה.
בכל סבב נוסיף אירועים ופרמטרים חדשים הנוגעים להתנהגות המשתמשים – וכך נצבור את הנתונים הרלוונטיים לניתוח הגורמים לנטישה והפרמטרים הנדרשים לסבב הבא.

במקביל, בתחילת התהליך ניתן לעשות שימוש גם בנתוני הלוגים השמורים ב-DB של המוצר – ולנתח אותם באופן נקודתי.
זאת על מנת להתחיל להבין מהם הגורמים העיקריים לנטישה ולאפיין את האירועים שיישמרו בכלי האנליטיקס.

תהליך כזה אינו קצר, אך מאפשר מצד אחד הבנה של הגורמים העיקריים לנטישה, ומצד שני הטמעה מידית שלהם בכלי האנליטיקס והמשך ניתוח בצורה פשוטה ומהירה.
ההתקדמות שתתאפשר תוך כדי תהליך תאפשר צבירת ידע רב יותר, טיפול בבעיית הנטישה וחידוש הצמיחה במוצר.

 

התהליך עדיין לא ברור לך לחלוטין?

תוכל לשאול לגביו ממש כאן למטה.

 

אהבת את המאמר? יש לך שאלה? קדימה!