Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

«LTV, когорты и другие данные пользователей», Юрий Рыбаков, iConText

842 visualizaciones

Publicado el

Выступление на конференции CONVERT.2015

Publicado en: Internet
  • Inicia sesión para ver los comentarios

«LTV, когорты и другие данные пользователей», Юрий Рыбаков, iConText

  1. 1. Пользователи, LTV, когорты Что со всем этим можно делать Convert.2015 Юрий Рыбаков
  2. 2. Любой анализ делается для решения конкретных задач
  3. 3. Задача: сколько можно заплатить за привлечение клиента?* * Какая CAC?
  4. 4. Выгружаем данные из CRM по клиентам: как они приносят нам деньги в зависимости от даты первой покупки? Какая CAC?
  5. 5. Какая CAC? $ Те, кто впервые купил в январе 2012, потом также приносили нам доходы…
  6. 6. Какая CAC? $(всумме)
  7. 7. Какая CAC? $ Добавляем абстракции – даём агрегированный отчёт
  8. 8. Какая CAC? $ Окупаемость за полгода (в нашем случае)
  9. 9. Какая CAC? $ Окупаемость за полгода (в нашем случае)
  10. 10. Здесь же:  Как быстро от нас уходят пользователи (Churn rate)?  Какая средняя длительность взаимодействия с клиентом (Average Lifetime)?  Какой средний доход с клиента (CLV)? Что ещё видно?
  11. 11. Здесь же:  Оптимизация источников с учётом LTV за %время% после покупки Не забываем о сегментации!  Оптимизация сайта для наиболее ценной аудитории  Поиск тенденций для ключевых пользователей для переноса их опыта близкой аудитории Что ещё видно?
  12. 12. А когорты?
  13. 13. In statistics and demography, a cohort is a group of subjects who have shared a particular event together during a particular time span. Cohorts may be tracked over extended periods in a cohort study. The cohort can be modified by censoring, i.e. excluding certain individuals from statistical calculations relating to time periods when their data would contaminate the conclusions. The term cohort can also be used where membership of a group is defined by some factor other than a time-based one: for example, where a study covers workers in many buildings, a cohort might consist of the people who work in a given building. Посмотрим в Википедии?
  14. 14. Обычное рассмотрение Период рассмотрения
  15. 15. Путь пользователей Пользователи, совершившие некое важно действие, и их дальнейшее поведение
  16. 16. Собираем когорты
  17. 17. Собираем когорты Разбиваем пользователей в зависимости от времени совершения действия
  18. 18. Собираем когорты Рассматриваем долгосрочное поведение каждой получившейся группы
  19. 19. Строим отчёт Период 0 Период 1 Период 2 Когорта 1 100% XX% YY% Когорта 2 100% ZZ% Когорта 3 100% Данные вносятся в отчёт в приведённом по времени и, как правило, нормализованном виде
  20. 20. Отчёт «Когортный анализ» в Google Analytics
  21. 21. Когорты стабильны * Если когорта нестабильна попробуйте её просегментировать
  22. 22. Когортный анализ Основные решаемые задачи: 1. Анализ изменений, влияющих на поведение клиентов в разрезе жизненного цикла 2. Прогнозирование
  23. 23. Задача: как повлияло на поведение пользователей введение нового платного функционала? Анализ изменений
  24. 24. Было $ За январь 2014
  25. 25. Стало $ За январь 2015 За январь 2014
  26. 26. Видим Мес.0 Мес.1 Мес.2 Мес.3 Мес.4 Мес.5 Мес.6 Апр.15 100% 40% 38% 35% 20% 16% 17% Май 15 100% 41% 38% 22% 17% 14% Июн.15 100% 39% 31% 21% 18% Июл.15 100% 49% 39% 23% Авг.15 100% 49% 40% Сен.15 100% 50%
  27. 27. Расширяем Мес.0 Мес.1 Мес.2 Мес.3 Мес.4 Мес.5 Мес.6 Апр.15 100% 40% 38% 35% 20% 16% 17% Май 15 100% 41% 38% 22% 17% 14% Июн.15 100% 39% 31% 21% 18% Июл.15 100% 49% 39% 23% Авг.15 100% 49% 40% Сен.15 100% 50% Рост возвращаемости «новых»… …но падение для «старичков»
  28. 28. Большой пример :)
  29. 29. Большой пример :) Отток растёт
  30. 30. Большой пример :) Положительные изменения с общим ростом по когортам
  31. 31. Задача: как максимизировать продажи под Новый год? Построение прогнозов
  32. 32. Результаты когорт по времени Месяц 0 Месяц 1 Месяц 2 Месяц 3 $
  33. 33. Результаты когорт по времени Месяц 0 Месяц 1 Месяц 2 Месяц 3 $ С течением времени от точки отсчёта может меняться лидер среди групп когорт
  34. 34. Когортный анализ Более приземлённые предсказания  Сколько продаж мне ждать от медийки в этом месяце?  Что будет при увеличении определённого трафика? Обратные задачи  Какая когорта ответственна за падение продаж?
  35. 35. Когортный анализ В целом для выделения когорт: 1. Выбираем точку отсчёта (первое посещение, первая покупка, регистрация, последний маркетинговый клик перед покупкой и т.д.) 2. Выбираем метрики (возвращаемость, деньги в том или ином виде, процент клиентов и т.д.) 3. Выбираем сегменты (особенно при решении задач прогнозирования) – когорты должны быть стабильны! 4. Выбираем временные периоды (для статистической достоверности)
  36. 36. Что можно сделать в системе статистики 1. Собираем больше «настоящих» данных  Отслеживаем звонки динамическим коллтрекингом  Передаём данные об успешных заявках по протоколу передачи данных  Узнаём клиентов с разных устройств
  37. 37. Настраиваем Google Analytics 2. По «Дате первого посещения» отчёт строится в Google Analytics и большинстве мобильных счётчиков
  38. 38. Настраиваем Google Analytics 3. По другим событиям можно добавлять параметр уровня «Пользователь» с датой этого события (для дальнейшей выгрузки и анализа статистики)
  39. 39. Анализ Строим по ним отчёты за разные промежутки времени и получаем финальный результат. Привлекаем программистов, автоматизируем что можем
  40. 40. Анализ 4. Специальное: всегда настраиваем сбор Client ID, User ID и каких-то показателей «качества клиента» как пользовательских параметров. В будущем это может выручить, если вы захотите проанализировать когорты от новой точки отсчёта, ранее не настроенной.
  41. 41. Спасибо за внимание! Есть вопросы? Convert.2015 Юрий Рыбаков y.rybakov@icontext.ru

×