Как выявить показатель вовлеченности? Например, у Facebook — это 7 друзей за 10 дней

Chamath Palihapitiya, руководил созданием growth team в Facebook, отметил, что главным показателем вовлеченности пользователя в Facebook является добавление 7 друзей за 10 дней с момента регистрации.

Как выявить показатель вовлеченности? Например, у Facebook — это 7 друзей за 10 дней

Этот и другие показатели вовлеченности в популярных интернет-проектах, таких, как Facebook, Zynga, Dropbox, Twitter, LinkedIn, рассматривались нами в статье Growth hacking: основные показатели вовлеченности пользователей(обязательно прочтите, если еще не читали).

Данная статья будет ответом на вопрос: «Как определяется инсайт, следование которому помогает достигать высоких показателей роста?»

На протяжении материала для ясности рекомендуется помнить про показатель Facebook: 7 друзей за 10 дней.

 

Зачем формулировать важные показатели в таком виде?


Важно помнить цель, для этого ее преобразуют в содержательное и запоминающееся выражение, как «7 друзей за 10 дней» — это поможет всей команде(growth team) помнить и стремиться к одной ясной цели. Разумеется, что выражение цели в виде «10 друзей за 12 дней» тоже хорошо сработает, также как и «5 друзей за 1 день», т.е. вы просто должны найти то, что имеет смысл и легко запоминается.

Вот несколько мыслей о том, как сделать такое выражение более осмысленным:

 

Метрическое определение успеха


Во-первых, вам нужны признаки, чтобы оценить «успешность» вовлечения пользователя, основываясь на его поведении. Это может выглядеть следующим образом:

  • количество дней, которые он был активен за последние 28 дней;
  • выручка от покупок за последние 28 дней;
  • количество загруженного контента за последние 28 дней;
  • … или что-то другое/еще, что вам просто интересно.

Как выявить правильную формулу успеха? Вам нужно сформулировать одну, основанную на том, что действительно имеет смысл для вашего бизнеса. Здесь не может быть универсального решения, всегда есть какие-то ньюансы вокруг того, что хотите получить в итоге, да еще и с учетом уникальности продукта. Если не говорить о технологиях, в случае с Facebook и Twitter задача показать как можно больше рекламных объявлений и показать их с максимальной эффективностью, поэтому они заботятся о частоте(показы) и взаимодействии(клики).

 

Изучение данных

big data

Т.к. теперь у вас есть способ оценить «успешность» вовлечения пользователя, то вы можете захватить группу пользователей (скажем, всех, кто присоединился за последние X дней) и начать фиксировать действия для этой группы пользователей. Отслеживайте метрики «успеха»(с которыми вы должны были определиться чуть ранее), а также включайте в отслеживание любые интересные вам параметры. Будь то количество друзей, количество созданного контента, количество скачиваний мобильного приложения, а может количество оставленных или полученных комментариев и т.д.

В конце концов вы должны получить результаты в виде строк:
Показатель "успешного" вовлечения, показатель 1, показатель 2, показатель 3 и т.д.

Таких строк у вас получится множество, среди которых вам нужно найти взаимосвязанную пару показателей, которая коррелирует с интересным вам показателем «успеха». И, очевидно, что смысл всего этого — сформулировать понятным языком гипотезу о том, что движет «успехом», т.е. обычно успешно вовлекает пользователя. Здесь важно помнить знаменитое выражение, что, например,пожарные машины коррелируют с пожарами в домах, но это не значит, что пожарные машины источники этих пожаров. Дело в том, что корреляция между двумя показателями не доказывает, что один из них является причиной для другого. Они оба могут быть следствием неопределенного числа других причин. Корреляция необходима, но не достаточна для доказательства непосредственной связи между показателями. Но в данном случае нам и не нужно ничего никому доказывать.

 

Использование регрессии

success
В некоторых случаях, корреляция выбранных показателей и «успешного» показателя на столько очевидна и линейна, что кажется и нет ничего более явного. Но если вы видите, что хотелось бы получить более формальное определение, то можете прибегнуть к использованию регрессии для упрощния. Регрессия в теории вероятностей и математической статистике — это зависимость среднего значения какой-либо величины от некоторой другой величины или от нескольких величин. В отличие от чисто функциональной зависимости у = f(х), когда каждому значению независимой переменной х соответствует одно определённое значение величины у, при регрессионной связи одному и тому же значению х могут соответствовать в зависимости от случая различные значения величины у.

Распространенная проблема среди стартапов — это недостаточное количество данных и слишком много отслеживаемых показателей, которые «при всем желании» не позволяют сформулировать статистически сильную формулу «успеха». Вы же не можете поставить задачу вида «Так, ребята, давайте будем все наши активности направлять на рост количества друзей, публикаций, лайков и еще 10 показателей». Не очень вдохновляет такая речь. Таким образом, вместо подобных формулировок вы ищете что-то простое, что «превращает» направление некоторых действий на успех, что и сплочает вашу команду, несмотря на особенности деятельности каждого.

 

Проверка вашей формулы

a/b тестированиеПосле того как вы нашли формулу, которая на ваш взгляд должна работать, переходите к A/B тестированию. Сделайте что-нибудь(касается продукта), что увеличит приоритет отслеживаемых переменных и увеличивайте его использование искусстенно. Смотрите как это влияет на количество «успешных» пользователей. Если есть явное положительно влияние на результат, то работайте более плотно с этой разработкой. Если результата нет, то не задумывясь переключайтесь к реализации другой идеи.

 

«Брендирование» формулы

Наконец, когда вы изучили данные, использовали регрессию, и убедились, что ваша модель работает, то вы должны научиться легко делиться этой формулой с другими людям. Упростите пересказ этой информации(«успеха») максимально, повторяйте ее снова и снова, чтобы формула была подобна дорожной карте и участники команды мысленно к ней обращались на каждом участке работы над продуктом.

По материалам Andrew Chen.