Metrik seluler: Data apa yang harus Anda andalkan saat mengembangkan aplikasi. Seberapa baik pengguna yang datang dari Facebook?
Jika Anda mengembangkan game gratis untuk dimainkan, Anda mungkin tertarik pada masalah yang berkaitan dengan pengumpulan dan analisis statistik. Mengapa? Karena statistik merupakan salah satu komponen penting kesuksesan game free-to-play.
Tujuan dari rangkaian artikel saya adalah untuk menyusun berbagai informasi tentang masalah ini, sebarkan melalui pengalaman kami dan berikan rekomendasi tentang cara melakukannya
- indikator apa yang harus dilacak dalam permainan;
- alat analisis apa yang dapat membantu dalam bekerja dengan statistik;
- layanan pengumpulan dan analisis statistik apa yang ada beserta kelebihan dan kekurangannya.
Salah satu rahasia kesuksesan game F2P adalah desainnya tidak hanya harus didasarkan pada kreativitas dan ide-ide “cemerlang”, tetapi lebih pada analisis perilaku pemain dalam game, yaitu data/statistik nyata. Pada saat yang sama, Anda dapat (dan harus) meluncurkan game F2P hanya dengan sebagian konten siap pakai, dan mengelola pengembangan game/memodifikasi konten berdasarkan kebutuhan pemain dan popularitas fitur tertentu. Pendekatan ini disebut desain berbasis data, atau “desain berbasis data”. Ini adalah sebuah siklus, pada setiap iterasinya terdapat empat tahap yang ditunjukkan pada gambar.
Persentase konten siap pakai yang dapat diterima pada saat game diluncurkan bergantung pada genre, konsep, dll. Namun yang pasti harus siap saat memulai game gratis apa pun adalah sistem yang kuat dan fleksibel untuk mengumpulkan dan menganalisis statistik, serta sistem untuk menguji berbagai opsi fungsionalitas/seni/keseimbangan. Pada saat yang sama, semua indikator yang direncanakan untuk dianalisis harus direncanakan dengan jelas, dan alat analisis dan visualisasi data harus dipilih, diintegrasikan, dan dikonfigurasikan sebelumnya.
Rangkaian artikel saya akan terdiri dari tiga bagian, yang akan membahas isu-isu berikut.
- Indikator utama yang harus diperhatikan permainan gratis untuk dimainkan, dan data perilaku pemain yang harus dianalisis untuk meningkatkan indikator ini.
- Metode utama menganalisis data yang dikumpulkan untuk membuat keputusan tentang pengembangan game: segmentasi pengguna, analisis kohort, “corong” atau analisis urutan transisi, pengujian A/B.
- Layanan yang ada beserta kelebihan dan kekurangannya.
Statistik apa yang harus Anda kumpulkan di game F2P?
Dari pengalaman saya sendiri, saya akan mengatakan bahwa pada awalnya, ketika bekerja dengan statistik, Anda ingin mencatat hampir semua hal dalam game: setiap klik, setiap hasil game, dan setiap layar yang ditampilkan dalam game. Tesisnya bisa jadi sebagai berikut: yang utama adalah mengumpulkan semuanya dan tidak melewatkan apa pun, tetapi Anda bisa mengetahuinya nanti. Pendekatan ini tidak berhasil karena beberapa alasan.
- Menganalisis data dalam jumlah besar itu mahal: Anda perlu menarik banyak analis berkualifikasi tinggi yang harus memiliki pengetahuan tingkat lanjut baik dalam statistik maupun metode pemrosesannya, memahami kubus OLAP, algoritme kecerdasan buatan, dll. Artinya, semakin sedikit data, semakin baik!
- Data dengan cepat menjadi ketinggalan jaman, karena bergantung pada kampanye pemasaran, sumber akuisisi pemain, inovasi dalam game, dan bahkan waktu dalam setahun. Oleh karena itu, penting untuk melihat semua indikator secara real time.
| Indeks | Keputusan dibuat |
| Pendapatan berdasarkan level dan produk internal | Jika pemain tingkat lanjut membayar lebih, maka Anda perlu berupaya mendorong orang untuk membeli lebih awal (menganalisis kebutuhan di tingkat awal, menurunkan harga beberapa produk, dll.). Jika mereka membayar lebih di awal permainan, maka perlu memperkenalkan produk khusus untuk pemain yang lebih mahir, tambah peluang tambahan menghabiskan akumulasi mata uang. |
| Poin yang diperoleh pemain berdasarkan level | Data tersebut akan membantu menetapkan tujuan yang lebih tepat bagi pemain, serta menyesuaikan keseimbangan permainan. |
| Waktu penyelesaian tugas permainan | Untuk setiap tugas terdapat perkiraan perkiraan berapa lama waktu yang dibutuhkan pemain untuk menyelesaikannya. Dengan membandingkan waktu pelaksanaan tugas yang sebenarnya dengan waktu yang diharapkan, Anda dapat menyesuaikan parameter tugas dan urutannya. |
Statistik yang dikumpulkan dalam permainan dibagi menjadi tiga bagian:
- indikator bisnis;
- perilaku pemain;
- Informasi teknis.
Mungkin bagian tersulitnya adalah melacak perilaku pemain, karena bagian ini biasanya unik untuk setiap permainan dan memerlukan alat analisis tertentu (yang akan dibahas di bagian kedua seri artikel). Tidak ada solusi siap pakai yang dapat diintegrasikan ke dalam permainan dan segera mulai menerima statistik yang diperlukan. Ada perusahaan yang dapat melakukan outsourcing pengumpulan dan analisis statistik (misalnya, GamesAnalytics Ltd). Namun kami lebih memilih untuk mengalokasikan sumber daya untuk hal ini di dalam tim pengembangan itu sendiri.
Informasi teknis adalah statistik yang diperlukan untuk membuat permainan lebih stabil dan memperbaikinya tepat waktu masalah teknis pemain.
Indikator bisnis
DAU/MAU
Ini adalah ukuran "keterlibatan" suatu game dan memberi tahu Anda berapa banyak orang yang memainkan game tersebut setiap hari.
- DAU (pengguna aktif harian) adalah jumlah pengguna unik yang meluncurkan game setidaknya sekali sehari.
- MAU (pengguna aktif bulanan) adalah jumlah pengguna unik yang meluncurkan game setidaknya sebulan sekali.
Perlu dicatat bahwa ini adalah perkiraan perkiraan, karena untuk menghitung kembalinya pemain secara akurat, Anda perlu memisahkan dengan jelas pemain baru dari mereka yang kembali pada interval waktu tertentu (biasanya setiap hari), dengan mempertimbangkan sumber lalu lintas. dan promosi yang diadakan. Analisis kelompok membantu dalam studi rinci tentang isu-isu ini, yang akan dibahas di bagian kedua seri ini. Indikator “kegembiraan” ini sederhana dan memberikan gambaran singkat tentang permainan tersebut.
Pemain "Membayar".
Penting untuk melacak persentase pemain yang membayar, serta demografi dan karakteristik lainnya. Mengetahui profil mereka, Anda dapat fokus secara khusus pada audiens ini saat mengembangkan fungsionalitas baru dalam game.
Saya akan memberi Anda contoh dari salah satu permainan kami. Gambar di bawah menunjukkan persentase orang yang bermain berdasarkan usia dan persentase orang yang membayar di antara mereka. Terlihat bahwa sebaiknya fokus pada orang paruh baya (35 - 54), karena merekalah yang cenderung membayar.
Selain itu, penting untuk dapat mengidentifikasi “paus” di antara para pemain: mereka adalah orang-orang yang menghabiskan banyak uang. Kita perlu mengenal orang-orang ini lebih baik, mempelajari pola perilaku khas mereka, di mana mereka terjatuh, untuk memenuhi kebutuhan mereka sebanyak mungkin.
Mengapa "paus"? Secara umum, terkadang semua pemain yang membayar dibagi menjadi “ikan kecil”, “lumba-lumba”, dan “paus”. Ikan kecil menghabiskan sedikit uang - sekitar $1 per bulan. “Lumba-lumba” harganya sekitar $5, dan “paus” harganya banyak. Menurut Gigaom di game Zynga, 20% pemain dengan bayaran tertinggi menghabiskan rata-rata $1.100 per tahun ($90 per bulan).
Indikator pendapatan:
- ARPU - pendapatan rata-rata per pemain (pemasangan berbayar dan gratis dipertimbangkan; indikatornya biasanya dihitung per bulan).
- ARPPU - berapa rata-rata pengeluaran pemain yang membayar (yaitu, biaya sebenarnya dari permainan).
k-factor – koefisien viralitas
Viralitas adalah cara menyebarkan informasi tentang suatu game di Internet dan di jejaring sosial dari pemain ke pemain. Jika game tersebut memiliki mekanisme viralitas yang berkembang dengan baik, maka biaya untuk menarik pengguna baru akan berkurang. Untuk memantau viralitas, Anda bisa menggunakan k-factor.
Faktor k dapat dihitung dengan menggunakan rumus berikut: k = X * Y, dimana X adalah jumlah undangan per pemain, Y adalah persentase orang yang menerima undangan tersebut dengan bergabung dalam permainan. Jika k-factornya 0,2, maka untuk setiap pemain baru kita bisa mendapatkan 0,2 pemain yang datang ke game tersebut melalui undangan (dengan kata lain: untuk setiap lima pemain baru, kita mendapatkan satu pemain gratis yang datang ke game tersebut melalui undangan). Jelas bahwa semakin tinggi k-factor suatu game, semakin murah pula menarik pemain baru ke game tersebut.
Analisis perilaku pemain
Kemajuan pemain dalam permainan
Hal pertama yang Anda perlukan untuk menganalisis perilaku pemain adalah statistik kemajuan pemain dalam permainan. Untuk melacak kemajuan dalam skenario permainan, pos pemeriksaan ditentukan yang harus dilewati pemain. Menganalisis kecepatan kemajuan pada titik-titik tersebut dan parameter pemain pada titik-titik tersebut akan membantu mengidentifikasi hambatan atau kesulitan dalam permainan yang perlu dihilangkan.
Skenario pembelian pertama
Jika pemain telah melakukan pembelian pertama, maka dia dipindahkan ke kategori pemain “membayar”. Dipercaya bahwa pembelian pertama adalah hambatan psikologis, setelah diatasi, pemain akan lebih mudah membagi uangnya. Rencanakan terlebih dahulu urutan tindakan dalam game yang dapat mengarahkan pemain ke pembelian pertama. Lacak berapa banyak pemain yang menerapkan skenario yang Anda tentukan, kerjakan konversi, tingkatkan antarmuka, dan keseimbangan.
tutorial
Jika seorang pemain meninggalkan permainan selama tutorial, anggaplah pemain tersebut kalah dari Anda: ada kemungkinan besar dia tidak akan pernah kembali ke permainan. Untuk menghindari hal ini, permulaan permainan harus dilakukan semaksimal mungkin. Penting untuk melacak setiap langkah tutorial untuk memahami di layar mana pemain bosan dan meninggalkan permainan, yang tidak jelas baginya, apakah dia bisa belajar, apakah dia menyelesaikan tugas pertama sendiri. .
Tindakan pertama dan terakhir pemain
Hal ini berguna untuk melacak tindakan pertama dan terakhir pemain selama sesi permainan.
Acara pertama menentukan suasana untuk keseluruhan sesi permainan. Itu dapat memikat pemain dan membuatnya menghabiskan banyak waktu dalam permainan. Namun kejadian pertama mungkin “menakuti” pemain, akibatnya dia akan menutup permainan dan mungkin tidak kembali. Kita perlu membandingkan dan menguji acara/jendela/salam mana yang menghasilkan lebih banyak waktu dalam permainan.
Acara terakhir juga penting. Peristiwa terakhir biasanya merupakan kendala utama dalam permainan yang perlu dihilangkan. Jika acara terakhir dari sesi permainan direncanakan (misalnya, pemain sedang menunggu selesainya beberapa siklus permainan), ada baiknya membuat acara ini sedemikian rupa sehingga pemain ingin memasuki permainan di lain waktu.
Kumpulan statistik teknis
Karena saya sedang berkembang permainan seluler– Saya akan memberikan contoh, katakanlah, dari dunia Android yang menakjubkan.
Mengumpulkan statistik tentang perlengkapan teknis perangkat pemain dapat bermanfaat untuk memastikan stabilitas permainan. Misalnya, penting untuk mengetahui perangkat, firmware, resolusi layar, dan jenis tekstur yang didukung perangkat keras mana yang paling populer di kalangan pemain. Penting juga untuk mengetahui konfigurasi perangkat keras mana yang memberikan pendapatan dan keuntungan terbesar bagi pemain (perbedaan pendapatan dapat berbeda hingga puluhan persen). Sebaiknya kurangi daftar perangkat yang didukung jika perangkat tersebut tidak menghasilkan pendapatan dan jika permainannya tidak stabil. Ini juga akan melindungi aplikasi dari ulasan negatif di toko.
Jika game menggunakan sumber daya untuk melanjutkan, kumpulkan statistik tentang keberhasilan melanjutkan, jumlah permintaan untuk melanjutkan, dan kesalahan yang terjadi selama melanjutkan. Jika pengunduhan dilakukan sebelum permainan pertama kali dimulai, hal ini dapat menakuti sebagian besar penonton. Dan jika pemain belum mendownload game tersebut, mereka pasti tidak akan kembali dan membayar. Oleh karena itu, Anda perlu menjaga stabilitas maksimum dari prosedur pengunduhan dan menemukan sesuatu untuk dilakukan bagi para pemain sambil menunggu. Lebih baik lagi, temukan peluang untuk tidak mengunduh data di awal, tetapi mengunduhnya di dalam game untuk mendapatkan hadiah tambahan.
Jika game menggunakan sistem penawaran sebagai monetisasi tambahan, maka masuk akal untuk memantau efektivitas pekerjaan mereka, termasuk memeriksa cakupan penawaran di negara lain pada perangkat yang berbeda.
Cukup banyak informasi berguna dapat ditemukan dalam dokumentasi, presentasi, artikel yang disiapkan oleh layanan analitis itu sendiri. Biasanya, ia memberikan contoh, kasus, pembenaran, dan indikator industri yang kompeten. Berikut adalah daftar layanan yang membantu saya memahami masalah pengumpulan dan analisis statistik dalam game.
Perpindahan pelanggan seperti sirene kebakaran. Anda memahami bahwa ada sesuatu yang tidak beres, tetapi pengetahuan ini tidak membantu Anda memadamkan api.
Untuk “mendiagnosis” dan memecahkan masalah retensi Anda, Anda perlu melakukan sesuatu yang lebih serius dari sekedar melihat pola menang dan kalah. Penting untuk menentukan siapa yang akan pergi, kapan mereka melakukannya dan mengapa. Hanya dengan begitu Anda dapat mengatur waktu dengan bijak dan melakukan penyesuaian yang akan memberikan dampak terbesar pada pertumbuhan bisnis Anda.
Baca terus untuk mengetahui cara menemukan sumber api dan memadamkannya sebelum bisnis Anda terbakar habis.
Apakah detail Anda benar?
Tidak ada yang akan menyangkal bahwa generasi pemimpin memainkan peran penting dalam keberhasilan perusahaan tahap awal. Namun jangan biarkan metrik yang baik menutupi masalah churn Anda.
Mari kita ingat rumusnya:
Churn = pengguna yang hilang / jumlah total pengguna
Mari kita lihat contoh dari Profitwell yang mendemonstrasikan arti rumus di dunia nyata.
Vertikal: pelanggan lama, churn pelanggan lama, pelanggan baru, churn pelanggan baru, jumlah pelanggan, tingkat churn. Horisontal: Agustus, September
Masalah dengan rumus churn adalah mode operasi yang sama persis (menambahkan 5.000 pengguna per bulan) tidak memberikan hasil yang sama - tingkat churn di bulan September lebih rendah dibandingkan di bulan Agustus. Pertumbuhan pesat secara artifisial mengurangi churn karena pelanggan baru yang ditambahkan setiap bulan belum punya waktu untuk membatalkan langganan mereka.
Perubahan bahkan seperseratus pecahan dalam churn dapat mengakibatkan penurunan keuntungan sebesar 25%, jadi Anda tentu tidak ingin ada ketidakakuratan dalam perhitungan seperti itu.
Metrik #1. Hitung churn berdasarkan rata-rata
Tingkat churn yang baik karena lonjakan tidak akan memberi Anda gambaran obyektif tentang apa yang berjalan dengan baik dan apa yang tidak. Oleh karena itu, ada formula yang sedikit dimodifikasi untuk startup yang berkembang pesat:
Apakah itu terlihat menakutkan? Tidak sulit untuk mengetahuinya:
Churn = jumlah pengguna yang hilang
∑ = jumlah pengguna baru setiap hari (i=1) dalam kumpulan data (n)
n = jumlah hari dalam periode tertentu
Jika pengguna ditambahkan ke basis pelanggan Anda secara bertahap, rata-ratanya akan meningkat dan berdampak lebih besar pada tingkat churn bulanan Anda. Jika pelanggan ditambahkan ke database menjelang akhir periode, hal ini tidak akan mengubah tingkat churn atau membuatnya tampak lebih rendah dari yang sebenarnya.
Berkat rumus ini, pengaruh perolehan prospek yang signifikan dapat diseimbangkan dengan membuat rata-rata data. Percepatan pertumbuhan tidak akan mengubah angka-angka Anda atau membodohi Anda dengan berpikir bahwa kinerja Anda lebih baik di satu bulan dan lebih buruk di bulan berikutnya.
Apakah aliran keluar sudah merata?
Sulit untuk menemukan indikator yang lebih berbahaya daripada churn pelanggan, tapi ada satu. Ini adalah sifat pengguna yang berubah-ubah. Jika Anda tidak dapat meratakan kurva retensi, produk Anda tidak memiliki daya tarik yang menarik.
Katakanlah 100 pengguna yang mendaftar ke layanan Anda pada tanggal 1 Januari memiliki Tingkat Retensi sebesar 40% pada akhir bulan. Namun angka ini terus menurun, dan pada akhir bulan kedua tidak ada yang tersisa dari angka aslinya. Jika Anda memiliki kelompok, atau pengguna yang dikelompokkan berdasarkan tanggal berlangganan, yang hampir seluruhnya habis dan tidak pernah naik level, Anda punya serius Masalah.
Jadi apa artinya ini bagi pertumbuhan Anda?
Pengguna Aktif Mingguan (WAU) berdasarkan kelompok bulanan (data fiktif). Vertikal: jumlah total WAU. Horisontal: kelompok bulanan
Pertama tinggi badanmu tidak akan berkurang. Namun melihat grafik di atas, Anda dapat melihat bahwa seiring waktu jumlah pengguna yang keluar akan meningkat, dan hal ini pada akhirnya akan memperlambat pertumbuhan Anda. Jika Anda melanjutkan grafik lebih jauh ke kanan, kurvanya pasti akan turun. Pengguna akan meninggalkan situs web/aplikasi Anda dengan kecepatan yang terus meningkat, dan Anda akan memperoleh pengguna baru dengan kecepatan yang sama.
Metrik nomor 2. Tingkat retensi pelanggan per kelompok
Bagilah pengguna berdasarkan tanggal mulai menggunakan layanan Anda dan lakukan analisis kelompok. Anda perlu meratakan kurva retensi. Temukan titik waktunya (tidak peduli apakah itu hari kedua atau minggu ketiga) ketika pengguna berhenti melakukan kebocoran.
Lihatlah 2 analisis kohort:
Pada tahap pertama, arus keluar secara bertahap dimulai di setiap kelompok sampai tidak ada lagi yang tersisa. Namun pada tahap kedua, kurva retensi menjadi datar pada hari ke-12, dan setiap kelompok baru melanjutkan apa yang tersisa dari kelompok sebelumnya. Jika analisis Anda serupa dengan yang pertama, fokuslah untuk mengomunikasikan nilai penawaran secara lebih jelas kepada pelanggan Anda pada tahap awal retensi. Barulah grafik pertumbuhan Anda akan terlihat seperti ini:
Setelah Anda meratakan kurva retensi, Anda dapat berinvestasi dalam mempercepat prosesnya. Cobalah untuk mengarahkan pengguna ke momen “Aha!” sekitar hari ke-3, bukan hari ke-12, ketika tingkat retensi yang sama akan setara dengan lebih banyak pengguna.
Nilai apa yang dimiliki pengguna Anda?
Bahkan jika Anda meratakan kurvanya, cepat atau lambat pengguna akan mulai meninggalkan Anda. Tujuannya adalah untuk memutuskan seberapa cepat hal tersebut terlalu dini dan apa yang dapat dilakukan untuk mempertahankannya lebih lama.
Ada legenda bahwa selama Nilai Seumur Hidup Pelanggan (LTV) Anda lebih tinggi daripada Biaya Akuisisi Pelanggan (CAC), posisi Anda stabil. Dengan kata lain, selama Anda membelanjakan lebih sedikit untuk pemasaran dibandingkan total pendapatan yang Anda hasilkan dari pelanggan yang diperoleh, Anda baik-baik saja.
LTV > CAC = ☺
Apakah semuanya baik-baik saja? TIDAK.
Rumus ini valid berdasarkan dua asumsi yang sangat tidak tepat:
1. Tingkat churn adalah konstan, dan
2. Semua pengguna pada akhirnya akan keluar.
Seperti yang ditunjukkan pada bab sebelumnya, arus keluar tidak konstan, dan Anda tidak menginginkannya. Anda berupaya untuk terus meningkatkan metrik ini. Untuk asumsi kedua, Anda berharap mendapatkan pelanggan yang seperti itu tidak pernah kamu tidak akan ditinggalkan.
Metrik No.3. Total keuntungan kelompok
Sebagai pengganti formula ini, Open View Partners, yang bekerja dengan startup perangkat lunak dalam tahap ekspansi, telah menghadirkan formula yang lebih baik untuk memahami nilai pengguna. Mereka merekomendasikan untuk melihat sesuatu yang disebut Pendapatan Kelompok Kumulatif (CCR) dan membandingkannya dengan CAC. CCR adalah jumlah total pendapatan yang dihasilkan dari pangsa pelanggan yang Anda peroleh selama periode waktu tertentu (biasanya 12 atau 24 bulan).
CCR Tahunan = CCR kelompok terkait pada bulan ke-12 / total biaya penjualan dan pemasaran pada bulan awal untuk kelompok tertentu
Formula baru mencakup jangka waktu tertentu. Ini memastikan bahwa Anda membandingkan sah total keuntungan dari satu kelompok individu dengan jumlah yang Anda keluarkan untuk memperolehnya. Tidak ada ruang untuk asumsi yang salah, dan Anda mendapatkan pemahaman yang benar tentang di mana Anda dan CAC Anda mencapai titik impas.
Membandingkan CCR dan CAC di seluruh kelompok akan menunjukkan peningkatan Anda dari waktu ke waktu dan seberapa cepat Anda dapat menutup biaya akuisisi pelanggan.
Tingkat retensi memang penting, namun hal ini tidak mencerminkan keseluruhan cerita. Faktanya adalah proses keluarnya pengguna dapat memakan waktu satu menit, satu jam, atau bahkan seminggu setelah mereka membuat keputusan awal tentang produk Anda. Mungkin dia ingin membatalkan langganannya, tapi terus-menerus melupakannya. Atau dia memutuskan untuk memberi produk itu kesempatan lagi, tetapi semuanya tidak berjalan baik.
Katakanlah grafik retensi Anda memiliki kemiringan yang mengkhawatirkan:
Anda melihat penurunan tajam dalam retensi, namun Anda tidak tahu apa yang terjadi. Kurva tampaknya semakin curam pada hari ke-14... Namun apakah ini disebabkan oleh bug yang parah atau apakah pengguna hanya ingat bahwa mereka ingin membatalkan langganannya?
Metrik No.4. DAU/WAU/MAU
Daripada hanya melihat retensi, Anda harus melihat analisis perilaku pengguna. Dialah yang akan menjelaskan kepada Anda siapa yang aktif dan siapa yang baru saja meluangkan waktu untuk berhenti berlangganan.
Untuk melakukan ini, Anda perlu melihat tingkat aktivitas Anda. Tergantung pada sifat produk Anda, Anda perlu membayar perhatian yang cermat ke salah satu metrik berikut:
Pengguna Aktif Harian (DAU)
Pengguna Aktif Bulanan (MAU)
Jika nilai utama Anda berasal dari penggunaan sehari-hari (Anda mempromosikan aplikasi perpesanan atau pengatur alur kerja), maka fokus Anda adalah pada pengguna aktif harian. Jika nilainya bergantung pada frekuensi check-in yang lebih jarang, lacak WAU atau bahkan MAU.
Tidak semua pengguna terbangun di suatu pagi dan memutuskan untuk meninggalkan aplikasi Anda. Arus keluar biasanya didahului dengan penurunan aktivitas. Tetapkan tolok ukur aktivitas untuk pengguna Anda, dan jika Anda belum bisa mendekati mereka, mulailah proses keterlibatan kembali sebelum terlambat.
Mencegah daripada mengobati gejala
Menerapkan semua strategi retensi ke basis Anda bisa jadi sangat menggoda, baik Anda mengalami masalah churn atau tidak. Namun hal ini akan menyebabkan Anda terpecah belah, dan hanya menghasilkan sedikit hasil. 4 metrik yang dibahas di atas memberikan gambaran tentang cara menetapkan tujuan churn dan mengambil tindakan yang diperlukan dengan cepat.
Setelah metrik ini mulai menunjukkan hasil yang luar biasa, Anda dapat menyingsingkan lengan baju dan fokus untuk mendapatkan lebih banyak nilai dari pengguna Anda.
Publikasi ini diterbitkan sebagai bagian dari serangkaian materi tentang metrik game dari situs dan devtodev. Artikel dibagi berdasarkan musim, yang masing-masing dikhususkan untuk topik tertentu. Musim kedua disebut "Pengguna". Di dalamnya kita berbicara tentang metrik bisnis yang mencerminkan efektivitas aplikasi dalam bekerja dengan audiens.
Vera Karpova
Penonton proyek ini diisi ulang dengan pengguna baru setiap hari. Ada di antara mereka yang cepat kehilangan minat, ada yang terkadang mengingat aplikasi tersebut, dan ada pula yang menggunakannya secara rutin. Dan mungkin setiap hari perwakilan dari semua segmen ini masuk ke dalam aplikasi. Hari ini kita akan membicarakannya - Pengguna aktif.
Pengguna aktif– ini adalah mereka yang memiliki setidaknya satu sesi selama periode waktu yang diteliti. Interval ini mungkin berbeda, tetapi paling sering mereka mempelajari audiens proyek harian, mingguan, dan juga bulanan. Dan indikator-indikator ini diberi nama:
- DAU– jumlah pengguna unik per hari (pengguna aktif harian);
- WAU jumlah pengguna unik per minggu (pengguna aktif mingguan);
- MAU– jumlah pengguna unik per bulan (pengguna aktif bulanan).
Pada saat yang sama, Anda dapat membuat perhitungan serupa untuk periode lainnya jika periode tersebut lebih memenuhi persyaratan perusahaan. Misalnya, dengan menyimpulkan hasil tahun keluar, Anda dapat menghitung audiens tahunan proyek dan membandingkannya dengan tahun-tahun sebelumnya untuk menilai dinamikanya.
Perlu dicatat bahwa WAU pada minggu tertentu bukan merupakan penjumlahan DAU selama 7 hari, karena kita berbicara tentang pengguna unik. Misalnya, salah satu dari mereka mungkin login ke aplikasi pada hari Senin dan Selasa, dan akan berakhir di DAU Senin dan DAU Selasa. Namun dalam seminggu (Senin sampai Minggu) dihitung hanya satu kali.
Begitu pula MAU bukan penjumlahan dari 4 WAU dan 30 DAU. Dari segi perhitungan, indikator-indikator tersebut tidak saling berhubungan dan dihitung secara terpisah.
Untuk lebih memahami indikator-indikator ini, mari kita menghitungnya menggunakan sebuah contoh.
Katakanlah kita memiliki data kunjungan aplikasi oleh berbagai pengguna selama 2 minggu. Dalam hal ini, tidak masalah berapa kali sehari pengguna memasuki proyek, karena ia akan tetap menjadi satu pengunjung unik.
Hari-hari ketika pengguna mengakses aplikasi ditandai dengan warna biru.
Jadi, mari kita hitung dulu DAU hari ke-1, ke-2, ke-5, dan ke-10. Untuk melakukan ini, Anda perlu mengetahui berapa banyak pengguna unik yang mengakses aplikasi saat ini:
- DAU Hari ke-1 = 2 (pengguna 1 dan 4);
- Hari ke 2 DAU = 3 (pengguna 2,4,5);
- Hari ke 3 DAU = 3 (pengguna 2,3,4);
- Hari ke 10 DAU = 0 (tidak ada yang login ke aplikasi hari ini).
- di minggu pertama (dari hari ke-1 hingga ke-7) sama dengan 5 - semua pengguna memasuki proyek;
- di minggu kedua (dari hari ke 8 hingga ke 14) indikator ini sudah 3 - pengguna pertama dan kedua tidak melakukan sesi.
Anda juga dapat memilih minggu sewenang-wenang, misalnya, dari hari ke-3 hingga ke-9, dan WAU akan sama dengan 4.
Dalam contoh kita, hanya 5 orang yang berpartisipasi, namun dalam proyek nyata akan ada ribuan, ratusan ribu, jutaan pengguna yang mengunjungi produk setiap hari. Dan cara mereka mengakses aplikasi menunjukkan stabilitas, kualitas, dan skalanya.
Di samping itu Pengguna aktif adalah indikator yang masuk akal untuk dilacak secara real time, karena jika ada kerusakan pada aplikasi atau server dan pengguna tidak dapat menggunakan produk, metrik ini akan langsung terpengaruh. Untuk kontrol seperti itu, Anda dapat mengelompokkan pengguna bukan berdasarkan hari, tetapi berdasarkan jam atau bahkan interval 10 menit.
Omong-omong, pengguna aktif yang saat ini berada dalam aplikasi adalah metrik terpisah yang memiliki namanya sendiri. Paling sering ini Pengguna daring, tetapi Anda juga dapat menemukan singkatan seperti CCU (pengguna bersamaan)– pengguna yang ada dalam aplikasi di momen tertentu, Dan PCCU (puncak pengguna bersamaan)– jumlah maksimum pengguna secara bersamaan dalam aplikasi.
CCU rata-rata mencerminkan skala proyek dengan baik, dan PCCU sangat penting ketika merencanakan beban pada server.
Dinamika pengguna aktif dapat berubah tidak hanya dalam sehari, namun secara bertahap dapat meningkat atau menurun dari bulan ke bulan. Dan sangat penting untuk mengendalikannya. Segmentasi membantu menyederhanakan analisis perubahan jumlah pengguna aktif. Berkat itu, Anda dapat dengan cepat memahami segmen pengguna mana yang bertanggung jawab atas perubahan indikator.
Berikut beberapa opsi untuk menyegmentasikan audiens aktif Anda.
Untuk pembayaran:
- membayar/tidak membayar
- hanya melakukan 1 kali pembayaran / melakukan pembayaran berulang kali
Berdasarkan tanggal sejak pemasangan:
- 1 hari / 2-7 hari / 8-14 hari / 15-30 hari / 30-60 hari / 60+ hari
Berdasarkan frekuensi kunjungan:
- setiap hari / 4-6 kali seminggu / 1-2 kali seminggu / sebulan sekali atau kurang
Anda juga dapat membagi berdasarkan negara, berdasarkan perangkat, sistem operasi, berdasarkan peristiwa khusus (yaitu, membagi audiens menjadi pengguna yang melakukan dan tidak melakukan tindakan ini atau itu).
Opsi segmentasi terakhir dapat digunakan jika aplikasi memiliki beberapa peristiwa penting yang penting untuk kelengkapan pengalaman bermain game atau menciptakan kesan pertama yang tepat terhadap produk (misalnya, menyelesaikan tutorial, N level dalam game, atau memasuki a toko).
Setelah Anda mengidentifikasi segmen yang mengalami penurunan pengguna aktif, pencarian akan lebih mudah kemungkinan alasan Masalah.
Inilah yang mungkin terjadi:
Pertama, jumlah pengguna aktif di Rusia mulai berkurang, pada saat yang sama jumlah pengunjung dari Jepang meningkat dan mereka mengimbangi penurunan di negara lain. Jika kita hanya melihat grafik DAU secara keseluruhan, kemungkinan besar kita tidak akan melihat adanya perubahan dinamika. Dan baru kemudian, ketika jumlah pengguna aktif di Rusia semakin menurun, kita akan melihat hal ini pada grafik umum. Sementara itu, cukup banyak waktu yang telah berlalu yang dapat dimanfaatkan untuk mencari dan menghilangkan penyebab jatuhnya.
Anomali statistik lainnya menegaskan pentingnya segmentasi: Paradoks Simpson. Manifestasinya paling baik dilihat dengan sebuah contoh.
Mari kita ambil 4 negara dari contoh sebelumnya dan asumsikan bahwa konversi pembelian di negara tersebut adalah sebagai berikut:
Dan inilah yang terjadi:
- konversi di Rusia (4,85%) lebih tinggi dibandingkan konversi di Jepang (4,44%);
- Konversi di Inggris (7,08%) lebih tinggi dibandingkan konversi di Tiongkok (6,98%);
- konversi total negara-negara Eropa(5,8%) lebih kecil dibandingkan konversi orang Asia (6,5%).
Hal ini sekali lagi menunjukkan bahwa segmentasi dapat memberikan hasil yang sangat berbeda dari statistik indikator secara keseluruhan.
Ngomong-ngomong, terkadang, saat melihat grafik DAU, Anda tidak selalu dapat menentukan tren dengan jelas, namun mengelompokkannya berdasarkan minggu atau bulan (mengonversi grafik menjadi WAU dan MAU) membuatnya lebih jelas.
Metrik Pengguna Aktif sendiri tentu penting untuk proyek, namun selain itu juga terkait dengan metrik keuangan dan perilaku lainnya.
Pertama, Pengguna aktif dipengaruhi oleh jumlah pengguna baru– semakin banyak dari mereka, dan semakin cepat dan konsisten mereka datang ke proyek, semakin cepat jumlah penontonnya bertambah.
Indikator kedua yang tidak kalah pentingnya adalah Penyimpanan(retensi pengguna), yang memberitahukan bagaimana pengguna kembali ke proyek. Jika Anda membawa pengguna baru ke proyek yang tidak akan kembali lagi, maka mereka tidak akan menambah jumlah penonton, dan ketertarikan tersebut tidak akan berpengaruh apa pun. Penting untuk membuat pengguna tertarik dengan produk tersebut sehingga mereka ingin kembali lagi. Dan semakin banyak, semakin besar pula audiens aktifnya.
Contoh kecil:
Anda dapat memiliki tingkat retensi yang baik di aplikasi Anda, namun dengan jumlah pengguna baru yang sedikit, jumlah pemirsa akan tumbuh dengan sangat lambat. Dan sebaliknya, jika ada banyak pengguna baru dan Retensi rendah, maka sebagian besar dari mereka akan meninggalkan proyek, yang juga tidak akan menambah jumlah penonton.
Dan semakin besar audiens proyek, semakin banyak pembayar potensial di antara proyek tersebut. Lagi pula, dalam urutan inilah pengguna mulai membayar:
Pengguna baru → Pengguna aktif → Pengguna berbayar
Omong-omong, pengguna harus tetap aktif dalam produk setelah melakukan pembayaran pertama, karena ini akan meningkatkan kemungkinan dia melakukan pembelian berulang.
Jadi, Pengguna aktif secara proporsional mempengaruhi pendapatan:
Pendapatan = Pengguna aktif * Bagi hasil * ARPPU
Jumlah pengguna aktif adalah salah satu indikator terpenting suatu produk, yang secara tidak langsung menunjukkan keberhasilannya, menggabungkan kualitas menarik pengguna baru dan metrik retensi, yang secara langsung memengaruhi pendapatan. Oleh karena itu, ketika menganalisis pengguna aktif, Anda juga harus memperhatikan tingkat pertumbuhan audiens, karena metrik ini adalah salah satu tanda paling positif pengembangan aktif produk.
Atau menyiapkan mekanisme internal aplikasi adalah permainan buta. Hanya dengan menganalisis data dan mengevaluasi tindakan individu, keputusan yang tepat dapat diambil. Di bawah ini kami telah mencantumkan metrik terpenting yang tidak dapat Anda lakukan tanpanya saat berpromosi.
Indikator umum
Jumlah instalasi dan jumlah registrasi -Ini adalah metrik dasar yang mencerminkan indikator paling jelas. Dengan sendirinya, indikator-indikator tersebut tidak terlalu berguna untuk analisis, namun diperlukan ketika menghitung indikator-indikator lainnya.
Penting untuk menyoroti pentingnya perbedaan antara kedua metrik ini. Pertama, pengguna dapat menginstal aplikasi, tetapi kemudian menghapusnya tanpa login. Dalam hal ini, instalasi akan dihitung, tetapi registrasi tidak akan dilakukan. Kedua, satu pengguna dapat melakukan beberapa instalasi: misalnya, pada dua perangkatnya - ponsel cerdas dan tablet, tetapi dalam kedua kasus tersebut ia akan masuk ke aplikasi di bawah satu akun. Oleh karena itu, pendaftaran akan dihitung satu, dan pemasangan - dua.
Jumlah instalasi dan informasi lainnya biasanya paling mudah ditemukan di sistem analisis aplikasi internal atau di akun pengembang di toko.
Aktivitas pengguna
Jumlah pendaftaran sama sekali tidak memungkinkan kami menilai audiens sebenarnya dari aplikasi tersebut. Memang, dalam proyek apa pun hampir selalu ada "jiwa mati" - pengguna yang berhenti menggunakan aplikasi tersebut. Oleh karena itu, metrik khusus diadopsi untuk penilaian objektif.
Aktivitas pengguna biasanya diukur selama periode tertentu, paling sering sebulan, minggu, atau hari. Metrik DAU (Pengguna Aktif Harian) mencerminkan jumlah pengguna unik yang mengunjungi aplikasi pada siang hari, WAU (Pengguna Aktif Mingguan) - dalam seminggu, dan MAU (Pengguna Aktif Bulanan) - dalam sebulan. Jadi, jika semua pengguna login ke aplikasi setiap hari selama sebulan, maka DAU dan MAU akan sama. Tapi di kehidupan nyata Tentu saja hal ini tidak terjadi. Indikator-indikator ini terutama menunjukkan skala proyek Anda.
Selain itu, dalam analisis seluler terdapat metrik yang menunjukkan seberapa sering pengguna memasuki aplikasi - yang disebut. Faktor Lengket. Menghitung keterlibatan pengguna cukup sederhana: Anda perlu membagi DAU dengan MAU (WAU). Misalnya, jika audiens harian memiliki 100 pengguna, dan audiens bulanan 500, maka keterlibatannya akan menjadi 20%. Indikator ini hanya dapat mencerminkan gambaran sebenarnya jika masuknya pengguna baru terjadi secara merata.
tingkat retensi- metrik efektivitas retensi pengguna, dengan kata lain - frekuensi kembalinya mereka. Untuk menghitung indikator ini, Anda perlu dari jumlah total pengguna di akhir periode, kurangi pengguna baru (yang datang ke aplikasi selama periode tersebut) dan bagi dengan jumlah pengguna di awal periode. Biasanya, tingkat retensi dihitung selama dua hari, seminggu, dua minggu, dan satu bulan. Metrik ini menunjukkan tingkat keterikatan audiens terhadap produk. Hal ini juga penting untuk perencanaan keuangan.
Durasi sesi- periode waktu selama pengguna berinteraksi dengan aplikasi. Misalnya, untuk sebagian besar permainan, sesi yang panjang bermanfaat dan memberi indikasi level tinggi keterlibatan pengguna, dan dalam layanan panggilan taksi atau pemesanan hotel, lamanya sesi tidak memainkan peran khusus. Di dalamnya, pengembang mengupayakan jalur konversi sesingkat mungkin.
Metrik monetisasi
Kelompok metrik berikutnya terkait dengan pendapatan. Penting untuk memahami berapa banyak dan bagaimana pengguna membelanjakannya. Hal ini membantu untuk mengevaluasi efektivitas metode monetisasi atau bahkan memikirkan untuk mengubah model bisnis.
ARPU(Pendapatan Rata-Rata per Pengguna) adalah salah satu indikator mendasar monetisasi proyek. Metrik ini mencerminkan rata-rata jumlah pendapatan yang dihasilkan setiap pengguna. Cara menghitungnya secara sederhana: seluruh pendapatan harus dibagi dengan jumlah pengguna aplikasi. Dinamika indikator ini juga penting: jika tumbuh berarti proyek berkembang ke arah yang benar.
ARPA(Pendapatan Rata-Rata per Akun) - hal yang sama, tetapi bukan per pengguna, tetapi per akun. Indikator ini digunakan jika aplikasi melibatkan penghasilan uang dari pembayaran langsung dari pengguna yang sudah terdaftar.
ARPU(Pendapatan Rata-Rata per Pengguna yang Membayar) - metrik ini mudah dikacaukan dengan ARPU - perbedaannya hanya satu huruf. Satu-satunya perbedaan adalah hanya pengguna berbayar yang diperhitungkan. Artinya, ARPPU biasanya jauh lebih tinggi dibandingkan ARPU.
LTV(Nilai Seumur Hidup) - pendapatan yang diperoleh pengguna sepanjang masa pakai aplikasi. Ini adalah salah satu indikator mendasar ketika mulai melebihi CAC - biaya untuk menarik satu pengguna - iklan dapat dianggap menguntungkan. Penting untuk berusaha memastikan bahwa LTV melebihi CAC setidaknya 3 kali lipat, ini akan memungkinkan investasi dalam pengembangan dan menutupi penyusutan, dan tidak hanya mengganti biaya langsung untuk menarik pelanggan.
ALTC(Rata-rata Seumur Hidup Pelanggan) adalah indikator yang diperlukan untuk menghitung LTV; indikator ini memberi tahu kita tentang “masa hidup” pengguna dalam aplikasi. Misalnya, untuk aplikasi di segmen e-niaga, biasanya ini adalah jumlah transaksi selama periode klien menggunakan aplikasi tersebut.
Tingkat churn- tingkat churn pengguna, metrik mencerminkan persentase pengguna yang keluar. Semakin rendah tingkat Churn, semakin baik proyek tersebut.
Metrik efektivitas periklanan
Kelompok metrik berikutnya berhubungan langsung dengan pembelian lalu lintas dan promosi dan digunakan untuk mengevaluasi efektivitas periklanan. Bagaimanapun, salah satu prinsip utama promosi bukanlah mengeluarkan lebih banyak uang untuk iklan daripada menghasilkan keuntungan.
(Biaya per Pemasangan) - biaya satu kali pemasangan. Metrik ini memperhitungkan semua biaya untuk menarik pengguna baru. Untuk menghitung CPI, Anda perlu membagi semua biaya iklan dengan jumlah instalasi yang ditarik. Namun indikator ini sangat sewenang-wenang, tidak memperhitungkan sejumlah faktor.
eCPI atau biaya pemasangan yang efektif adalah indikator yang lebih akurat, saat menghitungnya, viralitas diperhitungkan.
faktor K atau koefisien viralitas - indikator penyebaran alami aplikasi. Pengguna membicarakannya di jejaring sosial, merekomendasikannya kepada teman, dan menyebarkan informasi dengan cara lain. Biasanya, hal ini dicapai melalui mekanisme sosial khusus yang dibangun ke dalam aplikasi. Indikator ini dihitung sebagai berikut: jumlah rekomendasi perlu dikalikan dengan proporsi orang yang menerimanya.
C.A.C.(Biaya Akuisisi Pelanggan) - biaya untuk menarik satu pengguna. Ini berbeda dari CPI karena tidak memperhitungkan instalasi, tetapi pelanggan yang membayar. Bedanya, satu pengguna bisa memiliki beberapa perangkat yang sudah terinstal aplikasi tersebut.
Kr(Tingkat Konversi) - tingkat konversi. Ini adalah metrik umum yang dapat digunakan dengan berbagai cara. Misalnya, pemasar sering kali menghitung konversi klik untuk memasang. Dalam hal ini, angka-angka dapat menunjukkan kualitas halaman arahan dan memungkinkan Anda menarik kesimpulan tentang audiens yang tertarik - apakah itu ditargetkan atau tidak. Konversi dari instalasi ke tindakan yang ditargetkan juga penting. Ini membantu mengevaluasi kualitas lalu lintas dari sumber yang berbeda dan membuang yang tidak efektif.
Layanan analisis seluler
Untuk mengumpulkan semua data di atas, Anda tidak dapat melakukannya tanpa alat khusus - layanan analisis seluler.
Google Analitik- sistem analitik yang paling umum, berbeda dari yang lain karena gratis. Itu memungkinkan untuk menerima semua data yang diperlukan, tetapi memerlukan konfigurasi yang cermat.
Kebingungan- layanan berbayar, namun dengan harga terjangkau. Antarmuka yang jelas dan penyiapan sederhana memudahkan pembuatan laporan dan memantau sejumlah besar metrik.
panel campuran- salah satu layanan paling nyaman dan kuat. Tapi Anda harus membayarnya - sistem ini analitik dianggap yang paling mahal. Namun ini memungkinkan Anda memperoleh statistik pada hampir semua metrik.
Metrik yang tercantum dalam artikel hanyalah dasar untuk analisis seluler praktis. Indikator itu sendiri hanya memberikan sedikit informasi berguna; nilai utamanya terletak pada penafsiran yang benar. Selain itu, indikator-indikator ini diperlukan untuk menghitung metrik yang lebih kompleks. Pelajari analitik dan berlangganan blog kami agar Anda tidak melewatkan apa pun.