le succès à Long terme pour les développeurs d’applications ne signifie pas seulement obtenir quelqu’un pour télécharger leur application, mais aussi les amener à faire des visites répétées. Pour accéder à la proposition de valeur incontournable de votre produit d’application, vous devez aller au – delà des mesures de vanité – comme le nombre de téléchargements et même les utilisateurs actifs quotidiens (DAU) / utilisateurs actifs mensuels (MAU) – qui ne mesurent que superficiellement la croissance et la rétention. Vous devez approfondir votre application à l’aide d’une méthode –L’analyse de cohorte.,
Qu’est-ce que L’analyse de cohorte
L’analyse de cohorte est un sous-ensemble d’analyse comportementale qui prend les données d’une plate-forme de commerce électronique, d’une application web ou d’un jeu en ligne donné et plutôt que de considérer tous les utilisateurs comme une seule unité, elle les divise en groupes connexes Ces groupes apparentés, ou cohortes, partagent généralement des caractéristiques ou des expériences communes dans un laps de temps défini.
L’analyse de cohorte est un outil pour mesurer l’engagement des utilisateurs au fil du temps. Il est utile de savoir si l’engagement des utilisateurs s’améliore réellement au fil du temps ou s’améliore uniquement en raison de la croissance.,
l’analyse de cohorte s’avère utile car elle permet de séparer les mesures de croissance des mesures d’engagement, car la croissance peut facilement masquer les problèmes d’engagement. En réalité, le manque d’activité des anciens utilisateurs est caché par le nombre impressionnant de nouveaux utilisateurs, ce qui permet de masquer le manque d’engagement d’un petit nombre de personnes.
exemple D’analyse de cohorte
comprenons en utilisant l’analyse de cohorte avec un exemple – cohorte quotidienne d’utilisateurs qui ont lancé une application pour la première fois et revisité l’application dans les 10 prochains jours.,
à partir du tableau de rétention triangulaire ci – dessus, nous pouvons déduire ce qui suit
- 1358 utilisateurs ont lancé une application le 26 janvier. La rétention au jour 1 était de 31,1%, la rétention au jour 7 était de 12,9% et la rétention au jour 9 était de 11,3%. Ainsi, le 7ème jour après avoir utilisé l « application, 1 dans 8 les utilisateurs qui ont lancé une application en Janvier 26 étaient toujours des utilisateurs actifs sur l » application.
- sur l’ensemble des nouveaux utilisateurs au cours de cette période (13 487 utilisateurs), 27% des utilisateurs sont conservés le jour 1, 12,5% le jour 7 et 12,1% le jour 10.,
En outre, deux avantages principaux de la lecture du tableau de cohortes ci – dessus, sont:
- durée de vie du produit (comme représenté verticalement dans le tableau) – comparer différentes cohortes au même stade de leur cycle de vie-nous pouvons voir quel % des personnes dans une cohorte reviennent à app après 3 jours et ainsi de suite., Les premiers mois de vie peuvent être liés à la qualité de votre expérience d’intégration et aux performances de l’équipe customer success, et à la durée de vie de l’utilisateur (représentée horizontalement à droite du tableau) – voir la relation à long terme avec les personnes de n’importe quelle cohorte – pour déterminer combien de temps les gens reviennent et Cela peut être probablement lié à quelque chose comme la qualité du produit, les opérations et le support client.,
quelles que soient les mesures clés d’évaluation que vous définissez pour l’entreprise, l’analyse de cohorte vous permet de voir comment les mesures se développent sur la durée de vie du client ainsi que sur la durée de vie du produit.
analyse de cohorte pour améliorer la fidélisation de la clientèle
l’analyse de cohorte consiste à examiner les groupes de personnes, au fil du temps, et à observer comment leur comportement change. Par exemple, si nous envoyons une notification par e-mail à 100 personnes, certaines peuvent acheter le produit le jour 1, moins le jour 2, encore moins le jour 3, etc., Mais, si nous envoyons un autre e-mail à 100 personnes, après quelques semaines, elles achèteront le produit le « jour 0”tandis que le premier e-mail envoyé pourrait montrer son effet de décalage répandu sur la décision d’achat.
données de cohorte
afin de suivre comment les utilisateurs se comportent au fil du temps ou comment le même comportement diffère pour différentes cohortes, l’analyse de cohorte permet de comparer ces personnes par la manière / le temps où elles ont été acquises ou par la rétention de ces utilisateurs au fil du temps.,
Mais, comment diviser le groupe d’utilisateurs en cohortes pour l’analyse de cohortes – peut être fait de deux façons:
- cohortes D’Acquisition: divisez les utilisateurs par le moment où ils se sont inscrits pour votre produit. Pour les utilisateurs de votre application, vous pouvez décomposer vos cohortes selon le jour, la semaine ou le mois où ils ont lancé une application, et ainsi suivre les cohortes quotidiennes, hebdomadaires ou mensuelles.
dans ce cas, en mesurant la rétention de ces cohortes, vous pouvez déterminer combien de temps les gens continuent à utiliser votre application depuis leur point de départ.,
- cohortes comportementales: divisez les utilisateurs en fonction des comportements qu’ils ont (ou non) pris dans votre application au cours d’une période donnée. Il peut s’agir d’un nombre quelconque d’actions discrètes qu’un utilisateur peut effectuer – installation D’application, lancement D’application, désinstallation d’application, Transaction ou facturation, ou toute combinaison de ces actions / événements.
Dans ce cas, une cohorte peut être un groupe d’utilisateurs qui n’ont certaines actions dans un délai déterminé – dire, dans les 3 premiers jours de l’app. Vous pouvez ensuite surveiller combien de temps les différentes cohortes restent actives dans votre application après avoir effectué certaines actions.,
voyons comment vous pouvez utiliser les cohortes d’acquisition et de comportement pour déterminer exactement ce que font vos utilisateurs et quand ils le font.
cohortes D’Acquisition: trouver des moments problématiques dans votre application
revisiter la cohorte quotidienne ci – dessus-qui est une cohorte d’acquisition.
Une façon de visualiser cette information est de tracer une courbe de rétention, montrant la rétention de ces cohortes au fil du temps. Le graphique rend incroyablement facile à déduire lorsque les utilisateurs quittent votre produit.,
cette courbe de rétention reflète immédiatement un aperçu important – environ 75% des utilisateurs cessent d’utiliser l’application après le 1er jour. Après cette baisse importante initiale, une deuxième baisse rapide se produit après le 5ème jour-à moins de 12%, avant que la courbe ne commence à se stabiliser après le 7ème jour, laissant environ 11% des utilisateurs d’origine toujours actifs dans l’application au jour 10.
la courbe de rétention ci-dessus indique que les utilisateurs ne parviennent pas rapidement à la valeur fondamentale de l’application, ce qui entraîne des abandons., Par conséquent, il est évident d’améliorer l’expérience d’intégration pour amener l’utilisateur à la valeur fondamentale le plus rapidement possible, augmentant ainsi la rétention.
ainsi, les cohortes d’acquisition sont idéales pour identifier les tendances et le moment où les gens sont barattage, mais il est difficile de faire des idées exploitables comme – pour comprendre pourquoi ils partent – ce qui nécessite l’utilisation d’un autre type de cohortes, cohortes comportementales
cohortes comportementales: analyse de la fidélisation de la clientèle
un exemple simple de cohorte comportementale peut être – tous les utilisateurs qui, Cela peut répondre à des questions intéressantes, comme:
- Les utilisateurs qui lisent des avis ont – ils un taux de conversion plus élevé que les utilisateurs qui ne lisent pas d’avis, ou
- Les utilisateurs sont-ils plus engagés-sessions plus longues, Plus de temps dans l’application, moins d’abandons
un utilisateur d’application, après l’installation et / ou le lancement d’une application, prend des centaines de décisions et présente d’innombrables petits comportements qui mènent à leur décision de rester ou de partir. Ces comportements peuvent être n’importe quoi, comme utiliser la fonctionnalité principale Y mais ne pas utiliser la fonctionnalité principale Z, s’engager uniquement avec des notifications de type X, etc.,
nous allons tester comportement de l’utilisateur en comparant la rétention d’entre-dessous de cohortes:
les Deux segments d’utilisateurs avaient l’intention d’effectuer des transactions sur votre application. Mais un segment d’utilisateurs a choisi de passer à la caisse, l’autre a choisi d’abandonner votre application. Que pouvez-vous faire pour réduire l’abandon du panier?
L’analyse de cohorte peut obtenir des réponses à des questions telles que:
- Quel est le meilleur moment pour renouer avec vos utilisateurs? Quel est le meilleur moment pour le remarketing?,
- Quel est le taux d’acquisition de nouveaux utilisateurs pour maintenir (sinon augmenter) le taux de conversion de votre application?
à partir des tableaux de rétention ci-dessus, vous pouvez conclure que la majorité des utilisateurs qui avaient abandonné le panier n’ont pas interagi à nouveau avec l’application, même pas 1 jour après la date d’acquisition. Ainsi, vous avez moins de 24 heures pour les re-cibler avec la nouvelle offre et augmenter les chances d’obtenir des revenus.
à partir de ces données, vous pouvez développer une approche systématique et quantitative pour savoir comment les utilisateurs peuvent tomber amoureux de votre application, puis la faire se produire encore et encore., En outre, vous pouvez élaborer des stratégies pour augmenter votre rétention après avoir vérifié ce qui fonctionne et ce qui ne fonctionne pas.
la puissance de l’analyse de cohorte réside dans le fait qu’elle permet non seulement de voir quels clients partent et quand ils partent, mais aussi de comprendre pourquoi les clients quittent votre application – afin que vous puissiez C’est ainsi que l’on peut identifier dans quelle mesure les utilisateurs sont retenus et également déterminer les principaux facteurs de croissance, d’engagement et de revenus pour l’application.
en savoir plus sur l’analyse visuelle des tableaux de cohortes avec des diagrammes cycliques
