el éxito a largo plazo para los desarrolladores de aplicaciones no solo significa que alguien descargue su aplicación, sino también que realice visitas repetidas. Para llegar a la propuesta de valor imprescindible de su producto de aplicación, debe ir más allá de las métricas de vanidad, como los recuentos de descargas e incluso los usuarios activos diarios (DAU) / usuarios activos mensuales (MAU), que solo miden el crecimiento y la retención superficialmente. Debe profundizar en su aplicación utilizando un método: el análisis de cohortes.,
Qué es el análisis de cohortes
El análisis de cohortes es un subconjunto de análisis de comportamiento que toma los datos de una plataforma de comercio electrónico, aplicación web o juego en línea y en lugar de ver a todos los usuarios como una unidad, los divide en grupos relacionados para el análisis. Estos grupos relacionados, o cohortes, generalmente comparten características o experiencias comunes dentro de un lapso de tiempo definido.
El análisis de cohortes es una herramienta para medir la participación de los usuarios a lo largo del tiempo. Ayuda saber si el engagement del usuario está mejorando con el tiempo o solo parece mejorar debido al crecimiento.,
El análisis de cohortes demuestra ser valioso porque ayuda a separar las métricas de crecimiento de las métricas de compromiso, ya que el crecimiento puede enmascarar fácilmente los problemas de compromiso. En realidad, la falta de actividad de los usuarios antiguos está siendo ocultada por el impresionante número de nuevos usuarios, lo que resulta en ocultar la falta de compromiso de un pequeño número de personas.
ejemplo de análisis de cohortes
entendamos el uso del análisis de cohortes con un ejemplo: cohorte diaria de usuarios que lanzaron una aplicación por primera vez y la volvieron a visitar en los próximos 10 días.,
de la tabla de retención anterior – gráfico Triangular, podemos inferir lo siguiente
- 1358 usuarios lanzaron una aplicación el 26 de enero. La retención en el día 1 fue del 31,1%, la retención en el día 7 fue del 12,9% y la retención en el día 9 fue del 11,3%. Así que en el día 7 después de usar la aplicación, 1 de cada 8 usuarios que lanzaron una aplicación el 26 de enero seguían siendo usuarios activos en la aplicación.
- de todos los nuevos usuarios durante este intervalo de tiempo (13.487 usuarios), el 27% de los usuarios se retienen el día 1, el 12,5% el día 7 y el 12,1% el día 10.,
además, dos beneficios principales de leer la tabla de cohortes anterior son:
- vida útil del producto (como se muestra verticalmente hacia abajo en la tabla) – comparando diferentes cohortes en la misma etapa de su ciclo de vida – podemos ver qué % de las personas en una cohorte vuelven a la aplicación después de 3 días y así sucesivamente., Los primeros meses de vida se pueden vincular a la calidad de su experiencia de incorporación y el rendimiento del equipo de éxito del cliente, y
- La vida del usuario (como se muestra horizontalmente a la derecha de la tabla), al ver la relación a largo plazo con las personas en cualquier cohorte, para determinar cuánto tiempo regresan las personas y cuán fuerte o valioso es esa cohorte. Presumiblemente, esto puede estar relacionado con algo como la calidad del producto, las operaciones y la atención al cliente.,
sean cuales sean las métricas clave de evaluación que defina para el negocio, el análisis de cohortes le permite ver cómo se desarrollan las métricas durante la vida útil del cliente, así como durante la vida útil del producto.
análisis de cohortes para mejorar la retención de clientes
el análisis de cohortes implica observar los grupos de personas, a lo largo del tiempo, y observar cómo Cambia su comportamiento. Por ejemplo, si enviamos una notificación por correo electrónico a 100 personas, algunos pueden comprar el producto el día 1, menos el día 2, incluso menos el día 3, y así sucesivamente., Pero, si enviamos otro correo electrónico a 100 personas, después de unas semanas, estarán comprando el producto en su «día 0», mientras que el primer correo electrónico enviado podría mostrar su efecto de retraso prevalente en la decisión de compra.
datos de cohortes
con el fin de rastrear cómo se comportan los usuarios a lo largo del tiempo o cómo el mismo comportamiento difiere para diferentes cohortes, el análisis de cohortes ayuda a comparar a estas personas por la forma / tiempo en que fueron adquiridas o por la retención de esos usuarios a lo largo del tiempo.,
pero, cómo dividir el grupo de usuarios en cohortes para el análisis de cohortes, se puede hacer de dos maneras:
- cohortes de adquisición: divide a los usuarios por cuándo se registraron primero en tu producto. Para los usuarios de tu aplicación, puedes desglosar tus cohortes por el día, la semana o el mes en que lanzaron una aplicación y, por lo tanto, realizar un seguimiento de las cohortes diarias, semanales o mensuales.
en este caso, al medir la retención de estas cohortes, puede determinar cuánto tiempo las personas continúan usando su aplicación desde su punto de inicio.,
- cohortes de comportamiento: divida a los usuarios por los comportamientos que han tomado (o no han tomado) en su aplicación dentro de un período de tiempo determinado. Estas pueden ser cualquier número de acciones discretas que un usuario puede realizar: Instalación de la aplicación, Inicio de la aplicación, Desinstalación de la aplicación, transacción o cargo, o cualquier combinación de estas acciones / eventos.
en este caso, una cohorte puede ser un grupo de usuarios que realizaron ciertas acciones dentro de un período de tiempo especificado, por ejemplo, dentro de los primeros 3 días de uso de la aplicación. A continuación, puede controlar el tiempo que las diferentes cohortes permanecen activas en su aplicación después de realizar ciertas acciones.,
veamos cómo puedes usar las cohortes de adquisición y de comportamiento para determinar exactamente qué están haciendo tus usuarios y cuándo lo están haciendo.cohortes de adquisición: encontrar momentos problemáticos en tu App
revisar la cohorte diaria anterior – que es una cohorte de adquisición.
Una forma de visualizar esta información es trazar una curva de retención, mostrando la retención de estas cohortes a lo largo del tiempo. El gráfico hace increíblemente fácil de inferir cuando los usuarios abandonan su producto.,
esta curva de retención refleja inmediatamente una información importante: aproximadamente el 75% de los usuarios dejan de usar la aplicación después del 1er día. Después de esa gran caída inicial, se produce una segunda caída rápida después del día 5, hasta menos del 12%, antes de que la curva comience a nivelarse después del día 7, dejando aproximadamente el 11% de los usuarios originales aún activos en la aplicación el día 10.
la curva de retención anterior indica que los usuarios no están llegando rápidamente al valor principal de la aplicación, lo que resulta en caídas., Por lo tanto, es evidente mejorar la experiencia de incorporación para llevar al usuario al valor central lo más rápido posible, aumentando así la retención.
por lo tanto, las cohortes de adquisición son excelentes para identificar tendencias y el punto en el que las personas están produciendo, pero es difícil obtener información procesable como, para entender por qué se van, lo que requiere el uso de otro tipo de cohortes, cohortes de comportamiento
cohortes de comportamiento: análisis de retención de clientes
un simple ejemplo de cohorte de comportamiento puede ser: todos los usuarios que leen reseñas antes de comprar un producto., Esto puede responder a preguntas interesantes, como,
- Si los usuarios que leen reseñas tienen una tasa de conversión más alta que los usuarios que no leen reseñas, o
- Son los usuarios más comprometidos: sesiones más largas, más tiempo en la aplicación, menos caídas
un usuario de la aplicación, después de instalar y / o iniciar una aplicación, toma cientos de decisiones y muestra innumerables comportamientos que conducen a su decisión de quedarse o irse. Estos comportamientos podrían ser cualquier cosa, como usar la característica principal y pero no usar la característica principal Z, interactuar solo con notificaciones de tipo X, Y así sucesivamente.,
probemos el comportamiento del usuario comparando la retención entre las siguientes cohortes:
ambos segmentos de usuario tenían la intención de realizar transacciones en su aplicación. Pero un segmento de usuario optó por continuar con el proceso de pago, el otro optó por abandonar su aplicación. ¿Qué puede hacer para reducir el abandono del carrito de compras?
El análisis de cohortes puede obtener respuestas a preguntas como:
- ¿cuándo es el mejor momento para volver a interactuar con sus usuarios? ¿Cuándo es el mejor momento para el remarketing?,
- ¿Cuál es la tasa de adquisición de nuevos usuarios para mantener (si no aumentar) la tasa de conversión de tu app?
de las tablas de retención anteriores, puede concluir que la mayoría de los usuarios que habían abandonado el carrito de compras no volvieron a interactuar con la aplicación, ni siquiera 1 día después de la fecha de adquisición. Por lo tanto, tiene menos de 24 horas para volver a dirigirlos con la nueva oferta y aumentar las posibilidades de obtener ingresos.
a partir de estos datos, puede desarrollar un enfoque sistemático y cuantitativo para saber cómo los usuarios pueden enamorarse de su aplicación, y luego hacer que suceda una y otra vez., Además, puede hacer estrategias para aumentar su retención después de determinar qué funciona y qué no.
el poder del análisis de cohortes radica en el hecho de que permite no solo ver qué clientes se van y cuándo se van, sino también comprender por qué los clientes abandonan su aplicación, para que pueda solucionarlo. Así es como se puede identificar qué tan bien se retiene a los usuarios y también determinar los factores principales que impulsan el crecimiento, el compromiso y los ingresos de la aplicación.
Leer más en análisis visual de las tablas de cohortes con gráficas de ciclo
