Когда вы занимаетесь оптимизацией конверсии, одна из самых трудных частей этого процесса — поиск областей, требующих апгрейда. Найти те места и точки взаимодействия, которые вызывают неудовлетворительный опыт, следует прежде всего для того, чтобы верно расставить приоритеты и составить последовательный план проведения работ.
Не менее важен и поиск тех действий (а по сути показателей), которые неизменно сопутствуют достижению клиентом некоего критерия успеха при использовании вашего продукта. Самые распространенные показатели успеха — уровень дохода на одного посетителя (Revenue per Visitor, RPV) и пожизненная ценность клиента (LTV, Lifetime Value). Опираясь на них, можно не только оценить качество оптимизации, но и выявить такие области, о влиянии которых на коэффициент конверсии вы даже не догадывались.
Что такое корреляционная метрика?
Одним из примеров корреляционных метрик может служить находка крупнейшей социальной сети Facebook. После ряда крупномасштабных исследований они установили, что если новый пользователь добавляет в течение 10 дней 7 новых друзей, то в большинстве случаев он продолжает использовать эту социальную сеть и становится активным членом сообщества.
Добавление 7 друзей в течение 10 дней, по сути, является очевидным сигналом, что человеку по душе пользоваться этой социальной сетью. Это действие — словно прогноз будущего поведения человека. Следовательно, его можно использовать как метрику для измерения успеха оптимизационных работ.
Другой пример можно позаимствовать из практики интернет-магазинов. Допустим, в ходе многочасовых мониторингов вы выявили, что те из посетителей, кто дважды используют функцию поиска на сайте, чаще всего становятся покупателями. Конечно, вы не знаете, почему так происходит, и, возможно, что и нет никакой причинно-следственной связи между поиском и конверсией. Но именно этот показатель можно использовать при оптимизации.
Корреляционные метрики известны под другими названиями: опережающие индикаторы, предикативные показатели, корреляции, ага!-моменты, вау-моменты и т.д. — но все они обозначают одно и то же.
Корреляция против причинности
Как было упомянуто выше, метрики, которые вы ищите, не должны подразумевать причинно-следственную связь. Все, что они делают — просто коррелируют с конечным желаемым результатом.
Красным — число людей, утонувших после случайного падения в бассейн. Желтым — число фильмов, в которых появляется Николас Кейдж. Это называется паразитная связь. Нет никакой причинно-следственной связи между двумя факторами
Например, вы можете обнаружить, что посетители, которые скачивают определенный файл PDF (скажем, по мобильной оптимизации), в 3 раза чаще заполняют лид-форму. Это еще не значит, что скачиваемый файл является причиной такой зависимости. Эти люди могут быть просто сильнее мотивированы на поиск информации и им нравятся ваши услуги. Но уже один этот факт может стать решающим: с этого вы можете начать, а что будет дальше — зависит от того, какие результаты вы получите.
Такой метод, как сплит-тестирование, в свою очередь, является попыткой выявить некоторые формы причинно-следственных отношений. В объекте исследования вы меняете только один его признак, а все остальное оставляете без изменений — в этом случае любые произошедшие в конверсии сдвиги укажут на то, что они произошли из-за тестируемого элемента. Но, обратите внимание, сам этот факт еще не объяснит вам, почему это произошло именно так, а не иначе. Как говорит Рон Кохави (Ron Kohavi) из Microsoft: «Можно узнать какой вариант лучше и на сколько, но не почему».
Менеджеры из Airbnb объясняют это следующим образом:
«Внешний мир часто оказывает гораздо большее воздействие на поведение посетителя или потребителя продукта, чем новшества самого продукта. Пользователи могут вести себя очень по-разному в зависимости от дня недели, времени года, погоды за окном (особенно в случае с туристической компанией, как Airbnb) или даже того, как они выщли на ваш сайт: в ходе естественного поиска или перейдя по платной рекламе. Но самое главное — проводя эксперимент, вы пытаетесь удержать неизменными все условия, кроме одного, и все же не можете исключить влияние внешних факторов».
Первая причина, почему необходимо искать такие корреляционные метрики — чтобы найти те области в дизайне и пользовательском опыте, которые можно оптимизировать с помощью контролируемых экспериментов.
Бен Йосковиц (Ben Yoskovitz), соавтор бестселлера «Lean Analytics», пишет:
«Поиск корреляции между двумя любыми факторами — вещь, несомненно, полезная. Корреляции могут помочь вам предсказать, что произойдет дальше. К тому же — как только вы найдете причину чего-либо, вы сможете на это повлиять. Конечно, не всегда удается найти прямую причинно-следственную связь: на один и тот же объект могут влиять десятки разных факторов. Но даже если вам посчастливиться найти какую-либо причинность — это уже успех.
Найденные корреляции доказывают наличие причинно-следственной связи, но лишь после проведения эксперимента вы можете ее тщательно замерить. Сделать это нелегко, но причинность — для аналитиков это как козырь в рукаве: он дает вам возможность взломать будущее».
Опережающие индикаторы или запаздывающие показатели?
Существуют два основных типа показателей: опережающие индикаторы и запаздывающие показатели.
Что есть опережающий индикатор? Познавательный ресурс Investopedia описывает его так:
«Опережающий индикатор — это измеримый экономический фактор, изменение которого отражает будущие изменения других показателей. Он используется для составления прогнозов, но не всегда точных».
Что касается запаздывающих показателей, то они также сигнализируют о наступлении каких-либо изменений, но с запаздыванием. Их проще измерить, но трудно изменить, тогда как опережающие индикаторы изменить легче, но их труднее измерить.
Маркетологи заинтересованы, прежде всего, в опережающих индикаторах, поскольку они действуют как прогностические показатели (когда совершение одного действия приводит к другому).
Опережающие индикаторы обычно разделяют на три категории (по Ричарду Прайсу (Richard Price), основателю Academia.edu):
- плотность сети: число друзей или последующих контактов за определенный промежуток времени;
- добавленный контент: например, файлы, загруженные в Dropbox;
- частота посещений.
Хотя категории, выделенные Прайсом, имеют отношение прежде всего к SaaS-индустрии и социальным сетям, все же они достаточно обширны и могут быть применимы для более широкой аудитории. Например, просто измените «добавленный контент» на «потребленный контент», если вы работаете в секторе B2B или имеете eCommerce-сайт.
Как найти корреляционные метрики?
Поиск подобных индикаторов может быть осуществлен несколькими способами: их выбор зависит от ваших целей и типа бизнеса.
Процесс поиска корреляционных метрик почти всегда выглядит следующим образом:
1. Определите ваш показатель производительности, или KPI.
2. Отслеживайте все действия пользователя и изменения всех показателей в течение определенного промежутка времени.
3. Запустите регрессию. Регрессионный анализ — это способ оценки связи между переменными; он подскажет, какая из метрик прогнозирует успех вашего показателя производительности.
Возникает вопрос: как найти этот самый KPI (метрику успеха)?
Эндрю Чен (Andrew Chen), предприниматель и инвестор, в данный момент занятый развитием сервиса Uber, приводит ряд примеров таких показателей:
- число дней, в которые клиенты были активны за последние 28 дней;
- доход от покупок за последние 28 дней;
- загруженный за последние 28 дней контент;
- все, что важно для вашего бизнеса.
Дело в том, что от бизнеса к бизнесу показатели успеха будут отличаться. Во многом они определяются характером вашего продукта и особенностью бизнес-модели.
Facebook так сильно печется о частоте посещений и глубине вовлеченности потому, что их бизнес-модель завязана на рекламе, но для любого интернет-магазина, возможно, таким показателем станет RPV, а для SaaS-проекта — ежемесячное число активных пользователей.
Самый простой способ анализа
После того, как вы определили ваш главный показатель, необходимо собрать определенный объем данных, который позволит вам найти корреляции между метриками.
Эндрю Чен предлагает следующий способ:
«Как только вы найдете метрику, глядя на которую можно будет оценить успех, вам понадобится когорта пользователей (скажем, тех, кто присоединился к вашему сервису в течение последних X дней) и начать создавать ряды данных для этих пользователей. Помимо показателя производительности (метрики успеха), вам пригодится множество других критериев. Включайте сюда все, что покажется вам важным. Может быть, этой метрикой окажется число друзей пользователя, количество созданного им контента или оставленных комментариев, скачанное мобильное приложение и т.д.
Как только вы определите эти метрики и получите информацию по ним, вы можете приступать к анализу. Ваша задача — найти связи между данными и построить гипотезы. Но не забывайте о главном правиле: пожарные машины почти всегда появляются там, где есть пожар, но это не значит, что пожарные машины — причины этих пожаров. Причинно-следственная связь между метриками не обязательна».
К примеру, для Facebook этим коррелирующим показателем оказалось число добавленных за конкретный промежуток времени друзей.
Действия, предшествующие конверсии в SaaS
Другой подход заключается в разработке CCA (Common Conversion Activities — общие действия, предшествующие конверсии). Этот подход был изобретен Линкольном Мерфи (Lincoln Murphy), менеджером по работе с адвокатами бренда в компании Gainsight:
«Несколько лет назад мне удалось найти тот набор ключевых метрик, которые я назвал общими действиями, предшествующими конверсии (CCA), то есть те вещи, которые совершают платежеспособные клиенты, пока пользуются продуктом в демонстрационном варианте».
Это своего рода ретроспективный взгляд на имеющиеся данные, ставящий целью определить поведение покупателей до того, как они стали активными клиентами компании. В случае, если ретроспективный взгляд невозможен, — например, когда продукт запускается впервые или данные недостаточно детализированы — возможно использование текущего понимания клиента, того, что ему может быть необходимо. На этой основе и строится и гипотеза о том, что «каждый клиент, прежде чем он станет активным клиентом, должен будет сделать X, Y и Z».
Линкольн поясняет, что как только этот набор действий будет выполнен, последует конверсия.
По сути, все эти действия и есть те самые корреляционные метрики, предиктивные показатели. Но Линкольн добавляет в это уравнение личность каждого покупателя. Он демонстрирует, что комбинация из качественных и количественных данных может существенно помочь вам в разработке набора действий, актуальных для вашего бизнеса.
На какие качественные данные следует обратить внимание?
Проведение качественных исследований будет хорошим подспорьем в поиске корреляционных метрик. Используйте открытые вопросы, которые позволят вам найти существующие тренды в восприятии вашего товара. Попробуйте также определить, что отличает тех, кто любит ваш продукт, от тех, кто относится к нему отрицательно.
Вы можете использовать такие инструменты, как:
- опросы клиентов;
- частные интервью с покупателями;
- метод фокус-групп;
- экзит-пулы.
Алиши Шиу (Alicia Shiu), гроуз-маркетолог сервиса Amplitude Analytics, пишет по этому поводу следующее:
«Говорите со своими клиентами и пытайтесь понять, какую ценность они видят в вашем продукте — что заставляет их возвращаться к вам и для чего они вообще его используют? Сбор качественных данных даст вам понимание того, откуда следует начать анализ количественных характеристик.
Основываясь на высказываниях клиентов и ваших собственных предположения о том, какие действия предшествуют более глубокому вовлечению человека, вы сможете проверить все свои гипотезы и развеять сомнения.
Сравните успешных пользователей с теми, кто не достиг удовлетворения вашим продуктом, и ответьте на вопрос — в чем они отличаются друг от друга? Вернемся к примеру с Facebook. Допустим, что наша метрика успеха — это удержание клиента в течение 2-х месяцев с момента регистрации в системе. Мы берем имеющиеся данные и смотрим, какие действия были характерны для этих пользователей, а это — добавление друзей, размещение постов, просмотр сообщений других пользователей и их оценка («лайки»). Таким образом, совершение пользователем этих трех действий позволит нам воспринимать его в качестве потенциального активного участника социальной сети».
Способы, описанные выше, являются довольно простыми вариантами поиска ярких и очевидных корреляционных метрик. Чтобы найти скрытые корреляции, потребуется использовать ряд традиционных инструментов и техник, о которых будет рассказано ниже.
Инструменты и технологии, которые помогут вам найти скрытые корреляции
Существует несколько статистических методов обнаружения корреляционных метрик. Один из них — логистическая регрессия. Вот что Дэвид Кук (David Cook), консультант по развитию, пишет об этом:
«Для расчета логистической регрессии вам необходимо организовать имеющиеся данные следующим образом: в столбцах указываются значения тех переменных, которые у вас есть, а строки присваиваются пользователям. Убедитесь, что у вас есть столбец с бинарной переменной. Некоторые независимые переменные могут быть фиктивными. Например, у Facebook был бы столбец для пользователей, которые добавили за 10 дней 7 друзей. Пользователи, которые успешно завершили эту цель, получают 1, а для всех остальных ставим 0.
Как только вы приведете ваши данные в этот формат, вы можете использовать функцию GLM (Generalized Linear Models — обобщенная линейная модель) в R (R — язык программирования для статистической обработки данных) для расчета регрессии. Это даст вам коэффициент и уровень значимости для каждой из независимых переменных. Переменные являются незначимыми, если они не имеют явного влияния на зависимые переменные».
Но есть и другие инструменты, которые помогут сделать это вычисление намного проще.
Райан Фэрли (Ryan Farley), соучредитель и операционный директор LawnStarter, для выполнения приведенного выше расчета рекомендует инструмент под названием Data Robot:
«Мой любимый инструмент для определения корреляции и предсказательной силы набора данных — Data Robot.
Все, что нужно сделать — это загрузить данные в формате таблицы и указать, для какой переменной вам требует прогноз. Программа разложит все данные по полочкам, и вы сможете без труда найти те переменные, которые связаны друг с другом.
Кроме этого, программа покажет, какие факторы являются наиболее существенными для наступления желаемого результата: как в виде переменных (например, люди, которые просматривают товары интернет-магазина в течение X часов, более склонны к покупке), так и в виде конкретных особенностей покупателей — например, те, кто использует Safari или заходит на сайт в период с 11 до 12 часов дня, вероятнее всего оформит заказ».
Еще один полезный инструмент — система event-аналитики Amplitude Analytics. Вы можете отслеживать частоту событий, происходящих в вашем веб/мобильном приложении, которые коррелируют с показателями успеха.
График выше — пример анализа сервиса Pingdom и ее показателей успеха
«Предположим, ваше приложение — это сайт сервиса мониторинга аптайма Pingdom. Выполнив этот анализ, мы видим, что получение текстовых сообщений частотой 6 или более раз (поведение) положительно коррелирует с высоким показателем удержания клиента. Может показаться, что небольшая корреляция +0.1471 ничего не значит, но на самом деле любая положительная корреляция указывает на возможные области для оптимизации».
Что делать дальше?
Как только вы найдете достаточное число корреляционных метрик (своего рода микро-конверсий), необходимо использовать их предсказательную силу для оптимизации продукта (страницы) под макро-конверсии. Для начала запустите тесты, имеющие цель привлечь как можно больше пользователей к совершению корреляционного действия, а затем замерьте результат: как и насколько изменилась конверсия.
Вы должны убедиться, что эти прогностические показатели на самом деле имеют значение. Если итоги тестов вас удовлетворили, смело приступайте к оптимизации вашего продукта (ресурса): любой этап вашей коммуникации с пользователем должен поощрять совершение им корреляционного действия.
Эндрю Чен:
«Как только вы найдете модель, которая будет работать на вас, следующий шаг — проведение тестов. Сделайте что-то, что придаст первостепенное значение входной переменной, возможно за счет чего-то другого. После посмотрите, как изменились результаты. Если ваша метрика успеха резко изменилась в лучшую сторону, значит, найденная вами корреляционная связь действительно имеет место быть. Если же изменений нет, то сделайте попытку с другой корреляцией».
Заключение
Обнаружение действий, совершение которых предсказывает наступление более важных для бизнеса событий (микро-конверсии, за которыми следуют макро-конверсии), крайне необходимо, если вы заняты оптимизацией и не знаете, на какую область своего продукта стоит обратить внимание. Как только вы найдете какую-либо корреляцию, можете начинать работать над ней и повышать значения своих ключевых показателей. При этом нужно помнить, что связь между коррелирующими друг с другом метриками может и не быть причинно-следственной.
Есть множество вариантов, как найти корреляционные метрики, но куда важнее — суметь на них повлиять в выгодном для вас ключе.
Высоких вам конверсий!
По материалам: conversionxl.com
