Корреляционные метрики как основа оптимизации конверсии

В то время, когда вы занимаетесь оптимизацией конверсии, одна из самых тяжёлых частей этого процесса — поиск областей, требующих апгрейда. Отыскать точки взаимодействия и те места, каковые приводят к неудовлетворительному опыту, направляться в первую очередь чтобы правильно расставить приоритеты и разработать последовательный замысел проведения работ.

не меньше ответствен и поиск тех действий (а по сути показателей), каковые неизменно сопутствуют достижению клиентом некоего критерия успеха при применении вашего продукта. Самые популярные показатели успеха — уровень дохода на одного визитёра (Revenue per Visitor, RPV) и пожизненная сокровище клиента (LTV, Lifetime Value). Опираясь на них, возможно не только оценить уровень качества оптимизации, но и распознать такие области, о влиянии которых на коэффициент конверсии вы кроме того не догадывались.

  • Метрики, аналитика и разработка замысла оптимизации конверсии

Что такое корреляционная метрика?

Одним из примеров корреляционных метрик может служить находка наибольшей социальной сети Facebook. По окончании последовательности широкомасштабных изучений они установили, что в случае если новый пользователь додаёт в течение 10 дней 7 новых друзей, то как правило он используетэту социальную сеть и делается активным участником сообщества.

Добавление 7 друзей в течение 10 дней, по сути, есть очевидным знаком, что человеку по душе пользоваться данной социальной сетью. Это воздействие — как будто бы прогноз будущего поведения человека. Следовательно, его возможно применять как метрику для измерения успеха оптимизационных работ.

Второй пример возможно позаимствовать из практики вебмагазинов. Допустим, на протяжении многочасовых мониторингов вы распознали, что те из визитёров, кто два раза применяют функцию поиска на сайте, значительно чаще становятся клиентами. Само собой разумеется, вы не понимаете, из-за чего так происходит, и, быть может, что и нет никакой причинно-следственной связи между конверсией и поиском.

Но этот показатель возможно применять при оптимизации.

Корреляционные метрики известны под вторыми заглавиями: опережающие индикаторы, предикативные показатели, корреляции, ага!-моменты, вау-моменты и т.д. — но все они обозначают одно да и то же.

Корреляция против причинности

Как было упомянуто выше, метрики, каковые вы ищите, не должны подразумевать причинно-следственную сообщение. Все, что они делают — с конечным желаемым результатом.

Красным — число людей, утонувших по окончании случайного падения в бассейн. Желтым — число фильмов, в которых появляется Николас Кейдж. Это именуется паразитная сообщение. Нет никакой причинно-следственной связи между двумя факторами

К примеру, вы имеете возможность понять, что визитёры, каковые скачивают определенный файл PDF (скажем, по мобильной оптимизации), в 3 раза чаще заполняют лид-форму. Это еще не означает, что скачиваемый файл есть обстоятельством таковой зависимости. Эти люди смогут быть легко посильнее мотивированы на поиск информации и им нравятся ваши услуги.

Но уже один данный факт может стать решающим: с этого вы имеете возможность начать, а что будет дальше — зависит от того, какие конкретно результаты вы получите.

Таковой способ, как сплит-тестирование, со своей стороны, есть попыткой распознать кое-какие формы причинно-следственных взаимоотношений. В объекте изучения вы меняете лишь один его показатель, а все другое оставляете без трансформаций — в этом случае каждые случившиеся в конверсии сдвиги укажут на то, что они случились из-за тестируемого элемента. Но, обратите внимание, сам данный факт еще не растолкует вам, из-за чего это случилось как раз так, а не в противном случае.

Как говорит Рон Кохави (Ron Kohavi) из Микрософт: «Возможно определить какой вариант лучше и на какое количество, но не из-за чего».

Менеджеры из Airbnb растолковывают это следующим образом:

«Внешний мир довольно часто оказывает значительно большее действие на поведение визитёра либо потребителя продукта, чем новшества самого продукта. Пользователи смогут вести себя весьма по-различному в зависимости от дня семь дней, времени года, погоды за окном (особенно при с туристической компанией, как Airbnb) либо кроме того того, как они выщли на ваш сайт: на протяжении естественного поиска либо перейдя по платной рекламе. Но самое основное — проводя опыт, вы пробуете удержать неизменными все условия, не считая одного, и все же не имеете возможность исключить влияние внешних факторов».

Первая обстоятельство, из-за чего нужно искать такие корреляционные метрики — дабы отыскать те области в пользовательском опыте и дизайне, каковые возможно оптимизировать посредством контролируемых опытов.

Бен Йосковиц (Ben Yoskovitz), соавтор бестселлера «Lean Analytics», пишет:

«Поиск корреляции между двумя любыми факторами — вещь, без сомнений, нужная. Корреляции смогут оказать помощь вам угадать, что случится дальше. К тому же — когда вы определите причину чего-либо, вы сможете на это воздействовать.

Само собой разумеется, не всегда удается отыскать прямую причинно-следственную сообщение: на одинаковый объект смогут воздействовать десятки различных факторов. Но кроме того в случае если вам посчастливиться отыскать какую-либо причинность — это уже успех.

Отысканные корреляции обосновывают наличие причинно-следственной связи, но только по окончании проведения опыта вы имеете возможность ее шепетильно замерить. Сделать это непросто, но причинность — для аналитиков это как козырь в рукаве: он дает вам возможность взломать будущее».

Корреляционные метрики оказывают помощь отыскать те области, каковые возможно оптимизировать посредством опытов

Твитнуть цитату

  • С опаской! 30-дневные метрики смогут вас одурачить

Опережающие индикаторы либо запаздывающие показатели?

Существуют два главных типа показателей: опережающие индикаторы и запаздывающие показатели.

Что имеется опережающий индикатор? Познавательный ресурс Investopedia обрисовывает его так:

«Опережающий индикатор — это измеримый экономический фактор, изменение которого отражает будущие трансформации вторых показателей. Он употребляется для составления прогнозов, но не всегда правильных».

Что касается запаздывающих показателей, то они кроме этого сигнализируют о наступлении каких-либо трансформаций, но с запаздыванием. Их несложнее измерить, но тяжело поменять, в то время как опережающие индикаторы поменять легче, но их тяжелее измерить.

Маркетологи заинтересованы, в первую очередь, в опережающих индикаторах, потому, что они действуют как прогностические показатели (в то время, когда совершение одного действия ведет к второму).

Опережающие индикаторы в большинстве случаев разделяют на три категории (по Ричарду Прайсу (Richard Price), основателю Academia.edu):

  • плотность сети: число друзей либо последующих контактов за определенный временной отрезок;
  • добавленный контент: к примеру, файлы, загруженные в Dropbox;
  • частота посещений.

Не смотря на то, что категории, выделенные Прайсом, имеют отношение в первую очередь к SaaS-индустрии и социальным сетям, все же они достаточно широки и смогут быть применимы для более широкой аудитории. К примеру, «добавленный контент» на «потребленный контент», если вы трудитесь в секторе B2B либо имеете eCommerce-сайт.

  • Критерии квалификации лидов по версии LPgenerator

Как отыскать корреляционные метрики?

Поиск аналогичных индикаторов возможно осуществлен несколькими методами: их выбор зависит от типа бизнеса и ваших целей.

Процесс поиска корреляционных метрик практически в любое время выглядит следующим образом:

1. Выясните ваш показатель производительности, либо KPI.
2. Отслеживайте все изменения и действия пользователя всех показателей в течение определенного промежутка времени.
3. Запустите регрессию. Регрессионный анализ — это метод оценки связи между переменными; он посоветует, какая из метрик прогнозирует успех вашего показателя производительности.

Появляется вопрос: как отыскать данный самый KPI (метрику успеха)?

Эндрю Чен (Andrew Chen), инвестор и предприниматель, сейчас занятый развитием сервиса Uber, приводит множество примеров таких показателей:

  • число дней, в каковые клиенты были активны за последние 28 дней;
  • доход от приобретений за последние 28 дней;
  • загруженный за последние 28 дней контент;
  • все, что принципиально важно для вашего бизнеса.

Дело в том, что от бизнеса к бизнесу показатели успеха будут различаться. Во многом они определяются характером вашего продукта и изюминкой бизнес-модели.

Facebook так очень сильно печется о глубине вовлеченности и частоте посещений вследствие того что их бизнес-модель завязана на рекламе, но для любого вебмагазина, быть может, таким показателем станет RPV, а для SaaS-проекта — ежемесячное число активных пользователей.

  • Перечень наиболее значимых KPI метрик в социальных медиа

Самый несложный метод анализа

По окончании того, как вы выяснили ваш основной показатель, нужно собрать определенный количество данных, что разрешит вам отыскать корреляции между метриками.

Эндрю Чен предлагает следующий метод:

«Когда вы отыщете метрику, глядя на которую возможно будет оценить успех, вам пригодится когорта пользователей (скажем, тех, кто присоединился к вашему сервису в течение последних X дней) и начать создавать последовательности данных для этих пользователей. Кроме показателя производительности (метрики успеха), вам понадобится множество вторых параметров. Включайте ко мне все, что покажется вам серьёзным.

Возможно, данной метрикой окажется число друзей пользователя, количество созданного им контента либо покинутых комментариев, скачанное мобильное приложение и т.д.

Когда вы выясните эти метрики и получите данные по ним, вы имеете возможность приступать к анализу. Ваша задача — отыскать связи между разрешёнными и построить догадки. Но помните о главном правиле: пожарные автомобили практически в любое время появляются в том месте, где имеется пожар, но это не означает, что пожарные автомобили — обстоятельства этих пожаров.

Причинно-следственная связь между метриками не необходима».

К примеру, для Facebook этим коррелирующим показателем выяснилось число добавленных за конкретный временной отрезок друзей.

Действия, предшествующие конверсии в SaaS

Второй подход содержится в разработке CCA (Common Conversion Activities — неспециализированные действия, предшествующие конверсии). Данный подход был изобретен Линкольном Мерфи (Lincoln Murphy), менеджером по работе с юристами бренда в компании Gainsight:

«Пара лет назад мне удалось отыскать тот комплект главных метрик, каковые я назвал неспециализированными действиями, предшествующими конверсии (CCA), другими словами те вещи, каковые совершают платежеспособные клиенты, пока пользуются продуктом в демонстрационном варианте».

Это собственного рода ретроспективный взор на имеющиеся эти, ставящий целью выяснить поведение клиентов перед тем, как они стали активными клиентами компании. , если ретроспективный взор неосуществим, — к примеру, в то время, когда продукт запускается в первый раз либо эти не хватает детализированы — вероятно применение текущего понимания клиента, того, что ему возможно нужно. На данной базе и строится и догадка о том, что «любой клиент, перед тем как он станет активным клиентом, обязан будет сделать X, Y и Z».

Линкольн поясняет, что когда данный комплект действий будет выполнен, последует конверсия.

По сути, все эти действия и имеется те самые корреляционные метрики, предиктивные показатели. Но Линкольн додаёт в это уравнение личность каждого клиента. Он демонстрирует, что комбинация из качественных и количественных данных может значительно оказать помощь вам в разработке комплекта действий, актуальных для вашего бизнеса.

  • «Микро-их» роль и моменты в пользовательском сотрудничестве

На какие конкретно качественные эти направляться обратить внимание?

Проведение качественных изучений будет хорошим подспорьем в поиске корреляционных метрик. Применяйте открытые вопросы, каковые разрешат вам отыскать существующие тренды в восприятии вашего товара. Попытайтесь кроме этого выяснить, что отличает тех, кто обожает ваш продукт, от тех, кто относится к нему отрицательно.

Вы имеете возможность применять такие инструменты, как:

  • опросы клиентов;
  • частные интервью с клиентами;
  • способ фокус-групп;
  • экзит-пулы.

Алиши Шиу (Alicia Shiu), гроуз-маркетолог сервиса Amplitude Analytics, пишет по этому поводу следующее:

«Рассказываете со собственными клиентами и пробуйте осознать, какую сокровище они видят в вашем продукте — что заставляет их возвращаться к вам и для чего они по большому счету его применяют? Сбор качественных данных даст вам познание того, откуда направляться начать анализ количественных черт.

Основываясь на высказываниях клиентов и ваших собственных догадки о том, какие конкретно действия предшествуют более глубокому вовлечению человека, вы сможете проверить все собственные догадки 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? Возвратимся к примеру с Facebook. Допустим, что отечественная метрика успеха — это удержание клиента в течение 2-х месяцев с момента регистрации в совокупности. Мы берем имеющиеся эти и наблюдаем, какие конкретно действия были свойственны для этих пользователей, а это — добавление друзей, размещение постов, просмотр сообщений вторых пользователей и их оценка («лайки»).

Так, совершение пользователем этих трех действий разрешит нам принимать его в качестве потенциального участник социальной сети».

Методы, обрисованные выше, являются достаточно несложными вариантами поиска броских и очевидных корреляционных метрик. Дабы отыскать скрытые корреляции, потребуется применять последовательность классических инструментов и техник, о которых будет поведано ниже.

  • Количественные изучения Vs качественные: что нужнее для оптимизации

технологии и Инструменты, каковые окажут помощь вам отыскать скрытые корреляции

Существует пара статистических способов обнаружения корреляционных метрик. Один из них — логистическая регрессия. Вот что Дэвид Кук (David Cook), консультант по формированию, пишет об этом:

«Для расчета логистической регрессии вам нужно организовать имеющиеся эти следующим образом: в столбцах указываются значения тех переменных, каковые у вас имеется, а строчки присваиваются пользователям. Убедитесь, что у вас имеется столбец с двоичной переменной. Кое-какие свободные переменные смогут быть фиктивными.

К примеру, у Facebook был бы столбец для пользователей, каковые добавили за 10 дней 7 друзей. Пользователи, каковые удачно завершили эту цель, приобретают 1, а для всех остальных ставим 0.

Когда вы приведете ваши данные в данный формат, вы имеете возможность применять функцию GLM (Generalized Linear Models — обобщенная линейная модель) в R (R — язык программирования для статистической обработки данных) для расчета регрессии. Это даст вам уровень и коэффициент значимости для каждой из свободных переменных. Переменные являются незначимыми, если они не имеют явного влияния на зависимые переменные».

Корреляционные метрики как основа оптимизации конверсии

Но имеется и другие инструменты, каковые окажут помощь сделать это вычисление существенно проще.

Райан Фэрли (Ryan Farley), операционный директор и соучредитель LawnStarter, для исполнения вышеприведенного расчета рекомендует инструмент называющиеся Data Robot:

«Мой любимый инструмент для предсказательной силы и определения корреляции комплекта данных — Data Robot.

Все, что необходимо сделать — это загрузить данные в формате таблицы и указать, для какой переменной вам требует прогноз. Программа разложит все сведенья по полочкам, и вы сможете легко отыскать те переменные, каковые связаны между собой.

Также, программа продемонстрирует, какие конкретно факторы являются самые существенными для наступления желаемого результата: как в виде переменных (к примеру, люди, каковые просматривают товары вебмагазина в течение X часов, более склонны к приобретению), так и в виде конкретных изюминок клиентов — к примеру, те, кто применяет Safari либо заходит на сайт во время с 11 до 12 часов дня, наверное оформит заказ».

Еще один нужный инструмент — совокупность event-аналитики Amplitude Analytics. Вы имеете возможность отслеживать частоту событий, происходящих в вашем веб/мобильном приложении, каковые коррелируют с показателями успеха.

График выше — пример анализа сервиса Pingdom и ее показателей успеха

«Предположим, ваше приложение — это сайт сервиса мониторинга аптайма Pingdom. Сделав данный анализ, мы видим, что получение текстовых сообщений частотой 6 либо более раз (поведение) положительно коррелирует с высоким показателем удержания клиента. Может показаться, что маленькая корреляция +0.1471 ничего не означает, но в действительности каждая хорошая корреляция показывает на вероятные области для оптимизации».

  • 7 губительных мифов об оптимизации конверсии

Что делать дальше?

Когда вы отыщете много корреляционных метрик (конверсий и своего-рода), нужно применять их предсказательную силу для оптимизации продукта (страницы) под макро-конверсии. Для начала запустите тесты, имеющие цель привлечь как возможно больше пользователей к совершению корреляционного действия, а после этого замерьте итог: как и как изменилась конверсия.

Вы должны убедиться, что эти прогностические показатели в действительности имеют значение. В случае если итоги тестов вас удовлетворили, смело приступайте к оптимизации вашего продукта (ресурса): любой этап вашей коммуникации с пользователем обязан поощрять совершение им корреляционного действия.

Эндрю Чен:

«Когда вы отыщете модель, которая будет трудиться на вас, следующий ход — проведение тестов. Сделайте что-то, что придаст первостепенное значение входной переменной, вероятно за счет чего-то другого. По окончании посмотрите, как изменились результаты.

В случае если ваша метрика успеха быстро изменилась в лучшую сторону, значит, отысканная вами корреляционная сообщение вправду имеет место быть. В случае если же трансформаций нет, то попытайтесьс другой корреляцией».

Заключение

Обнаружение действий, совершение которых предвещает наступление более ответственных для бизнеса событий (микро-конверсии, за которыми следуют макро-конверсии), очень нужно, если вы заняты оптимизацией и не понимаете, на какую область собственного продукта стоит обратить внимание. Когда вы отыщете какую-либо корреляцию, имеете возможность затевать трудиться над ней и повышать значения собственных главных показателей. Наряду с этим необходимо не забывать, что связь между коррелирующими между собой метриками может и не быть причинно-следственной.

Имеется множество вариантов, как отыскать корреляционные метрики, но куда ответственнее — суметь на них воздействовать в удачном для вас ключе.

Высоких вам конверсий!

По данным: conversionxl.com

Случайные статьи:

Инструмент Цели конверсии


Подборка похожих статей:

admin