ניתוח קוהורט (Cohort-Analysis) הוא הכלי הנפוץ ביותר כיום למדידת נטישה או שימור של משתמשים במוצר (Retention).
הניתוח מאפשר להבין איזה אחוז של המשתמשים נשארים במוצר לאורך זמן, בחלוקה לקבוצות של מועדי הצטרפות (קוהורטות). המשלים של אחוז השימור לאורך זמן ייתן לנו את אחוז הנוטשים.
איך Cohort-Analysis בכלל עובד ואיך להבין את הנתונים שם?
ובכן – נתחיל ברמה הבסיסית.
Cohort-Analysis כולל מספר מרכיבים:
א. קבוצת הזמן לפי מועד ההצטרפות (קוהורטות)
כל קבוצה מיוצגת בשורה נפרדת.
ב. בכלים מסוימים, תוצג כמות המשתמשים הכוללת בכל קוהורט בעמודה השניה.
תקופות מאז מועד ההצטרפות של כל קוהורט.
ג. קבוע הזמן של התקופות (ימים/שבועות/חודשים) נקבע ע"י המשתמש.
כל תקופה מיוצגת בעמודה נפרדת.
ד. היקף המשתמשים (או הלקוחות) בכל תקופה
כל תא במטריצה משקף את כמות המשתמשים בכל קוהורט (מועד ההצטרפות) הרלוונטי, שחזר והשתמש בכלי בתקופה הרלוונטית.
מיוצג בתור כמות משתמשים אבסולוטית, או בתור אחוז מכלל הקוהורט.
שורות ב-Cohort-Analysis
אם נסתכל על קוהורט מסוים (שורה במטריצה), נוכל לראות את קצב הדעיכה של המשתמשים באותו קוהורט.
לדוגמה, בקרב המשתמשים אשר הצטרפו בשבוע שבין 24-31/10/2016 (שורת נתונים שניה), ניתן לראות שלאחר שבוע אחוז המשתמשים הפעילים ירד לכשליש.
לאחר כ-5 שבועות אחוז המשתמשים הפעילים ירד כבר לכ-10% (8-13%).
בשלב הזה אתם ודאי תוהים מדוע יש בחלק מהקוהורטות עליה בשבועות מאוחרים (6-8).
ובכן – זה נובע ממשתמשים אשר לא היו פעילים בשבועות 3-5, וחזרו לשימוש במוצר לאחר מכן.
עמודות ב-Cohort-Analysis
אם נסתכל על תקופה מאז מועד ההצטרפות (עמודה מסוימת), נוכל להשוות מה קרה בקוהורטות שונות, ונרצה כמובן לראות שיפור.
בדוגמה, רואים שמתוך המשתמשים שהצטרפו במהלך אוקטובר יש לאחר שבוע כ-29-35% שימור;
זאת, בעוד שבקרב המצטרפים במהלך דצמבר אחוזי השימור עלו כבר ל-67-76%.
להמחשת הנושא בצורה גרפית – הוספתי בתחתית כל עמודה גם גרף קטן המתאר את המגמה, כאשר גרף עולה מתאר שיפור ב-Retention.
אגב, אם תהיתם מה משמעות העמודה "1>" – מדובר באחוז המשתמשים אשר חזרו למוצר יותר מפעם אחת במהלך התקופה הראשונה.
בדוגמה כאן – בקרב המצטרפים ב-17 באוקטובר 2016 – 50% בלבד מהמשתמשים חזרו למוצר.
המשמעות – החצי השני נטש לאחר שימוש אחד בלבד.
חידודים ודגשים
ההצגה במטריצה נובעת מכך, שלמצטרפים החדשים ביותר עדיין אין היסטוריה ארוכה מספיק של שימוש כמו המצטרפים הותיקים.
לדוגמה, למי שהצטרף לפני שנה ישנם 12 חודשי היסטוריה, בעוד שעבור מי שהצטרף רק לפני חודש – אין.
ועדיין, לשניהם קיימת היסטוריה על מה קרה במהלך 44 השבועות הראשונים לפעילות – ואותה ניתן להשוות ולזהות מגמה.
עוד חידוד קריטי נוגע לכמות המשתמשים בכל תא.
כמות המשתמשים החדשים גבוהה בהרבה מכמות המשתמשים שנשארו לאחר תקופה ארוכה (כי כ-80-95% מהמשתמשים כבר נטשו).
לכן, קריטי להתייחס לתאים בעלי מיעוט משתמשים בעירבון מוגבל.
לרוב, כמה עשרות משתמשים בכל תא הוא המינימום ההכרחי בשביל שאחוזי השימור יהיו אמינים, וייתכן שאף יותר.
שימושים ב-Cohort-Analysis:
- השימוש הנפוץ ביותר לCohort-Analysis הוא להבין את אחוזי השימור והנטישה (אי שימור) ביחס לזמן שעבר מאז מועד ההצטרפות.
- שימוש נוסף הוא להתחיל לנתח את אחוזי השימור/נטישה לפי קבוצות של משתמשים – לדוגמה – לפי מקורות תנועה, מדינות, מערכות הפעלוה וכיו"ב.
וכאן פחות או יותר מסתיימות היכולות של Cohort Analysis.
עבור שימושים מעמיקים יותר – כמו זיהוי הפעולות הקריטיות אשר גרמו לשימור או לנטישה – Cohort-Analysis כבר לא מספיק.
עבורן ונדרש שימוש בטכניקות אחרות – לעיתים קרובות כאלו העושות שימוש בניתוח נתונים גולמיים.
כלים ל-Cohort-Analysis
באיזה כלים אפשר לעשות ניתוח קוהורט?
אז הרבה כלים כוללים את הניתוח בצורה מובנית – מיקספנל, אמפליטיוד ועוד.
גם בגוגל אנליטיקס ישנו פיצ'ר כזה, אבל הוא יחסית בסיסי (מתייחס בעיקר לצפיות בדפים).
חשוב לציין, שגם בכלים האמורים הקוהורט לא תמיד יהיה אופטימלי מבחינת הגדרות אוכלוסייה, חלונות זמנים ועוד.
לכן במקרים מסוימים רצוי לממש את הקוהורט אפילו באמצעות SQL ופייתון.
עדיין יש לך שאלות לגבי Cohort-Analysis ואיך משתמשים בו בשביל ליצור צמיחה?
תוכל/י להגיב, או לשאול כל שאלה בנושא במייל: