Elsker brugerne jeres nye digitale service?
Virksomheder udvikler nye apps, kampagnesites og onlineservices i ét væk, men meget få måler på det vigtigste succeskriterie: fastholdelsesevnen. Og hvordan måler man den?
“10.000 har installeret vores app de seneste tre måneder”, “brugerne er i gennemsnit fem minutter på sitet” eller “vores trafik er steget med 100% de seneste tre måneder” er ofte svarene, når man spørger ind til appens, sitets eller servicens fastholdelsesevne. Men citaterne ovenfor giver intet klart billede af, om den digitale service evner at holde fast i de notorisk illoyale brugere.
Evnen til at fastholde brugere over tid er helt central, når man vil sælge varer, flytte holdninger, skabe præference, opbygge relationer, øge engagement etc. Evnen til at måle fastholdelse korrekt er altså central, hvis man vil kende sine kunders livstidsværdi. Lige så væsentligt er det at kunne måle, hvilke af de nye tiltag, man indfører, der får brugerne til at blive, og hvilke der får dem til at blive væk.
Ikke desto mindre blander rigtig mange fastholdelse og erhvervelse af kunder/brugere sammen. Forestil dig f.eks, at du ser på en trafikgraf over sidevisninger, og grafen går stejlt opad og til højre. Denne service må være fremragende til at fastholde brugere, eftersom antallet af sidevisninger bliver ved med at stige - ikke? Ikke nødvendigvis. Det kan også bare være en masse nye brugere. Eller høj aktivitet fra en lille gruppe af allerede eksisterende brugere.
De aggregerede data gør trafikgrafen ubrugelig i forhold til at måle servicens fastholdelsesevne. Og det bliver endnu mere mudret og svært at sammenligne data, når nye funktionaliteter tilføjes. For hvordan kan man sammenligne fastholdelsesevne, når brugere har haft forskellige udgangspunkter og anvendelsesmuligheder i servicen?
Brug kohorter for et bedre resultat
Her er kohorter (cohorts) et fantastisk redskab. I analysesammenhæng er en kohorte en gruppe af brugere, som brugte servicen for første gang i en bestemt periode. ‘Januar-kohorten' er f.eks. alle de brugere, som begyndte at anvende din service i januar. ‘Februar-kohorten' er de brugere, der begyndte at anvende den i februar etc.
Ved at se på, hvor mange i de individuelle kohorter der kommer tilbage til din service, kan du måle, om de ændringer, du laver på servicen, er mere eller mindre værdifulde for brugerne. En service med en god fastholdelsesevne har kohorter, som er lang tid om at uddø. Omvendt vil en service med dårlig fastholdelsesevne hurtigt få nul aktivitet i sine kohorter.
En simpel kohorte-analyse er illustreret her:
Forfatterens egen tabel.
I eksemplet kan vi se, at servicen ser ud til at forbedre sin fastholdelsesevne. Sammenligner vi f.eks. januar-kohorten med maj-kohorten, er fastholdelsen i måned 1 gået fra 24% til 29% og i måned 5 fra 21% til 25%. Forudsætter vi, at kohorterne kommer fra samme trafikkilde, har de konkrete ændringer altså haft en positiv effekt over for brugerne. I en almindelig analyse af sidevisninger kunne denne helt centrale indsigt meget nemt være gået tabt. Men fordi vi får adskilt erhvervelse og fastholdelse, kan teamet få et klart svar på, om ændringerne til servicen får brugerne til at blive eller flygte.
En god KPI er en KPI, som får dig og dit team til at ændre adfærd. Oftest vil brugerne nemlig ikke elske din nye service, og kohorterne vil hurtigt gå mod nul. Men ved at arbejde struktureret med at indføre ændringer og måle på effekten med kohorter får du et helt konkret succeskriterie for, om brugerne rent faktisk begynder at elske din app/website/digitale service.
Værktøjer til kohorte-analyse
Excel-ark: http://andrewchen.co/the-easiest-spreadsheet-for-churn-mrr-and-cohort-analysis-guest-post/
Google Analytics: https://support.google.com/analytics/answer/6074676?hl=en
Mixpanel: https://mixpanel.com/retention/
