Cohort Analysis – Chìa khoá giúp cải thiện Retention Rate?

Đối với app developers, sự thành công không chỉ dừng lại ở việc thu hút người dùng tải ứng dụng, mà còn phải khiến họ thường xuyên truy cập app.

Những chỉ số như số lượt tải, người dùng hoạt động hàng ngày (DAU), người dùng hoạt động hàng tháng (MAU) không đủ để khẳng định sự thành công của ứng dụng, App Developers cần tìm hiểu sâu hơn về ứng dụng bằng một phương pháp khác, đó chính là Cohort Analysis, hay còn gọi là “Phân tích tổ hợp”.

Cohort Analysis là gì?

Cohort Analysis là một tập hợp con của phân tích hành vi, lấy dữ liệu từ một nền tảng thương mại điện tử, web app hoặc trò chơi trực tuyến nhất định nào đó. Thay vì xem xét tất cả người dùng như một đơn vị, phương pháp Cohort Analysis sẽ chia họ thành các nhóm có liên quan để tiến hành phân tích.

Các nhóm hoặc nhóm có liên quan này thường sở hữu một số đặc điểm hoặc kinh nghiệm chung trong một khoảng thời gian xác định. Phân tích tổ hợp là một công cụ được dùng để đo lường mức độ tương tác của người dùng theo thời gian, giúp xác định xem liệu mức độ tương tác của người dùng có đang thực sự tốt hơn theo thời gian hay không, hay chỉ có vẻ đang được cải thiện nhờ vào mức độ tăng trưởng cao.

Cohort Analysis được chứng minh là một phương pháp có giá trị vì có thể hỗ trợ tách các chỉ số tăng trưởng khỏi chỉ số tương tác, vì trên thực tế, sự tăng trưởng có thể dễ dàng che giấu được các vấn đề “ẩn sâu” bên trong tương tác. Chẳng hạn, tình trạng giảm hoạt động của người dùng cũ đang bị che giấu bởi con số tăng trưởng ấn tượng của người dùng mới.

Ví dụ về Cohort Analysis

Sau đây là một ví dụ về việc sử dụng phân tích tổ hợp với tập daily cohort, bao gồm những người dùng đã khởi chạy ứng dụng lần đầu tiên và truy cập lại ứng dụng trong vòng 10 ngày.

Từ bảng tỷ lệ giữ chân ở trên (Biểu đồ hình tam giác), có thể suy ra những kết luận sau:

  • Có 1.358 người dùng đã khởi chạy ứng dụng vào ngày 26/1. Tỷ lệ giữ chân ngày thứ nhất là 31,1%, vào ngày thứ 7 là 12,9% và ngày thứ 9 là 11,3%. Có thể nói rằng, vào ngày thứ 7 sau khi sử dụng ứng dụng, có 1/8 số người dùng đã khởi chạy ứng dụng vào ngày 26/1 vẫn là người dùng đang hoạt động trên ứng dụng.
  • Trong số tất cả người dùng mới trong khoảng thời gian này (13.487 người dùng), có 27% người dùng được giữ lại vào ngày đầu tiên, 12,5% vào ngày thứ 7 và 12,1% vào ngày thứ 10.

Hơn nữa, 2 lợi ích chính của việc đọc bảng daily cohort ở trên là có thể xác định:

  • Thời gian tồn tại của sản phẩm (như được mô tả theo chiều dọc trong bảng): Khi so sánh các nhóm daily cohort khác nhau ở cùng một giai đoạn trong vòng đời của họ, bạn có thể xem % số người trong nhóm sẽ quay lại ứng dụng sau 3 ngày... Trong những tháng đầu ra mắt sản phẩm, chỉ sổ này có thể liên quan đến chất lượng trải nghiệm ứng dụng và hiệu suất làm việc hiệu quả của nhóm chăm sóc khách hàng.

  • Thời gian tồn tại của người dùng (như được mô tả theo chiều ngang ở bên phải của bảng): Xem mối quan hệ lâu dài với mọi người trong bất kỳ nhóm nào để xác định xem mọi người sẽ quay lại trong bao lâu và mức độ mạnh mẽ hoặc giá trị của nhóm đó. Điều này có thể được liên kết với một số yếu tố như: chất lượng, hoạt động của sản phẩm và hỗ trợ khách hàng.

Dù bạn có xác định các chỉ số đánh giá quan trọng nào cho doanh nghiệp đi chẳng nữa, thì Cohort Analysis cũng cho phép bạn theo dõi các chỉ số sẽ phát triển như thế nào trong suốt thời gian sử dụng của khách hàng, cũng như trong suốt vòng đời của sản phẩm.

Phân tích tổ hợp để cải thiện tỷ lệ giữ chân khách hàng

Phân tích tổ hợp bao gồm việc xem xét các nhóm người, theo thời gian và quan sát hành vi của họ thay đổi như thế nào. Ví dụ: Nếu gửi thông báo qua email cho 100 người, một số người có thể mua sản phẩm vào ngày 1, một số người mua vào ngày thứ 2, thậm chí vẫn sẽ có một số ít người mua vào ngày thứ 3… Tuy nhiên, nếu tiếp tục gửi một email khác tới 100 người, sau vài tuần, họ sẽ mua sản phẩm vào “Day 0”. Ở đây, “Day 0” có thể được hiểu là ngày đầu tiên mà khách hàng mua sản phẩm, không cần quan tâm là ngày thứ mấy kể từ lúc quảng cáo. Có thể nói rằng, hiệu quả của email được gửi vào lần đầu tiên đã bị “hoãn lại”, tạo ra hiệu ứng trễ đối với quyết định mua hàng.

Cohort data

Để theo dõi hành vi của người dùng theo thời gian hoặc sự khác biệt của cùng một hành vi đối với các nhóm cohort khác nhau, việc phân tích tổ hợp sẽ giúp so sánh những người này theo cách thức/ thời gian họ có được hoặc theo thời gian giữ chân của những người dùng đó.

Tuy nhiên, việc phân chia nhóm người dùng thành các nhóm để tiến hành phân tích theo tổ hợp có thể được thực hiện theo 2 cách:

  • Acquisition Cohort (Tổ hợp chuyển đổi):

Chia người dùng theo thời điểm họ đăng ký sản phẩm vào đầu tiên. Đối với người dùng ứng dụng, bạn có thể chia nhóm cohort của mình theo ngày, tuần hoặc tháng họ đã khởi chạy ứng dụng và sau đó, theo dõi nhóm cohort hàng ngày, hàng tuần hoặc hàng tháng.

Trong trường hợp này, bằng cách đo lường tỷ lệ giữ chân của các nhóm, bạn có thể xác định thời gian mọi người tiếp tục sử dụng ứng dụng kể từ điểm xuất phát của họ.

  • Behavioral Cohort (Tổ hợp về hành vi):

Phân chia người dùng theo các hành vi mà họ đã (hoặc chưa) thực hiện trong ứng dụng trong một khoảng thời gian nhất định. Có thể là bất kỳ số lượng hành động riêng biệt nào mà người dùng có thể thực hiện, ví dụ: cài đặt ứng dụng, khởi chạy ứng dụng, gỡ cài đặt ứng dụng, giao dịch hoặc bất kỳ sự kết hợp nào của các hành động/sự kiện này.

Trong trường hợp này, tổ hợp có thể là một nhóm người dùng đã thực hiện một số hành động nhất định trong một khung thời gian cụ thể, chẳng hạn như trong vòng 3 ngày đầu tiên kể từ khi sử dụng ứng dụng. Sau đó, bạn có thể theo dõi thời gian hoạt động của các nhóm khác nhau trong ứng dụng của mình sau khi họ thực hiện một số hành động nhất định.

Sau đây là cách mà bạn có thể sử dụng cả nhóm chuyển đổi và hành vi để xác định chính xác những gì người dùng đang làm và khi nào họ làm điều đó.

Acquisition Cohort: Tìm các vấn đề trong ứng dụng

Một cách để hình dung thông tin này là lập biểu đồ đường cong tỷ lệ giữ chân, cho thấy tỷ lệ giữ chân của các nhóm này theo thời gian. Biểu đồ giúp bạn dễ dàng suy luận khi nào người dùng rời khỏi ứng dụng.

Đường cong tỷ lệ giữ chân này đang phản ánh một insight quan trọng – khoảng 75% người dùng ngừng sử dụng ứng dụng sau ngày đầu tiên. Sau mức giảm lớn ban đầu đó, mức giảm nhanh thứ hai sẽ xảy ra sau ngày thứ 5 – xuống dưới 12%, trước khi đường cong bắt đầu chững lại sau ngày thứ 7, có khoảng 11% người dùng ban đầu vẫn hoạt động trong ứng dụng vào ngày thứ 10.

Mặt khác, đường cong tỷ lệ giữ chân ở trên cho thấy rằng, người dùng đã không nhanh chóng đạt được giá trị cốt lõi của ứng dụng, dẫn đến việc rời bỏ app. Do đó, việc cải thiện trải nghiệm tích hợp là nhiệm vụ quan trọng để đưa người dùng đến với giá trị cốt lõi nhanh nhất có thể, nhằm mục đích thúc đẩy tỷ lệ giữ chân.

Có thể thấy rằng, nhóm Acquisition Cohort có thể xác định xu hướng và thời điểm mọi người đang bị “xáo trộn” hiệu quả. Tuy nhiên, nếu chỉ dựa vào nhóm này, bạn khó có thể đưa ra những insight hữu ích khác như: “Tại sao người dùng lại rời đi?”. Điều này yêu cầu phải sử dụng một loại nhóm khác, và đó chính là Behavioral Cohort (Tổ hợp về hành vi).

Behavioral Cohort: Phân tích tỷ lệ giữ chân khách hàng

Một ví dụ đơn giản về tổ hợp hành vi chính là: Tất cả những người dùng đã đọc các bài đánh giá trước khi mua một sản phẩm. Điều này có thể trả lời các câu hỏi thú vị, chẳng hạn như:

  • Liệu những người dùng đọc bài đánh giá có tỷ lệ chuyển đổi cao hơn những người dùng không đọc bài đánh giá hay không
  • Người dùng có tương tác nhiều hơn không? Thời gian sử dụng có nhiều hơn không? Tỷ lệ bỏ qua ứng dụng có giảm hay không?

Sau khi cài đặt và/hoặc khởi chạy ứng dụng, người dùng sẽ đưa ra hàng trăm quyết định và thể hiện vô số hành vi nhỏ dẫn đến quyết định ở lại hay đi. Những hành vi này có thể là sử dụng tính năng cốt lõi Y nhưng không sử dụng tính năng cốt lõi Z, chỉ tương tác với các thông báo loại X...

Hãy kiểm tra hành vi của người dùng bằng cách so sánh tỷ lệ giữ chân giữa các nhóm dưới đây:

Cả hai phân đoạn người dùng đều có ý định giao dịch trên ứng dụng. Nhưng một bộ phận người dùng đã chọn tiếp tục thanh toán, bộ phận còn lại chọn từ bỏ ứng dụng. Trong trường hợp này, bạn có thể làm gì để giảm tỷ lệ bỏ qua giỏ hàng?

Lúc này, Cohort Analysis có thể tìm ra câu trả lời cho những câu hỏi như:

  • Khi nào là thời điểm tốt nhất để thu hút lại người dùng? Khi nào là thời điểm tốt nhất để remarketing?
  • Tỷ lệ tiếp cận người dùng mới cần đạt bao nhiêu để có thể duy trì (nếu không thể tăng) tỷ lệ chuyển đổi ứng dụng?

Từ các bảng tỷ lệ giữ chân ở trên, bạn có thể kết luận rằng, phần lớn người dùng đã từ bỏ giỏ hàng đã không tương tác lại với ứng dụng, thậm chí không quá 1 ngày sau ngày chuyển đổi. Vì vậy, bạn có ít hơn 24 giờ để retargeting với ưu đãi mới và tăng cơ hội nhận được doanh thu. Từ dữ liệu này, bạn có thể phát triển một phương pháp tiếp cận định lượng, có hệ thống nhằm xác định được phương pháp giúp người dùng có thể yêu thích và quay trở lại ứng dụng. Ngoài ra, bạn có thể thực hiện các chiến lược để tăng tỷ lệ giữ chân sau khi xác định được điều gì hiệu quả và điều gì không.

Sức mạnh của Cohort Analysis không chỉ cho phép theo dõi xem người dùng nào rời đi và khi nào họ rời đi, mà còn hiểu được lý do tại sao user rời bỏ ứng dụng, làm cơ sở để đưa ra sáng kiến khắc phục sự cố đó. Đó là cách người ta có thể xác định mức độ giữ chân người dùng và cũng xác định các yếu tố chính thúc đẩy sự tăng trưởng, mức độ tương tác và doanh thu cho ứng dụng.

* Nguồn: Clever Tap