ทิวทัศน์แนวตั้งของกรุงโซลในยามค่ำคืน บริเวณใกล้สำนักงานย่านคางนัม
App Analytics · Retention & Cohort

นอร์เทิร์น รีเทนชัน

เราอ่านพฤติกรรมผู้ใช้ในแอปผ่านเส้นโค้งการคงอยู่และตารางคอฮอร์ต เพื่อชี้ให้เห็นว่ากลุ่มผู้ใช้แต่ละชุด ยังอยู่ หรือจากไป ตั้งแต่วันแรกที่ติดตั้งจนถึงสัปดาห์ที่สิบสอง

ความเข้าใจผิด #1

“ดู retention เฉพาะวันที่ 1” มักทำให้ตัดสินใจผิด เพราะผู้ใช้ที่กลับมาในวันที่ 7 อาจเล่าเรื่องที่ต่างจากผู้ที่จากไปในวันเดียวกันโดยสิ้นเชิง

มุมมองจากการวิเคราะห์คอฮอร์ตของทีม นอร์เทิร์น รีเทนชัน

สิ่งที่เราวิเคราะห์

อ่านพฤติกรรมผู้ใช้ผ่านสามมุม

เราไม่ดูตัวเลขรวมอย่างเดียว แต่แยกผู้ใช้เป็นชุด ๆ ตามช่วงเวลาที่เริ่มใช้งาน แล้วเปรียบเทียบว่าแต่ละชุดคงอยู่ได้นานแค่ไหน

01

เส้นโค้งการคงอยู่

วาดอัตราผู้ที่ยังใช้งานแอปอยู่ในแต่ละวันหลังติดตั้ง เพื่อมองว่าหลั่งหายตรงไหน และเร็วแค่ไหน

02

ตารางคอฮอร์ต

จัดผู้ใช้เป็นตารางตามสัปดาห์ที่เข้ามา แล้วดูว่ากลุ่มที่เข้ามาในช่วงต่างกันคงอยู่ต่างกันมากเพียงใด

03

การไหลของเหตุการณ์

ตามรอยเหตุการณ์ในแอปทีละขั้น เพื่อหาจุดที่ผู้ใช้เปลี่ยนเส้นทางหรือวางงานลงก่อนสำเร็จ

ความเข้าใจผิด #2

“ค่าเฉลี่ยอัตราการคงอยู่” ปิดบังความจริงของแต่ละกลุ่ม คอฮอร์ตที่เข้ามาในสัปดาห์เดียวกัน อาจเกิดจากแคมเปญต่างกัน และให้ผลที่ต่างกันอย่างมีนัยสำคัญ

เหตุผลที่เราแยกอ่านคอฮอร์ตแทนการดูค่าเฉลี่ยเพียงอย่างเดียว

เริ่มต้นด้วยคำถาม

ส่งคำถามเกี่ยวกับการวิเคราะห์การคงอยู่ของแอป

บอกเราเกี่ยวกับแอปของคุณ จำนวนผู้ใช้ และสิ่งที่อยากเข้าใจ เราจะตอบกลับด้วยแนวทาง ที่เหมาะกับบริบทของคุณ ไม่มีการขายแพ็กเกจ และไม่มีข้อผูกมัด

คำถามของคุณจะถูกส่งไปยังตัวจัดการฟอร์มบนโดเมนเดียวกัน และใช้เพื่อติดต่อกลับเท่านั้น อ่านรายละเอียดได้ใน นโยบายความเป็นส่วนตัว

หรือส่งอีเมลถึงเราโดยตรงที่ info@northernrelay.digital

เครื่องมือและแพลตฟอร์มที่เราคุ้นเคย

พันธมิตรด้านเทคโนโลยี

ทีมงานทำงานอยู่ในระบบนิเวศของเครื่องมือเหล่านี้มาอย่างชำนาญ ทั้งในส่วนของการเก็บเหตุการณ์ การจัดเก็บข้อมูล และการนำเสนอผลวิเคราะห์

IBM Salesforce Adobe SAP Cisco Cloudflare Stripe Twilio MongoDB Atlassian GitHub Datadog Snowflake ServiceNow Akamai Unity
ความเข้าใจผิด #3

การเพิ่มฟีเจอร์ใหม่ไม่ได้แปลว่าการคงอยู่ดีขึ้นเสมอไป บางครั้งสิ่งที่ทำให้ผู้ใช้กลับมา คือการปรับจุดเล็ก ๆ ที่ซ่อนอยู่ในเส้นทางการใช้งานเดิม

เหตุผลที่เราเริ่มจากการอ่านคอฮอร์ตก่อนเสนอการเปลี่ยนแปลงใด ๆ

เหมาะกับใคร

งานนี้เหมาะกับใคร และไม่เหมาะกับใคร

เหมาะ

ทีมแอปที่มีผู้ใช้จริง

มีเหตุการณ์การใช้งานสะสมอยู่แล้ว และอยากเข้าใจว่าผู้ใช้กลุ่มไหนคงอยู่ กลุ่มไหนจางหาย

เหมาะ

ผู้ตัดสินใจที่ต้องการหลักฐาน

ต้องการอ่านพฤติกรรมจากข้อมูลก่อนตัดสินใจลงทุนในฟีเจอร์หรือแคมเปญใหม่

ไม่เหมาะ

แอปที่ยังไม่มีผู้ใช้

หากยังไม่มีเหตุการณ์ให้อ่าน การวิเคราะห์คอฮอร์ตจะไม่สามารถตอบคำถามได้ เราจะบอกตรง ๆ