Cómo descubrir el ‘Aha Moment’ de tu aplicación

Un "momento aha" es el momento en que un nuevo usuario se da cuenta por primera vez del valor de su producto. Si bien se llama un "momento", es más un conjunto de acciones que separa a los usuarios que es probable que retengan de los que se mantendrán. Para Facebook, esto es cuando un nuevo usuario se conecta con 7 amigos en 10 días. Para Slack es cuando se envían 2000 mensajes entre un equipo. Cada compañía tiene un "momento aha" único y descubrirlo es crucial para generar una mayor retención. Encontrar el "momento aha" no es una tarea fácil, por lo que a continuación encontrará una guía paso a paso para guiarlo a través del proceso.

Antes de comenzar, vale la pena señalar que, si bien estos números parecen específicos, son exactamente lo contrario. Un usuario en Facebook puede engancharse después de agregar 3 amigos en 10 días, mientras que otro puede abandonar incluso después de agregar 12 amigos en 3 días. El beneficio de definir un "momento aha" es que enfoca a toda la compañía en torno a una Estrella del Norte clara y significativa. Según el ex jefe de crecimiento de Facebook, Chamath Palihapitiya, el equipo solo habló de "7 amigos en 10 días".

Las publicaciones de Apptimize y Mode Analytics sirvieron como recursos clave para esta pieza.

Paso 1: Comprenda la retención de línea de base

El primer paso consiste en comprender las curvas de retención de referencia actuales de su aplicación. Estos gráficos se pueden crear fácilmente en servicios como Mixpanel y Amplitude. Desglosar la retención en cohortes de adquisición es útil para reducir el ruido y le permite ver las tendencias recientes frente a los promedios generales. A continuación se muestran datos de muestra (completamente inventados) para una aplicación de mensajería.

Los datos muestran que hay una fuerte caída en la retención después del día 0, con un nivel de rotación más gradual después de eso. La mejor manera de visualizar esta información es graficarla en el transcurso de 30 días. Nuestro objetivo a través de este ejercicio es tratar de mejorar estos porcentajes.

Paso 2: crear hipótesis

Ahora que entendemos la retención de referencia para nuestra aplicación, el siguiente paso es crear hipótesis sobre qué acciones o características podrían afectar la retención. Un buen primer paso es mirar los datos sin procesar de los usuarios más leales y compararlos con los que se han agitado. ¿Qué acciones realizaron los usuarios leales que no hicieron los usuarios abandonados?

En el caso de una aplicación de mensajería, los usuarios que retuvieron pueden realizar las siguientes acciones al principio de su ciclo de vida:

  • Añade amigos
  • Ver un mensaje
  • Enviar un mensaje

Nuestra hipótesis podría ser que los usuarios que agregan amigos o los usuarios que envían mensajes en los primeros días después del registro experimentarían una mayor retención. Esto parece obvio, pero quédate conmigo. Asegúrate de no perderte ninguna acción obvia. Puede ser útil hacer una lluvia de ideas de una lista de 20–30 acciones que realizan los nuevos usuarios y elegir las 2–3 más relevantes.

Paso 3: prueba de hipótesis

Según nuestras hipótesis, podemos agrupar a los usuarios en grupos o cohortes de comportamiento en función de si realizaron o no esas acciones. Observar estas cohortes nos permitirá comprender si estas acciones se correlacionaron o no con una mayor retención.

En el caso de nuestra aplicación, compararemos una cohorte de usuarios que agregaron al menos un amigo en el primer día después de registrarse en la línea base (toda nuestra base de usuarios).

Como se puede interpretar a partir de los datos, los usuarios que agregaron al menos un amigo experimentaron una retención ligeramente mayor en el transcurso de los primeros 30 días. El levantamiento fue más significativo durante la primera semana.

Compare todas las acciones clave con la línea de base. Si no hay diferencia con respecto a la línea de base, concéntrese en otras métricas.

Paso 4: Encuentre la frecuencia óptima de acciones

Ahora sabemos qué acciones se correlacionan con la retención, pero no sabemos cuántas veces se deben realizar estas acciones para una retención óptima. Para que una acción califique como un "momento aha", debe representar el punto de inflexión para la mayoría de sus usuarios. Esto significa que:

La mayoría de los usuarios que realizaron la acción, retuvieron

Y

La mayoría de los usuarios que retuvieron, realizaron la acción

Nuestro objetivo es maximizar el área sombreada. Esto puede ser bastante confuso, así que presentemos un ejemplo a continuación para ayudarlo a comprender mejor cómo funciona esto y qué errores evitar.

El primer paso es definir la retención, que depende en gran medida de su aplicación y preferencias. Por ejemplo, este podría ser un usuario que inició sesión al menos 4 veces durante la cuarta semana después del registro (Semana 4 L7 4 +). A continuación, debe definir el número de días después del registro que incluirá en el recuento de actividades. Por ejemplo, podría contar la cantidad de amigos agregados después de una sesión, un día o una semana.

Puede ser tentador mirar a una cohorte de usuarios por cuántas veces realizaron la frecuencia de la actividad, y si retuvieron o no, como se presentó anteriormente. Esta información nos llevaría a la conclusión de que debemos presionar a los usuarios para que agreguen tantos amigos como sea posible porque la tasa de retención es más alta. Sin embargo, al hacer esto, estaríamos ignorando la masa de personas que aún retienen pero no realizan este nivel de actividad.

En la forma gráfica a continuación, podemos ver que, si bien la mayoría de los usuarios que agregaron al menos 8 amigos retuvieron (gran parte del oro está sombreada a continuación), esto ignora una población significativa de usuarios que retuvieron pero no realizaron este nivel de actividad ( Un pequeño porcentaje de azul está sombreado a continuación).

USUARIOS QUE AGREGARON AL MENOS 8 AMIGOS

La mayoría de los usuarios que realizaron la acción (agregaron ≥ 8 amigos), retuvieron SÍ

Y

La mayoría de los usuarios que retuvieron, realizaron la acción (agregó ≥ 8 amigos) NO

Por otro lado, solo una minoría de usuarios que agregaron al menos 1 amigo retuvieron (un pequeño porcentaje de oro está sombreado a continuación), pero de los usuarios que retuvieron, una mayoría agregó al menos un amigo (un gran porcentaje de azul está sombreado a continuación).

USUARIOS QUE AGREGARON AL MENOS 1 AMIGO

La mayoría de los usuarios que realizaron la acción (agregado ≥ 1 amigo), retuvieron NO

Y

La mayoría de los usuarios que retuvieron, realizaron la acción (agregó ≥ 1 amigo) SÍ

Nuestro objetivo es encontrar el punto óptimo que maximice la región sombreada y minimice las regiones azul y dorada. Queremos que nuestras dos declaraciones sean SÍ. En un mundo perfecto, desearíamos una superposición del 100% de los dos círculos (todos los usuarios que realizaron el nivel de actividad, retenidos, y todos los usuarios que retuvieron, realizaron el nivel de actividad), pero esto no es práctico. Al agregar una columna adicional de usuarios que retuvieron pero no realizaron el nivel de actividad, podemos calcular esto fácilmente. Esto es, una vez más, datos de muestra.

  • R: Retenido pero no agregué al menos [X] amigos (región azul)
  • B: Retenido y agregado al menos [X] amigos (región sombreada)
  • C: Se agregaron al menos [X] amigos (región sombreada + región dorada)

Según los datos, el número óptimo de amigos para agregar que maximiza la superposición es tres.

USUARIOS QUE AGREGARON AL MENOS 3 AMIGOS

La mayoría de los usuarios que realizaron la acción (agregaron ≥ 3 amigos), retuvieron SÍ

Y

La mayoría de los usuarios que retuvieron, realizaron la acción (agregó ≥ 3 amigos) SÍ

Deberá realizar este análisis para cada una de las métricas que hipotetizó sobre la retención de impactos. Si su empresa tiene un equipo de ciencia de datos, es posible realizar este análisis más rápidamente utilizando el modelado de árbol de decisión.

Paso 5: Verificación de cordura con gráficos

Para visualizar los resultados, es útil crear una cohorte de comportamiento (esta vez con usuarios que agregaron al menos 3 amigos) y registrar la retención. Podemos ver que la retención es mucho más alta que la línea de base para este grupo, y también más alta que la cohorte de comportamiento que incluyó usuarios que agregaron al menos 1 amigo.

Paso 6: determinar la causalidad

Aunque hemos identificado puntos de corte y acciones óptimos, nuestro análisis sigue siendo completamente correlativo. Para determinar la causalidad, debe ejecutar pruebas A / B para determinar cómo los cambios en el producto impactan realmente en la retención. En nuestro ejemplo, determinamos que debemos apuntar a que los usuarios agreguen al menos 3 amigos temprano en su ciclo de vida. Con suerte, al hacerlo, los usuarios experimentarán una mayor retención.

Algunas pruebas de productos que consideraría ejecutar incluyen:

  • Sugerir a los usuarios que agreguen amigos antes en el proceso de registro
  • Hacer sugerencias de amigos más prominentes después del registro
  • Agregue información sobre herramientas que indique a los usuarios que agreguen amigos durante las primeras sesiones

Cada aplicación es diferente y hay muchas pruebas diferentes que se pueden ejecutar. Idealmente, tiene sentido ejecutar múltiples pruebas antes de concluir que ha encontrado un verdadero "momento aha". Una vez que haya validado un "momento aha", ¡configúrelo como una estrella del norte y enfoque a su equipo en él!

¡Buena suerte!

Fuentes: Apptimize, Mode Analytics