Одной из фундаментальных проблема аналитики продукта было то, что в любой день аудитория вашего продукта состоит из совершенно разных людей: старые пользователи, новые пользователи, очень старые пользователи, те кто не смог разобраться с продуктом и теми, кто владеет им на высоком уровне. Такую разношерстую гурьбу сложно анализировать, так-как данные представляют из себя смесь совершенно разных людей. Чтобы исправить это, в системах аналитики начал появляться когортный анализ. При когортном анализе пользователей относят к той или иной когорте по определенному признаку. Самым базовым признаком является день (неделя, месяц), когда пользователь начал пользоваться продуктом. Я уже несколько раз упоминал о том, что самые честные данные о изменениях интерфейса или новой функциональности можно получить только от новых пользователей, у которых не было опыта использования продукта и для них продукт всегда был такой. В то время как старым пользователям могут не понравится любые изменения. Когорты можно строить еще и по определенным признакам, например, поведении в продукте. У нас в Documents есть когорта Top Users X (где X это определенная функция Documents), так мы можем понимать какие функции или сервисы нужны определенной когорте, какой у них retention и другие важные метрики. Разумеется когорты можно и нужно 🔪сегментировать, так можно найти определенные инсайты для разных устройств или стран.
Отличная статья о использовании когорт Когортный анализ. Метрики продукта vs метрики роста
Приблизительно 65% читающих устраивает статус кво :) Но есть 35%, которые хотели участвовать в разработке материала, а это совсем немало!
Вы бы хотели, чтобы у Плохого Продукта появился закрытый чат? (в него можно и не вступать). Просто место, где можно задать вопрос по теме поста, помочь ответами, предложить тему для одного из постов.💬 – Я за чат! Это будет круто.
🙊 – Не люблю чаты
🙉 – Мне все равно