Измерение ключевых показателей
Методы исследования, доступные при создании первой версии нового продукта, отличаются до и после его запуска. Поскольку, до того как продукт будет выпущен на рынок, в вашем распоряжении еще нет клиентской базы, вы в большей степени полагаетесь на качественные исследования, проводимые с участием потенциальных пользователей, и на полученные от них отзывы. Конечно, вы можете продолжать проводить подобные интервью и после запуска, но при наличии реально работающего продукта и базы пользователей ваши исследовательские возможности существенно расширяются. Теперь вы можете воспользоваться еще и количественными методами сбора информации, а именно аналитикой и A/B-тестированием. В этой главе объясняется, как использовать аналитику для моделирования и расчета показателей, характеризующих продукт и бизнес в целом. Следующая глава на основе информации, представленной в данном разделе, описывает структурированный процесс использования аналитики для улучшения продукта, а также включает в себя сквозное практическое исследование.
Аналитика в сравнении с другими методами исследования
Прежде чем погрузиться в описание аналитических методов, я хочу поделиться с вами полезным фреймворком, созданным моим коллегой Кристианом Рорером, успешным специалистом в области UX-дизайна и исследования потребителей. Он позволяет классифицировать различные способы обучения путем проведения пользовательских исследований. На Рисунке 13.1 показана упрощенная версия фреймворка Рорера. Вертикальная ось – тип информации, которую вы собираете. Она может быть отношенческой или поведенческой. Отношенческая (аттитюдная) информация – это то, что клиенты говорят о своих установках и мнениях. Допустим, вы показываете клиенту макет целевой страницы. Он говорит, что ему нравится зеленая цветовая гамма и что он, скорее всего, нажмет на расположенную на этой странице большую кнопку «Купить». Оба эти утверждения передают отношенческую информацию.
Напротив, поведенческая информация передает то, как клиенты поступают на самом деле. На основе все той же целевой страницы вы можете провести индивидуальные пользовательские тесты и посмотреть, какие клиенты нажимают на кнопку «Купить». Вы также можете использовать аналитические инструменты, чтобы узнать, какой процент пользователей, посещающих целевую страницу, нажимает на эту кнопку. В каждом из этих случаев вы получите поведенческую информацию.
Рисунок 13.1. Структура методов исследования
По горизонтальной оси на Рисунке 13.1 показан подход к сбору информации, который может быть либо качественным, либо количественным. Допустим, вы проводите индивидуальные интервью с 10 потенциальными клиентами, пытаясь понять их потребности и предпочтения. Или же вы наблюдаете, как клиент пользуется вашим сайтом. И в том, и в другом случае вы проводите качественное тестирование, то есть исследование, основанное на непосредственном взаимодействии с пользователями.
При количественном подходе вы собираете информацию, полученную от большого числа клиентов. В этом случае вы уже не наблюдаете за каждым из них, а агрегируете статистические результаты всей группы. Допустим, вы отслеживаете коэффициент конверсии, отслеживая срабатывания кнопки «Купить» на целевой веб-странице, чтобы узнать, какой процент посетителей на нее нажимает, или рассылаете опросник тысячам пользователей по электронной почте, чтобы выяснить их потребности и предпочтения. В обоих случаях вы проводите сбор количественных данных.
Опра против Спока
Как качественное, так и количественное исследования важны и фактически дополняют друг друга. Количественное исследование может сказать вам, сколько потребителей делают (или не делают) что-либо. Но оно не ответит вам на вопрос, почему они это делают (или не делают). Разобраться в глубинных причинах потребительского поведения может помочь качественное исследование. Однако оно не скажет вам, сколько людей делают то, что они делают, по каждой из выявленных причин. Маркетинговые исследования очень часто начинаются с качественного исследования, чтобы понять, какие вопросы стоит задавать и какие ответы на них можно получить (выяснение «почему?»). Вооружившись этой информацией, вы затем переходите к количественному исследованию, чтобы выяснить, какое количество или какой процент клиентов дают тот или иной ответ (выяснение «сколько?»).
Я использую для сравнения качественного и количественного подходов к исследованию потребителей выражение: «Опра против Спока». Популярная телеведущая Опра [Уинфри, – прим. пер.] является олицетворением качественного подхода; она общается со своими гостями один на один и проводит долгие, углубленные интервью, в ходе которых узнает о своих собеседниках много нового и получает их мнения по разным вопросам. С другой стороны, Спок – очень логично мыслящий персонаж сериала «Звездный путь» – ориентирован исключительно на количественные метрики; он основывает все свои решения строго на объективных данных и цифрах. Когда вы пытаетесь понять, насколько первая версия вашего продукта соответствует требованиям рынка, вам должен быть более близок подход Опры. Затем, после выхода продукта на рынок, вы все еще можете продолжать использовать качественный подход, но в интересах дальнейшей оптимизации будет полезно применить и метода Спока.
Интервью с пользователями
Каждый из четырех квадрантов на Рис. 13.1 представляет собой отдельный тип исследования. Интервью с пользователями относятся к нижнему левому квадранту – качественные исследования в целях получения отношенческой информации. В ходе таких интервью вы пытаетесь понять потребности и предпочтения пользователей. Вы хотите определить, как они относятся к проблеме и соответствующему контексту. При этом вы не пытаетесь наблюдать за их поведением. Вы задаете открытые вопросы, но в основном пытаетесь уловить их мысли и чувства. Подробные рекомендации о том, как проводить эффективные собеседования с потребителями, представлены в главе 9.
Тестирование юзабилити
Тестирование юзабилити относится к левому верхнему квадранту, указывающему на качественный и поведенческий характер данного вида исследования. Как и интервью с пользователями, тестирование юзабилити является качественным поскольку в ходе его проведения вы обращаете внимание на то, что говорит каждый пользователь. Однако тестирование юзабилити больше связано с поведением потребителей. Вместо того чтобы спрашивать пользователя, предпримет ли он определенное действие при использовании продукта, вы намерены увидеть, что именно он сделает (или не сделает). Основная цель состоит в получении знаний о потребительском поведении путем наблюдения за тем, как клиент использует прототип или продукт. Стоит отметить, что не менее ценную информацию может дать и проведение юзабилити-тестирования продуктов конкурентов.
Даже если основное внимание уделяется удобству использования продукта, в большинстве случаев результаты пользовательского тестирования состоят из смеси поведенческой и отношенческой информации. Коротко повторю то, что подробно обсуждалось в главе 9: важно четко представлять себе, какого рода информацию вы хотите получить от пользователя в ходе тестирования и какого рода сведения он вам предоставляет на самом деле.
Опросы
Опросы относятся к нижнему правому квадранту, что говорит об их направленности на количественное исследование отношенческих показателей. Количественный характер данного метода отражает его цель – получить информацию от большого числа пользователей, чтобы выделить общие признаки. Получаемая при этом информация относится к отношенческой, поскольку пользователи в ходе опроса делятся своим мнением; в этом случае вы не собираете данные об их поведении при использовании продукта.
Ранее я уделил опросам гораздо меньше внимания, чем другим типам пользовательских исследований. Это объясняется в первую очередь тем, что я слишком часто сталкивался с примерами злоупотребления данным методом. Хорошо спланированный опрос может принести полезные сведения. Но при этом необходимо четко осознавать, для чего именно вы можете их использовать, и не выходить за очерченные границы. Если вы попросите 1000 человек оценить по шкале от 1 до 10, насколько вероятно, что они воспользуются новым, простым в использовании приложением для обмена фотографиями, которое вы планируете создать, это будет злоупотреблением. Почему? Во-первых, они почти ничего не знают о вашем продукте. Предложенное вами описание: «новое, простое в использовании приложение для обмена фотографиями» содержит всего восемь слов информации. Это не живой продукт, не набор кликабельных вайрфреймов и даже не макет, поэтому у опрашиваемых людей не так много данных, на которые они могли бы опереться, чтобы сформировать объективное суждение. Как в таком случае они могут с точностью предсказать, будут ли они пользоваться вашим приложением или нет? Раз за разом я наблюдаю, как создатели опросов просят респондентов высказать свое мнение о том, о чем у них нет достаточно полного представления.
Во-вторых, поскольку опросы направлены на получение отношенческой информации, вы должны воспринимать полученные результаты соответствующим образом. Люди могут давать положительные или отрицательные ответы на вопрос о том, насколько вероятно, что они будут использовать новый продукт; но эти ответы часто не совпадают с реальным поведением. Я бы предпочел этому проведение «Дымового теста» с использованием целевой страницы, на которой разместил бы кнопку «Купить», или попросил людей указать свой адрес электронной почты для включения в список ожидания бета-тестирования. Затем я бы отследил значение показателя конверсии. Собранные таким образом поведенческие данные дали бы более точный ответ по сравнению с результатами, полученными в ходе опроса.
В-третьих, результаты опроса могут быть очень чувствительны к конкретной формулировке вопроса и предложенным респонденту вариантам ответа. Если предполагается, что данные опроса будут использованы для принятия каких-то важных решений, становится страшно подумать, что в зависимости от того, как задан вопрос, можно получить совершенно разные ответы. Если вы не можете отличить качественную подготовку опроса от некачественной, вы можете подставить себя под удар. Просто, прежде чем воспользоваться данным инструментом, необходимо убедиться в том, что опрос – это именно тот способ сбора информации, который наилучшим образом подходит к вашему случаю. Кроме этого, вы должны иметь хорошие навыки разработки опросов (или найти того, кто обладает соответствующими компетенциями).
Итак, если опросы не годятся для получения ответов на определенные виды вопросов, то для чего же они тогда подходят? Они хорошо работают в тех случаях, когда вы хотите узнать мнение респондентов в отношении хорошо известной им темы. Например, в главе 4 обсуждалась возможность использования опросов при измерении показателей важности и удовлетворенности. Опросы могут помочь понять, как люди относятся к вашему продукту и бренду. Вы также можете использовать этот инструмент, чтобы увидеть, как клиенты воспринимают ваш продукт в сравнении с его рыночными аналогами. Отслеживающие опросы, когда респондентам задаются одни и те же вопросы через определенные промежутки времени, могут быть полезны для выявления трендов.
Чистая оценка промоутера
Одним из наиболее широко используемых опросных показателей является чистая оценка промоутера («индекс лояльности», – прим. пер.), или сокращенно – NPS. Этот показатель основан на ответах респондентов всего на один вопрос: «Какова вероятность того, что вы порекомендуете [продукт X] другу или коллеге?» Шкала оценки «вероятности рекомендации» имеет диапазон от 0 до 10, где 10 означает «весьма вероятно», а 0 – «очень маловероятно». Респондентов, дающих оценку в 9 или 10 баллов, называют промоутерами; тех, кто ставит 7 или 8 баллов, – пассивными; а тех, кто оценивает такую вероятность от 0 до 6 баллов, – недоброжелателями. Чтобы рассчитать значение NPS, нужно из процента промоутеров вычесть процент недоброжелателей.
Значение показателя NPS может варьироваться в диапазоне от -100 до 100. По своему смыслу NPS является показателем отношения потребителей к продукту и косвенным показателем его соответствия рынку. Пользователи будут рекомендовать только тот продукт, которым они очень довольны. Среднее значение NPS, полученное по результатам одного раунда опроса имеет определенный смысл, но основную ценность представляет отслеживание динамики NPS продукта с течением времени по результатам периодически повторяемых опросов. По мере того как вы вносите в свой продукт улучшения, повышая тем самым степень его соответствия рынку, показатель NPS должен увеличиваться. Конечно, при возникновении проблем данный показатель может снижаться. Как измеритель общего настроения клиентов, он может свидетельствовать о наличии проблем в широком спектре областей, выходящих за рамки непосредственно продукта, включая качество обслуживания или технической поддержки. По этой причине важно включить в состав опроса открытый вопрос о том, почему респондент выставляет ту или иную оценку. Кроме этого, бывает полезным сравнение показателя NPS своего продукта с аналогичной метрикой конкурентов и ее эталонным значением для соответствующей продуктовой категории.
Вопрос Шона Эллиса о соответствии продукта рынку
Шон Эллис – талантливый маркетолог и практик бережливого стартапа – человек, который придумал термин «хакер роста» и управляет сайтом сообщества http://growthhackers.com. Эллис также является генеральным директором компании Qualaroo, занимающейся анализом потребностей клиентов http://qualaroo.com. Многие компании обязаны ему активным ростом числа своих клиентов.
Эллис, как и я, считает, что не следует вкладывать средства в развитие бизнеса до тех пор, пока выпускаемый продукт не добьется соответствия рынку. Для оценки степени соответствия он предлагает использовать опросы, в ходе которых вы должны спросить пользователей продукта: «Как бы вы себя чувствовали, если бы больше не могли пользоваться [продуктом X]?» Респондентам предлагается четыре возможных варианта ответа:
• Весьма разочарован.
• Немного разочарован.
• Не разочарован (без него вполне можно обойтись).
• Нет ответа – Я больше не пользуюсь [продуктом X].
Проведя такой опрос в отношении множества продуктов, Эллис эмпирическим путем обнаружил, что продукты, утратой которых будут «весьма разочарованы» 40 или более процентов пользователей, как правило, соответствуют требованиям рынка. Это пороговое значение может немного варьироваться в зависимости от категории продукта, но является достаточно точным для формулировки эмпирического правила. Чтобы собрать объективные данные Эллис рекомендует отправлять данный опрос случайной выборке клиентов, которые пользовались вашим продуктом по крайней мере дважды, в том числе, в последнее время. Вопрос должен сопровождаться открытой просьбой: «Пожалуйста, помогите нам понять, почему вы выбрали именно такой вариант ответа», – как я рекомендовал выше для NPS.
Аналитика и A/B-тестирование
Верхний правый квадрант на Рисунке 13.1 соответствует исследованию, имеющему количественный и поведенческий характер. Именно здесь применяются аналитика и A/B-тестирование. Аналитика позволяет получить измеримую оценку реального поведения клиентов, поэтому в этом случае вам не приходится беспокоиться о каком-либо несоответствии между словами и реальными действиями клиентов. Кроме того, в отличие от качественных исследований поведения пользователей, аналитика агрегирует поведение большого числа клиентов, тем самым позволяя делать статистически значимые выводы.
Для примера, допустим, что у вас есть целевая страница. Анализ показывает, что коэффициент конверсии составляет всего 5 %, что намного ниже ожидаемых вами значений. По этой причине вы разрабатываете новую, улучшенную версию целевой страницы. Вы проводите юзабилити-тесты и просите пользователей дать обратную связь в отношении новой страницы. Отзывы оказываются в целом положительными; 9 из 10 пользователей указали, что они бы нажали кнопку «Зарегистрироваться». Вы решаете запустить страницу. До того как вы это сделаете, вы на самом деле не можете реально оценить влияние ее нового дизайна. Реальный коэффициент конверсии вряд ли составит 90 %. Это значение искусственно завышено из-за особенностей модерируемого юзабилити-тестирования. Да, можно ожидать, что коэффициент конверсии повысится, но, насколько серьезным будет это повышение, невозможно определить, основываясь только на результатах юзабилити-теста.
A/B-тестирование позволяет отправить одну часть пользовательского трафика на новую версию целевой страницы, а другую – на старую версию, отслеживая при этом результаты каждого из вариантов. Таким образом, вы сможете узнать, насколько велика разница в значениях коэффициента конверсии. Если объем пользовательского трафика достаточно велик, степень достоверности такого количественного сравнения будет приемлемо высокой.
Аналитика имеет огромное практическое значение для любой команды разработчиков, поскольку позволяет понять, как клиенты используют разработанный ей продукт. При этом аналитика не может дать вам полной картины. Для того чтобы лучше узнать своих клиентов, необходимо также проводить качественные исследования. Но без аналитики вы будете действовать вслепую. Перефразируя Питера Друкера[25], вы не можете управлять тем, что не измеряете. A/B-тестирование основывается на аналитике и дает возможность с достаточной степенью точности оценить влияние вносимых изменений. Это способствует созданию платформы для экспериментов и обеспечивает бережливые команды мощным инструментом для быстрого внедрения инноваций.
Стоит отметить, что полная версия фреймворка Рорера включает в себя еще и третье измерение для определения «контекста использования». Дополнительная шкала предусматривает наличие разных контекстов использования продукта в зависимости от метода исследования: «естественное использование» (например, для аналитики), «использование по сценарию» (например, для юзабилити-тестов) и «без использования продукта» (например, для поисковых интервью). Я рекомендую вам ознакомиться с полной версией этого фреймворка, которая классифицирует 20 различных методов UX-исследования. Вы можете найти ее на веб-сайте Nielsen Norman Group по ссылке: http://nngroup.com/articles/which-uxresearch-methods. Вы можете также ознакомиться с другими публикациями в блоге Рорера по ссылке: http://xdstrategy.com.
Теперь, когда мы выяснили, как сочетаются аналитика и A/B-тестирование, давайте обсудим некоторые схемы применения этих мощных инструментов.
Аналитические фреймворки
Для любого бизнеса существует множество метрик, отслеживая которые можно понять, как он работает. С учетом наличия такого большого количества различных показателей, которые вы могли бы попытаться улучшить, очень полезно иметь целостную аналитическую систему, охватывающую все аспекты вашего бизнеса. Наличие такой системы позволяет обеспечить четкое представление о том, как различные показатели влияют друг на друга, и может помочь в определении того, на чем вам следует сосредоточиться.
Аналитика в Intuit
Во время своей работы в компании Intuit после запуска очередного веб-продукта я задался целью отслеживать его метрики с целью дальнейшего улучшения как самого продукта, так и связанных с ним бизнес-аспектов. Для этого я создал аналитическую систему, которая охватывала четыре основных элемента нашего бизнеса:
1. Привлечение: Сколько потенциальных клиентов (новых посетителей) привлекают на наш веб-сайт реализуемые маркетинговые программы?
2. Конверсия: Какой процент посетителей нашего сайта регистрируются в качестве клиентов?
3. Удержание: Какой процент наших клиентов остаются активными в течение продолжительного времени?
4. Доход: Сколько денег приносят наши клиенты?
После выхода продукта на рынок у него появились подписчики, которые приносили нам доход. Это вселяло в нас уверенность в том, что продукт соответствует рынку. Но одновременно с этим мы поняли, что имеется проблема с конверсией: доля посетителей веб-сайта, подписавшихся в итоге на наш продукт, оказалась заметно ниже ожиданий. Специфика продукта требовала применения многоступенчатого процесса регистрации, который занимал несколько веб-страниц. Используя аналитику, мы измерили, сколько потенциальных клиентов отсеивалось на каждом этапе этого процесса. Затем провели юзабилити-тестирование с участием пользователей, сосредоточив внимание на самых проблемных областях. В итоге мы обнаружили несколько проблем с UX-дизайном. Полученные знания были использованы для быстрой разработки целенаправленных улучшений. После их внедрения мы увидели 40 %-ное повышение коэффициента конверсии. Самое забавное, что благодаря тому, что мы построили очень подробную модель с различными вариантами использования продукта и решений проблем юзабилити, а также располагали точными данными о показателях, мы смогли предсказать повышение с точностью до двухпроцентных пунктов.
Этот пример является отличной иллюстрацией того, как количественное и качественное исследования могут применяться совместно. Количественные показатели предоставили нам неопровержимые доказательства наличия проблемы с конверсией, а также указали на те места, где мы теряли потенциальных клиентов, но не могли объяснить, почему это происходит. Качественное исследование обеспечило нас информацией, необходимой для понимания проблемы и поиска ее решения.
Аналитика во Friendster
Два года спустя, присоединившись к разработчикам новаторской социальной сети Friendster, я решил вновь использовать аналитику для отслеживания и улучшения продукта и бизнеса. С этой целью я разработал новый фреймворк. Руководители компании согласились с тем, что ключевым показателем для их продукта является количество пользователей. Социальные продукты выигрывают за счет сетевого эффекта, означающего, что их ценность растет по экспоненте с увеличением числа пользователей. Кроме того, описанные события происходили на заре развития социальных сетей, когда лидерство на этом рынке еще не было однозначным. Лучший способ увеличить клиентскую базу состоял в том, чтобы побудить наших существующих пользователей пригласить как можно больше своих друзей и знакомых присоединиться к Friendster. Если в среднем каждый пользователь сети приводит такое количество новых посетителей, которое впоследствии превращаются в более чем одного реального клиента, это выливается в вирусный рост клиентской базы. Социальные продукты обладают высоким потенциалом вирусного роста (а также высокими темпами невирусного роста). Подробный алгоритм, пошагово описывающий, как существующий пользователь генерирует появление нового клиента, называются вирусной петлей.
Работая во Friendster я создал аналитическую систему, позволяющую оптимизировать нашу вирусную петлю. Эта система включала в себя показатель вирусного привлечения новых клиентов (без учета невирусных факторов). Еще одним отслеживаемым показателем был коэффициент конверсии, поскольку посетители, чтобы стать нашими клиентами, должны были пройти через процедуру регистрации. И, наконец, поскольку приглашением друзей присоединиться к сети занимались только активные клиенты, моя система также включала в себя показатель удержания. В этом фреймворке я не принимал во внимание доходы (их мы отслеживали отдельно). В следующей главе я расскажу о своей аналитической системе для сети Friendster более подробно.
Бизнес-цели двух описанных выше аналитических систем, безусловно, не являются специфическими и подходящими исключительно для этих двух компаний. На самом деле они широко применимы к потребностям любых организаций. На верхнем уровне практически каждая компания ставит перед собой пять одних и тех же целей:
1. Компания хочет, чтобы потенциальные клиенты были осведомлены о ее продукте.
2. Компания хочет превратить потенциальных клиентов в реальных.
3. Компания хочет сохранить как можно больше своих клиентов в течение долгого времени.
4. Компания хочет получать доход от своих клиентов.
5. Компания хочет, чтобы ее клиенты распространяли информацию о продукте, поскольку это способствует привлечению новых клиентов.
Стартап-метрики для «пиратов»
В 2007 году мне посчастливилось познакомиться с Дэйвом Макклюром. Скорее всего, вы слышали о Дэйве, но на всякий случай отмечу, что сам он считает себя «гиком, маркетологом, инвестором, блогером и смутьяном». Помимо прочего, этот человек является партнером-основателем стартап-фонда и стартап-акселератора 500 Startups (http://500.co). Мы встретились на конференции, где Дэйв выступал с докладом, в котором презентовал свой фреймворк под названием «Стартап-метрики для пиратов». Я был рад заметить, что этот фреймворк был очень похож на те, которые я разработал для продуктов Intuit и Friendster. Дэйв представил свои идеи настолько простым и эффективным способом, что высокая практическая ценность его фреймворка была очевидна.
Наши аналитические системы имели лишь два незначительных расхождения в терминологии. Во-первых, Дэйв использовал термин «активация» вместо «конверсия». Он вложил в свой термин более широкий смысл, включавший в себя и конверсию – в том виде, как ее определил я, – и иные способы, которыми потенциальный клиент может взаимодействовать с продуктом, не становясь при этом реальным клиентом. Например, потенциальный клиент может не подписываться на предлагаемую ему услугу, но при этом предоставить свой адрес электронной почты для получения уведомлений о новостях, касающихся продукта. Это действие не будет квалифицироваться как конверсия в полноценного клиента, но может быть включено в показатель активации. Во-вторых, Дэйв использовал слово «реферал» – отличный, универсальный термин – для описания концепции, согласно которой существующие клиенты предпринимают действия, приводящие к тому, что о вашем продукте узнают новые потенциальные клиенты. Дэйв назвал свой фреймворк «Стартап-метрики для пиратов». Такое название появилось благодаря акрониму, который образуется из наименований пяти используемых им показателей: Acquisition [привлечение], Activation [активация], Retention [удержание], Referral [рекомендации] и Revenue [доход] – получается «ААRRR!» (с восклицательным знаком, добавленным для пущего сходства)[26].
В своем выступлении Дэйв рекомендовал отслеживать два или три ключевых показателя для каждого из пяти элементов своего фреймворка. Это хорошая идея, потому что, например, воронка конверсий на самом деле не является одной общей метрикой; вы можете (и должны) отслеживать более подробные показатели. Исходя из этого, можно провести различие между макро-метриками и относящимися к ним микро-метриками. Определение микро-метрик, наиболее подходящих для отслеживания заданной макро-метрики, – это часть того, что я называю «чисткой аналитической луковицы», о чем я расскажу позже.
Компания KISSmetrics создала отличную диаграмму для описания фреймворка AARRR, и это неудивительно, если учесть, что генеральный директор и основатель KISSmetrics Хитен Шах является одним из ведущих специалистов в области бережливого стартапа и аналитики. Я немного модифицировал эту диаграмму – полученный результат представлен на Рисунке 13.2.
Рисунок 13.2. Фреймворк показателей AARRR!
Определение наиболее значимой метрики
В любой момент существования бизнеса какая-то из пяти макро-метрик, входящих в состав модели AARRR, будет более важна, чем остальные. Я называю ее «наиболее значимой метрикой» – или сокращенно НЗМ. Улучшение других показателей тоже имело бы позитивный эффект, но НЗМ – это тот показатель, который говорит, как в текущий момент можно получить наибольшую отдачу от вложений. Уточнение «в текущий момент» является очень важным. В какой-то момент, после того как вы добьетесь значительного улучшения своей НЗМ, она перестанет быть наиболее значимой, поскольку ее место займет другой показатель, обеспечивающий лучшие возможности с точки зрения рентабельности инвестиций. Предположим, что после запуска продукта вы обнаруживаете, что только 10 % посетителей сайта, которые начинают процесс регистрации, доходят до ее завершения. Вы решаете, что коэффициент конверсии, рассчитываемый на основе количества завершенных регистраций, является на текущий момент вашей НЗМ, и поэтому проводите пользовательское тестирование процесса регистрации и в результате обнаруживаете несколько проблем, связанных с юзабилити. Также выясняется, что форма регистрации не работает в одном из браузеров. Вы проверяете журналы своего сервера и понимаете, что в некоторые моменты возникает ошибка, из-за которой форма регистрации работает не так, как было задумано. Усердно потрудившись над устранением всех этих проблем, вы видите, что коэффициент конверсии повысился до 90 %. Таким образом, на текущий момент коэффициент конверсии перестал быть вашей НЗМ. Теперь уже другие метрики указывают на наличие возможности получить большую отдачу на затраченные ресурсы.
Смена НЗМ происходит из-за феномена убывающей отдачи. Когда вы впервые займетесь поиском метрики, оптимизация которой способна привести к существенным улучшениям бизнеса, вы вскоре обнаружите множество «низко висящих плодов»: идей, которые без приложения особых усилий могут привести к значительным улучшениям. Но затем вы замечаете, что с каждым улучшением рентабельность инвестиций при реализации следующей идеи становится все ниже, и это убывание отдачи продолжается по мере того, как вы добиваетесь все большего прогресса.
Существует естественный порядок очередности, в которой имеет смысл проводить оптимизацию макро-метрик, когда вы начинаете работу с новым продуктом. Согласно этому порядку, первой НЗМ становится удержание клиентов, затем следуют конверсия и привлечение. Давайте выясним, почему это так.
Начните с удержания клиентов
Работая над новым продуктом, вы стремитесь прежде всего добиться его соответствия рынку. Пока вы не будете уверены в том, что пользователи считают ваш продукт ценным, не имеет никакого смысла тратить значительные ресурсы на попытки привлечения клиентов. Аналогично не имеет смысла вкладываться в оптимизацию показателей конверсии. Трата ресурсов в этих направлениях не только окажет меньшее влияние на бизнес, но и отвлечет их от того, что в текущий момент наиболее важно. Если клиенты посчитают ваш продукт достаточно полезным, они продолжат им пользоваться; в противном случае они этого не сделают. Таким образом, удержание – это макрометрика, наиболее тесно связанная с соответствием продукта рынку. По этой причине именно она, как правило, становится первой НЗМ для нового продукта.
Оптимизируйте конверсию до привлечения клиентов
Как только вы убедитесь в том, что продукт соответствует рынку и что достаточно высокий процент клиентов продолжает его использовать в течение долгого времени, имеет смысл сосредоточиться на том, чтобы обеспечить максимально возможную долю превращения потенциальных клиентов в реальных. Конверсия – макро-метрика, характеризующая этот аспект работы – теперь становится вашей НЗМ. Почему именно она, а не показатели привлечения клиентов? Если на этом этапе вы сосредоточите свои усилия на привлечении клиентов, то, образно говоря, вам удастся собрать толпу людей у своей входной двери. Однако большая часть собравшихся так и не станет вашими клиентами, если коэффициент конверсии предлагаемого им продукта ниже, чем должен бы быть. Начав с конверсии, вы затем получите гораздо более высокую отдачу от своих инвестиций в привлечение, поскольку значительно большая часть потенциальных клиентов будет превращаться в реальных.
Оптимизация привлечения клиентов
После того как вы оптимизировали удержание и конверсию, имеет смысл сосредоточиться на выявлении новых и более эффективных способов привлечения потенциальных клиентов. С этой целью вы можете обратить внимание на все многообразие как новых, так и уже известных способов привлечения, на подробное изучение сегментов целевого рынка, средств коммуникации с потребителями, ценообразования, эффективности рекламных акций и так далее. Обычно вы проводите такого рода исследования посредством серии экспериментов, позволяющих протестировать каждую новую идею на небольшой выборке. Как только результаты эксперимента докажут эффективность конкретной идеи, вы внедряете ее в более широком масштабе.
На верхнем уровне вы можете разделить привлечение на платное и бесплатное. Платное привлечение требует финансовых затрат – например, на оплату рекламы продукта в Google или Facebook. Вирусный маркетинг бесплатен. Действия существующих клиентов побуждают других людей попробовать ваш продукт, но вы им за это не платите. Еще одним бесплатным каналом для привлечения клиентов является органический поиск.
Различие между платным и бесплатным привлечением важно, поскольку оно влияет на очередность сосредоточения ваших усилий. Если вы используете в основном бесплатные или недорогие способы привлечения клиентов, то можете заняться оптимизацией привлечения, отложив заботы о доходах на потом, поскольку в вашей ситуации вопросы финансирования не являются критически важными для увеличения клиентской базы. Если же ваш бизнес строится на дорогостоящем платном привлечении клиентов, возможно, сначала стоит сосредоточиться на генерации прибыли ради снижения финансовых рисков и лишь затем направить основные усилия на привлечение. Как только вы создадите условия, при которых каждый клиент будет приносить определенную сумму дохода, это позволит с большей уверенностью тратить деньги на привлечение дополнительного числа клиентов.
Существует бесчисленное множество показателей, которые можно отслеживать и оптимизировать. Поскольку создание успешного продукта начинается с достижения его соответствия рынку, было бы полезно определить наилучший способ для измерения именно этого показателя. Во время своих выступлений и при проведении семинаров я часто спрашиваю аудиторию: «Если бы вы могли отслеживать только один показатель для оценки соответствия продукта рынку, то что бы вы выбрали в качестве такой метрики?» Ответы обычно бывают самыми разными. Некоторые утверждают, что доход является наиболее универсальной мерой. Другие – что наибольшую важность имеет показатель темпов роста клиентской базы. Действительно, при определенных обстоятельствах оба этих показателя могут быть наиболее значимыми для бизнеса. Однако я намеренно включил в формулировку своего вопроса уточнение: «для оценки соответствия продукта рынку». Наилучшим единственным показателем для такой оценки является коэффициент удержания. Поэтому давайте рассмотрим его более подробно и выясним, как его можно измерить.
Коэффициент удержания
Коэффициент удержания показывает, какой процент клиентов активно пользуется продуктом. Чтобы рассчитать его значение нужно разделить количество активных клиентов на их общее число. Еще более полезным является отслеживание динамики коэффициента удержания, что позволяет понять, как доля активных пользователей продукта изменяется во времени. С этим показателем связана одна сложность, не присущая другим метрикам. Она заключается в том, что разные клиенты начинают использовать продукт в разное время, поэтому вы не можете подходить к оценке срока использования, отталкиваясь от конкретных календарных дат (в отличие от большинства других показателей). Наиболее подходящим решением данной проблемы является агрегирование данных с использованием количества дней, прошедших с момента регистрации каждого пользователя.
Кривые удержания клиентов
Кривые удержания – это интуитивно понятный способ визуализации удержания клиентов. Пример такой диаграммы представлен на Рисунке 13.3. По вертикальной оси здесь измеряется процент возвращающихся пользователей. Горизонтальная ось представляет количество дней (или недель, или месяцев), прошедших с момента первого использования. Значение для каждой точки кривой рассчитано на основе данных о регистрации и о фактах использования продукта для совокупности пользователей. По чисто математической причине кривые удержания всегда начинаются со 100 %-ной отметки в нулевой день (которым является день регистрации каждого пользователя), а затем имеют тенденцию снижаться с течением времени, поскольку доля пользователей, которые не возвращаются, чтобы снова воспользоваться вашим продуктом, постепенно накапливается. Уже на 1-й день (то есть следующий день после регистрации) может наблюдаться значительное снижение показателя удержания. Поэтому нулевой день обычно не отображают на графике, а начинают отсчет с первого дня, чтобы график выглядел более читабельным.
Рисунок 13.3. Кривая удержания
Обратите внимание, что на представленной на рисунке кривой удержания значение, соответствующее первому дню, составляет около 20 %. Это означает, что около 80 % клиентов не вернулись на следующий день после регистрации. Этот «начальный коэффициент отсева» является одним из ключевых отличительных параметров кривой удержания. Разные категории продуктов имеют различающиеся показатели начального отсева. Показанная кривая относится к мобильному приложению – категории, для которой характерны очень высокие значения показателя начального отсева. Посудите сами: люди постоянно устанавливают новые мобильные приложения. Но часто после первого использования уже не возвращаются к тем приложениям, которые не представляют для них интереса. При этом иконка установленного приложения обычно теряется в море других значков на экране смартфона. При отсутствии какой-либо «напоминалки» об установленном приложении, которым они ранее пользовались, люди через некоторое время просто забывают о нем. Вот почему для мобильных приложений так важны встроенные периодические уведомления, с помощью которых разработчики пытаются не попасть под действие принципа: «с глаз долой – из сердца вон».
Вторым отличительным параметром кривой удержания является скорость, с которой происходит снижение показателя. Некоторые кривые удержания демонстрируют очень крутое пике, в то время как другие являются более пологими. При этом снижение может либо продолжаться вплоть до нулевого значения, либо в конечном итоге сглаживаться в горизонтальную линию. Если кривая стремится к нулю, это означает, что вы с течением времени потеряете всех клиентов из отслеживаемой группы. Если же кривая, достигнув определенного значения, становится плоской, то уровень, на котором произойдет такое выравнивание, будет соответствовать проценту клиентов, которых вам удается удерживать. Такое терминальное значение является третьим характерным параметром кривых удержания. Кривая удержания одного продукта может прекратить снижение на уровне пяти процентов, тогда как в другом случае это произойдет на отметке 20 %.
Три перечисленных выше отличительных параметра кривой удержания – начальный отсев, скорость снижения и терминальное значение – являются непосредственными показателями соответствия продукта рынку. Чем выше степень соответствия, тем ниже процент начального отсева, меньше скорость снижения и выше терминальное значение. Чем ниже степень соответствия продукта рынку, тем выше начальный отсев и скорость снижения, и тем ниже терминальное значение. Последний из этих параметров является наиболее важным, поскольку отвечает на вопрос: «Какой процент клиентов, попробовавших продукт, продолжают им пользоваться в течение долгого времени?» Если бы вы сказали мне, что терминальное значение кривой удержания для продукта А составляет 1 %, а для продукта В – 50 %, я бы мог ответить, какой из этих продуктов в большей степени соответствует рынку (продукт В), не владея никакой дополнительной информацией об этих продуктах.
Соответствие продукта рынку представляется несколько расплывчатым и трудноизмеримым понятием. Поэтому здорово, что кривые удержания вооружают нас точными цифрами, которые могут быть использованы для количественной оценки этого показателя. И хотя именно в этом заключается основная причина, по которой коэффициент удержания является наилучшим показателем соответствия продукта рынку, существует несколько других причин. Следующим преимуществом коэффициента удержания является то, что это «чистый» показатель в том смысле, что не смешивается с какими-либо другими компонентами системы макрометрических показателей (например, с привлечением). Что я имею в виду? Что ж, допустим, в качестве метрики соответствия продукта рынку вы взяли количество активных пользователей, и предположим, что значение этого показателя имеет тенденцию к росту, как мы все надеемся. Это может произойти только в том случае, если вы расширяете клиентскую базу (путем привлечения и конверсии). Тенденция роста числа активных пользователей может быть обусловлена умеренным привлечением новых пользователей при высоком коэффициенте удержания. Однако та же тенденция может быть отражением очень значительного роста числа пользователей при низком коэффициенте удержания. Отслеживая только активных пользователей, вы не смогли бы заметить разницу между этими двумя вариантами.
Вот почему при отслеживании изменения количества пользователей с течением времени важно проводить различие между новыми и возвращающимися пользователями. Именно последние учитываются при расчете коэффициента удержания. Новые – это клиенты, которые используют продукт впервые (на определенном отрезке времени). Возвращающиеся – это клиенты, которые пользуются продуктом в течение определенного периода и которые впервые стали пользователями до начала этого периода. Важно отслеживать количество возвращающихся пользователей в динамике. Очевидно, что вам хотелось бы, чтобы график, отражающий число возвращающихся пользователей, имел тенденцию к росту с максимально возможной скоростью. Однако имейте в виду, что в отличие от коэффициента удержания число возвращающихся пользователей не является чистым показателем удержания. Он зависит от показателей привлечения и конверсии. Количество вернувшихся пользователей представляет собой общее число клиентов, которых вам удалось привлечь и удержать на данный момент времени. В свою очередь, коэффициент удержания, благодаря особенностям его расчета, отвечает на вопрос «Какой процент привлеченных клиентов все еще сохраняют активность на данный момент времени?»
Поскольку кривые удержания позволяют измерить степень соответствия продукта рынку, они предоставляют прекрасную возможность оценить, насколько вы улучшаете это соответствие с течением времени. Вы можете увидеть, как меняется коэффициент удержания, построив несколько кривых удержания: для каждого отрезка времени. Например, вы могли бы строить новую кривую удержания ежемесячно. Таким образом, вы создадите набор графиков, построенных на основе данных о клиентах, которые прошли регистрацию в каждом из отслеживаемых месяцев.
Когортный анализ
Группа пользователей, которые имеют общую характеристику – например, месяц, в котором они зарегистрировались, – называется когортой. Мощным инструментом анализа меняющихся во времени показателей для различных когорт является когортный анализ. На Рисунке 13.4 показан график с тремя кривыми удержания для различных когорт. По горизонтальной оси здесь измеряется количество недель, прошедших с момента регистрации (вместо дней, как это было на Рисунке 13.3). Вы можете видеть, что когорта А имеет самый низкий начальный отсев, самую высокую скорость снижения и самое низкое терминальное значение. Когорта С имеет самый высокий начальный отсев, самую низкую скорость снижения и самое высокое терминальное значение. Параметры кривой для когорты B находятся между соответствующими значениями для когорт A и B. Итак, какую из трех кривых удержания вы предпочли бы для своего продукта? Я бы выбрал кривую когорты C, из-за того, что она имеет самое высокое терминальное значение. Начиная с 3-й недели, в когорте C процент активных пользователей выше, чем в двух других когортах. Это приводит к увеличению дохода. В качестве отступления: если у вас на одном графике отображается более пяти кривых, он становится трудночитаемым.
Рисунок 13.4. Кривые удержания для когорт
В Таблице 13.1 показан стандартный формат хранения данных, используемых при построении кривых удержания для нескольких когорт. Содержание первого столбца указывает, что каждая строка отведена для определенной когорты. В представленном примере показаны когорты, сформированные по месяцам за период с января по май; данные представлены по состоянию на июнь. Во втором столбце для каждой когорты указано начальное количество пользователей. В каждом последующем столбце зафиксировано количество активных пользователей с учетом количества месяцев, прошедших с момента их регистрации. Чем раньше сформирована когорта, тем больше точек для построения соответствующей кривой.
Таблица 13.1 Исходные данные для когорт
Данные, приведенные в Таблице 13.1, используются для расчета значений, приведенных в Таблице 13.2. Процент в каждой ячейке Таблицы 13.2 – это коэффициент удержания для соответствующей когорты (указанной в строке) за определенный временной интервал (указанный в столбце). Каждый коэффициент удержания рассчитывается путем деления количества активных пользователей (для данной когорты и периода времени) на начальное количество пользователей в когорте. Каждая строка Таблицы 13.2 отображается затем на графике в виде отдельной кривой удержания.
Таблица 13.2 Коэффициенты удержания для когорт
Отслеживание улучшений степени соответствия продукта рынку
Если вы со временем повышаете степень соответствия своего продукта рынку, кривые удержания для ваших когорт будут двигаться вверх, достигая более высоких терминальных значений для новых когорт. На Рисунке 13.5, где представлены кривые удержания для трех когорт, показан пример того, как это могло бы выглядеть при реализации идеального сценария. Пользователи, сгруппированные в когорту А, зарегистрировались 24 месяца назад – сразу после выпуска продукта. Пользователи, вошедшие в когорту B, зарегистрировались 18 месяцев назад, а пользователи из когорты C – 12 месяцев назад. Как вы можете видеть, со временем мы улучшили соответствие нашего продукта рынку, и кривая удержания клиентов пошла вверх. Каждая последующая когорта имеет более низкий начальный отсев, более низкую скорость снижения и более высокое терминальное значение, чем предыдущая.
Рисунок 13.5. Повышение показателя удержания с течением времени
Уравнения для улучшения вашего бизнеса
Это прекрасно, что аналитическая система AARRR на верхнем уровне применима к любым компаниям и помогает сосредоточить силы и средства в нужное время на нужном показателе. Но в какой-то момент для осуществления дальнейшей оптимизации становится необходимым принять во внимание специфику целевой бизнес-модели. Существует несколько распространенных бизнес-моделей, включая электронную коммерцию, платные подписки и рекламу. Я консультировал клиентов по вопросам использования аналитики для оптимизации показателей, относящихся к каждой из перечисленных бизнес-моделей. Для этого в каждом конкретном случае я использовал один и тот же мощный инструмент: уравнения для улучшения бизнеса.
Когда я хочу что-то оптимизировать, инженерное и математическое образование побуждает меня первым делом использовать для этого уравнение. В средней школе мы бесчисленное количество раз выражали переменную Y как функцию другой переменной – X. При этом цель состояла в том, чтобы найти такое значение X, которое приводило бы к максимально возможному значению Y. Более продвинутые версии этого упражнения включали применение нескольких переменных. Отправной точкой всегда было уравнение, которое показывало, как Y выражается через X (или через несколько переменных). Таков теоретический мир математики, но аналогичная техника применима и в реальном мире бизнеса.
Любой бизнес можно представить в виде уравнения. Цель состоит в том, чтобы получить количественное представление о бизнесе, построенное на основе набора показателей, которые могут быть использованы для оптимизации бизнес-результатов. Если вам пока не совсем ясно, как это можно сделать, позвольте привести пример.
Вот стартовое уравнение, которое применимо к любому бизнесу:
Прибыль = Доходы – Затраты
Это уравнение говорит о том, что вы можете увеличить прибыль за счет увеличения доходов и/или за счет снижения затрат. Оно применимо к любому заданному периоду времени (например, дню, неделе или месяцу). Показатели доходов и затрат являются метриками слишком высокого уровня, чтобы их можно было использовать на практике, но это хорошая отправная точка. Показатели верхнего уровня можно разбить на более подробные метрики, чтобы углубиться в детали. Это то, что я называю «очищением аналитической луковицы».
Большинство высокотехнологичных компаний, особенно те из них, что пытаются добиться соответствия своего продукта рынку, в гораздо большей степени сосредоточены на увеличении дохода, нежели на снижении затрат. Это связано с экономической природой большинства высокотехнологичных продуктов: по мере увеличения объема продаж дополнительный доход от каждой дополнительной единицы продукции (называемый предельным доходом) превышает дополнительные затраты на производство этой дополнительной единицы (называемые предельными издержками). При этом разрыв между предельным доходом и предельными издержками увеличивается по мере увеличения объема продаж.
Такой продукт, как Facebook, является хорошим примером для иллюстрации этого явления. Приложение имеет более миллиарда пользователей. Соответствующее такому масштабу клиентской базы обслуживание веб-сайта и мобильного приложения Facebook требует наличия большого количества серверов, хранилищ данных, сетевого оборудования и пропускной способности каналов связи для стабильной работы. Приходится ли команде Facebook разрабатывать какое-либо дополнительное программное обеспечение при появлении каждого нового пользователя? Нужно ли им включать в работу дополнительный сервер, когда к их сети присоединяется новый пользователь? Нет. Единственное, что действительно потребуется в этом случае из дополнительных ресурсов – это крошечная часть емкости хранилища для сохранения пользовательских данных и столь же незначительная дополнительная пропускная способность. По сути, величина предельных издержек в расчете на одного нового пользователя Facebook равна нулю.
Источником дохода для Facebook в основном является реклама, которую разработчик демонстрирует внутри своих продуктов. Новый пользователь будет генерировать небольшой дополнительный доход от рекламы. Таким образом, предельные издержки, практически равные нулю, и небольшой предельный доход приносят в совокупности небольшую предельную прибыль.
Теперь давайте вернемся к языку уравнений, чтобы разложить доход на полезные для практического применения показатели. Для этого существуют разные способы, но обычно лучше всего работает метод расчета «на одного пользователя»:
Доход = Пользователи * Средний доход на одного пользователя
Это уравнение говорит нам о том, что в принципе есть два основных способа повышения дохода: увеличить количество пользователей и/или увеличить средний доход, генерируемый одним пользователем. Возможно, вам уже приходилось слышать сокращенное название данного показателя (Average Revenue Per User, или ARPU), поскольку он относится к числу ключевых и отслеживается многими компаниями.
Уравнения для бизнес-модели, связанной с получением дохода от рекламы
Наилучший способ дробления параметров из уравнения для расчета дохода на более подробные показатели зависит от бизнес-модели, применяемой для получения этого дохода. Для примера давайте предположим, что у нас есть бизнес, который приносит доход за счет медийной рекламы. Во многих продуктах, основанных на рекламе, люди, которые видят эту рекламу, не обязательно должны быть зарегистрированными пользователями. Достаточно вспомнить такие популярные сайты, как YouTube или веб-сайт New York Times: для этих и других подобных продуктов, построенных на контенте, вместо термина «пользователи» используется термин «посетители». Учитывая нюансы отслеживания показателей веб-аналитики, термин «уникальные посетители» дает понять, что мы учитываем каждого посетителя сайта только один раз за определенный интервал времени. Итак, доход при применении рекламной бизнес-модели образуется следующим образом:
Доход = Посетители * Средний доход на одного посетителя
Медийная реклама продается рекламодателям исходя из количества показов – термин, который подразумевает, что рекламное сообщение было показано на веб-странице, которую посетил пользователь. Это не обязательно означает, что посетитель увидел рекламное объявление. Допустим, рекламодатель покупает 100 000 показов. Медиасайт, продавший ему эти показы, будет отслеживать их количество и завершит рекламную кампанию, как только рекламное сообщение будет показано 100 000 раз. Стоимость рекламы указывается в единицах «CPM», то есть за тысячу показов (здесь «M» – это римская цифра, обозначающая 1000). При цене в 10$ CPM общая стоимость рекламной кампании из нашего примера составит 1000$ (за 100 000 показов). Выражение цены через CPM представляет собой хороший способ для сравнения стоимости различных видов рекламы. В результате вы можете заметить, как термин «эффективный CPM» часто используется в более широком контексте. Теперь мы можем составить уравнение, раскрывающее, как формируется средний доход на одного посетителя:
Средний доход на одного посетителя = Показы на одного посетителя * Эффективный CPM ÷ 1000
Дальнейшее разбиение эффективного CPM не имеет смысла. Из уравнения видно, что это достаточно подробный для целей анализа показатель, значение которого прямо пропорционально влияет на величину дохода. При удвоении эффективного CPM вы получите удвоение дохода.
Каким образом можно разбить на составляющие такую метрику, как показы в расчете на одного посетителя? Помните, что каждое из представленных уравнений применимо к определенному интервалу времени. Итак, какие же факторы определяют количество показов рекламы одному посетителю за определенный период времени? Поскольку один и тот же человек может посещать наш сайт несколько раз за учитываемый интервал времени, мы должны отразить этот факт в своем уравнении. Реклама отображается на веб-страницах, поэтому чем больше веб-страниц посещает средний посетитель (количество просмотров страниц), тем больше количество показов, приходящихся на одного посетителя. Наконец, мы контролируем количество показов рекламы на каждой странице, поэтому и этот показатель мы можем учесть в своем уравнении. Таким образом, количество показов на одного посетителя определяется следующим образом:
Каждый из трех показателей, участвующих в этом уравнении в роли множителей, является переменной величиной, которую мы контролируем и на значение которой можем повлиять. Изменение значения любого из этих показателей приведет к пропорциональному изменению дохода. Например, мы можем увеличить частоту посещений нашего сайта, чаще обновляя контент или отправляя пригласительные электронные письма. Мы также можем попытаться заставить посетителей просматривать при каждом посещении больше страниц, размещая контент более чем на одной странице или включая ссылки на связанные страницы. Наконец, мы можем разместить больше рекламных объявлений на каждой странице, хотя применение данной меры должно иметь разумные пределы, поскольку в какой-то момент это может вызвать недовольство пользователей и негативно отразиться на показателе удержания.
После того как мы приняли меры для максимального увеличения среднего дохода на одного посетителя, мы можем вернуться к начальному уравнению и посмотреть, что будет способствовать увеличению количества посетителей. Как я уже упоминал ранее, имеет смысл различать новых и возвращающихся пользователей (или посетителей).
Посетители = Новые посетители + Возвращающиеся посетители
Новые посетители – это люди, которые посещают ваш сайт впервые (в рамках отслеживаемого интервала времени). Показатель общего количества новых посетителей может быть разбит на основе различных критериев, одним из которых является канал привлечения или источник, по ссылке из которого они пришли на наш сайт. Многие компании классифицируют новых пользователей на привлеченных через бесплатные (например, органический поиск) и платные (например, по оплачиваемой рекламной ссылке) каналы. Если ваш продукт имеет вирусную петлю, вы можете разделить новых пользователей на тех, кто был привлечен вирусным путем, и тех, кто нашел вас иным способом. В этом случае вы также могли бы составить дополнительное уравнение для количества новых вирусных пользователей с включением в него показателей вирусной петли.
Возвращающиеся посетители – это люди, которые посещают ваш сайт в течение определенного интервала времени и которые уже посещали его ранее – до отслеживаемого периода. Количество возвращающихся посетителей можно представить, как общее число посетителей сайта за предыдущий интервал времени, умноженное на коэффициент удержания. Используемый в данном случае коэффициент удержания несколько отличается от того, который мы обсуждали ранее, поскольку он отражает изменение ситуации только от одного временного интервала к следующему (например, от предыдущего месяца к текущему), а не за всю историю посещений. Поэтому во избежание путаницы, давайте назовем его «коэффициентом возвращений». В итоге уравнение для количества возвращающихся посетителей будет выглядеть следующим образом:
Возвращающиеся посетители(T) = Количество посетителей(T-1) * Коэффициент возвращений
Я добавил индекс (T) для обозначения текущего и (T–1) для предыдущего интервала времени. Посетители и возвращающиеся посетители – это просто параметры, которые вы измеряете, не пытаясь повлиять на них напрямую. Переменной, которую мы действительно хотели бы улучшить, является коэффициент возвращений. Например, мы могли бы ввести в практику еженедельные или ежемесячные рассылки электронных писем, содержащих ссылки на популярный или рекомендуемый контент, чтобы побудить пользователей снова посетить нашу веб-страницу. Коэффициент возращений может быть рассчитан на основе двух других параметров:
Если мысленно вернутся к началу данного раздела, можно заметить, что, начав с уравнения самого верхнего уровня, мы последовательно раскладывали составляющие элементы на части до тех пор, пока не получили по-настоящему действенные метрики. Вот что я подразумеваю под «чисткой аналитической луковицы». Только что мы проделали это для бизнес-модели, построенной на получении прибыли от рекламы, но аналогичную «чистку» можно провести для любого вида бизнеса.
Уравнения для бизнес-модели, связанной с получением дохода от подписок
Не вдаваясь в настолько же подробные объяснения, вот как бы я «почистил аналитическую луковицу» для бизнес-модели, основанной на подписках.
Прибыль = Доходы – Затраты
Снова сосредоточимся на увеличении дохода, а не на снижении затрат.
Доход = Платные пользователи * Средний доход на одного платного пользователя
Я использовал термин «платные пользователи» вместо просто «пользователи», чтобы учесть тот факт, что не все пользователи платят за подписку на продукт. Например, есть те, кто использует 30-дневную бесплатную пробную версию. Кроме этого, некоторые продукты предполагают наличие как платной, так и бесплатной версии подписки. Для данного примера будем исходить из того, что все наши сервисы требуют платной подписки, но мы предлагаем, в том числе, бесплатную пробную версию.
Платные пользователи = Новые платные пользователи + Повторные платные пользователи
Как и в предыдущем примере, мы делим платящих пользователей на новых, которых приобрели за отслеживаемый интервал времени, и уже имеющихся, которые совершили повторную оплату.
Повторные платные пользователи(T) = Платные пользователи(T-1) * (1 – Коэффициент отмены)
Как и в предыдущем примере, количество повторных платных пользователей за текущий период (обозначен индексом T) выражается через количество платных пользователей за предыдущий период (обозначен индексом T–1). Коэффициент отмены – это доля платных пользователей, которые отменяют свою подписку при переходе от одного периода к следующему. Это очень важный показатель для бизнеса, зарабатывающего на подписках, поэтому его необходимо отслеживать и пытаться улучшить. Мы достаточно подробно разобрали показатели, относящиеся к этому источнику дохода, поэтому давайте обратимся к новым платным пользователям, чтобы проанализировать эту метрику.
Новые платные пользователи = Бесплатные пробные пользователи * Коэффициент конверсии пробной версии + Прямая платная регистрация
Некоторые потенциальные клиенты, зайдя на наш сайт, могут сразу подписаться на одно из платных предложений (прямая платная регистрация). Другие потенциальные клиенты могут сначала зарегистрироваться для использования бесплатной пробной версии (бесплатные пробные пользователи). Доля пользователей, переходящих с бесплатной пробной версии на платную подписку, измеряется коэффициентом конверсии пробной версии.
Я не буду приводить дополнительные уравнения, но далее мы могли бы разбить количество пользователей бесплатной пробной версии в соответствии с каналами, используемыми для их привлечения. Кроме этого, дальнейшая разбивка могла бы включать показатель конверсии потенциальных пользователей в бесплатных пробных пользователей. Это позволило бы нам измерить эффективность наших маркетинговых усилий (целевых страниц, рекламных кампаний и т. п.).
Приведенный в этом разделе набор уровней относился уже к совершенно другой модели получения прибыли, что доказывает универсальный характер инструмента и возможность его применения к любой бизнес-модели. Вместе со своей командой вы можете составить аналогичные уравнения, отражающие особенности вашего бизнеса. Цель состоит в том, чтобы определить ключевые показатели, которые хотите измерить и улучшить. Уравнения для улучшения вашего бизнеса помогает понять, как и в какой мере изменение каждого показателя повлияет на общие бизнес-результаты, что, в свою очередь, поможет вам определить приоритетные направления для улучшений.
Достижение прибыльности
Ранее я привел уравнения для улучшения вашего бизнеса в том виде, в каком они применимы к определенному интервалу времени. Другой способ состоит в том, чтобы не обращать внимания на временные интервалы и рассматривать бизнес-показатели в расчете на одного клиента.
Прибыль = Количество клиентов * Прибыль на одного клиента
Такой подход не столь актуален до тех пор, пока вы все еще находитесь в поиске соответствия продукта рынку. Но его ценность существенно увеличивается после того, как вы добились высокой степени соответствия и теперь пытаетесь увеличить объем получаемой прибыли. В приведенном выше уравнении показателем, который необходимо улучшить, является прибыль на одного клиента. Давайте приступим к «чистке аналитического лука» и снимем еще один слой.
Прибыль на одного клиента = Доход на одного клиента – Затраты на одного клиента
Существует очень эффективный способ разложить это уравнение на составляющие, который дает ценное представление об экономике вашего бизнеса «в расчете на одного клиента». В отличие от предыдущих примеров, когда в целях улучшения мы ориентировались исключительно на доходную часть, в данном случае мы должны будем учитывать затраты. При этом нам следует сосредоточиться только на одном конкретном наборе затрат: тех, что связаны с привлечением клиента, приносящего доход. Это можно сделать, немного изменив предыдущее уравнение путем введения в него некоторых новых показателей. Сначала я просто приведу уравнение, а затем дам соответствующие пояснения.
Прибыль на одного клиента = Пожизненная ценность клиента – Затраты на привлечение клиента
Пожизненная ценность клиента
Это уравнение является очень полезной альтернативной функцией прибыли, приходящейся на одного клиента. Пожизненная ценность клиента (lifetime value, или LTV) – это выручка, которую генерирует клиент, без учета затрат на его привлечение. Затраты на привлечения клиента – это средняя сумма, в которую обходится привлечение нового клиента. Выделение этих затрат в отдельный показатель позволяет проводить его отслеживание и улучшение. Когда значение LTV превышает величину затрат на привлечение клиента, каждый новый клиент приносит бизнесу прибыль. Чтобы получить контролируемые показатели, которые могут быть улучшены за счет практических действий, следует снять с «аналитической луковицы» еще одним слой.
LTV = ARPU * Средний жизненный цикл клиента * Валовая маржа
В этом уравнении снова появляется показатель ARPU, который упоминался ранее. Напомню, что он представляет собой средний доход на одного пользователя (за интервал времени). Например, если все ваши подписчики платят по 10$ в месяц, значение ARPU составляет 10$ в месяц. Средний жизненный цикл клиента показывает, в течение скольких временных интервалов среднестатистический клиент остается с вами. Если вы умножите ARPU на величину среднего жизненного цикла клиента, то узнаете, какой доход в среднем приносит вам каждый клиент (на протяжении всего времени, пока он является платным клиентом). Допустим, проанализировав данные о своих клиентах, вы обнаружили, что величина среднего жизненного цикла клиента составляет 10 месяцев. Тогда для расчета среднего пожизненного дохода нужно 10$ ежемесячной платы умножить на 10 месяцев. Получится 100$.
Валовая маржа – это коэффициент, учитывающий стоимость предоставления клиенту продукта или услуги. Многие высокотехнологичные компании имеют очень высокий показатель валовой маржи (более 80 %), поэтому для упрощения расчетов они его просто не учитывают (принимают равным единице).
Существуют более сложные модели LTV, которые учитывают тот факт, что доход от наличия клиента генерируется не сразу, а с течением времени. Для этого они применяют метод дисконтирования денежного потока с использованием ставки дисконтирования стоимости капитала. Однако мы не будем усложнять свои расчеты подобным образом, поскольку наша цель состоит не в том, чтобы получить максимально точный показатель LTV, а в том, чтобы разделить его на показатели, которые мы в состоянии отслеживать и улучшать.
Из уравнения мы видим, что увеличение LTV возможно за счет увеличения ARPU. Такого эффекта можно достичь, например, повысив стоимость своих услуг, продав больший объем услуг существующим клиентам или добавив новые услуги с более высокой стоимостью.
Пожизненная ценность клиента (LTV) также может быть повышена за счет увеличения среднего жизненного цикла клиента. Это можно сделать, например, добившись снижения коэффициента отмены, отражающего долю клиентов, которые отказываются от платных услуг. Более широкий охват имеет так называемый коэффициент оттока, который отличается тем, что учитывает в том числе такие виды дохода, когда клиент не платит вам напрямую. Этот показатель является обратным к коэффициенту удержания. Величину среднего жизненного цикла клиента можно рассчитать на основе коэффициента оттока, используя простую формулу:
Например, если показатель оттока составляет 5 % в месяц, то жизненный цикл вашего клиента равен 20 месяцам. Вы можете снизить коэффициент оттока, улучшив уровень обслуживания и технической поддержки клиентов, повысив качество и надежность продукта, а также создав все необходимые условия для того, чтобы он продолжал удовлетворять потребности клиентов. Поскольку коэффициент оттока – это тот показатель, который вы собираетесь отслеживать и улучшать, стоит включить его в преобразованный вариант формулы для расчета LTV. Если пренебречь коэффициентом валовой маржи, то представленное уравнение предельно ясно показывает, что повысить пожизненную ценность клиента можно двумя способами – увеличив ARPU и снизив уровень оттока:
Стоимость привлечения клиента
Давайте вернемся к показателю затрат на привлечение одного клиента (Customer Acquisition Cost, сокращенно – CAC), который вы можете рассчитать, если знаете количество новых клиентов, которых вы привлекли за отслеживаемый период, и объем затрат на продажи и маркетинг за тот же интервал времени:
Это уравнение является удобным способом для расчета CAC, но оно не обеспечивает нас показателями, которые мы могли бы реально контролировать. С применением более действенных показателей уравнение будет выглядеть следующим образом:
Стоимость привлечения (часто сокращаемая до CPA, сost per action) – это то, во сколько в среднем обходится привлечение каждого потенциального клиента. Допустим, вы размещаете рекламу через Google AdWords и платите за каждый клик (CPC, cost per click) 1$. Тогда ваш CPA составляет доллар, поскольку каждый человек, который кликнет по ссылке, попадает на ваш сайт (становится потенциальным клиентом). Чтобы увеличить прибыль с одного клиента, вы можете уменьшить CAC путем сокращения стоимости привлечения. Это возможно в том случае, если вам удастся найти более дешевые маркетинговые инструменты и каналы. Как вариант, вы можете подобрать ключевые слова с более низкими ценами за клик. При использовании рекламы, стоимость которой зависит от количества показов, вы можете снизить значение CPA, повысив эффективность рекламных сообщений (то есть добившись увеличения количества переходов по рекламной ссылке).
Когда люди кликают по вашему рекламному сообщению в Google, они попадают на целевую страницу вашего продукта и становятся потенциальными клиентами. В этом месте они могут узнать больше о вашем предложении и стать клиентами. Процент потенциальных клиентов, которые превращаются в реальных – это коэффициент конверсии потенциальных клиентов. Вы можете улучшить этот показатель, оптимизировав свои целевые страницы, что подразумевает повышение качества маркетинговых сообщений и UX-дизайна. Как вы уже знаете, A/B тестирование является отличным инструментом для достижения этих целей.
Чтобы получать прибыль, показатель LTV должен превышать показатель CAC, и чем больше величина такого превышения, тем выше прибыль. Некоторые компании предпочитают оперировать не разницей значений этих показателей, а их соотношением. Например, общее правило для успешного SaaS-бизнеса гласит, что коэффициент отношения LTV к CAC должен быть больше трех.
В этой главе я показал, как можно использовать аналитику для улучшения вашего бизнеса и создания основы для оптимизации. До запуска продукта вы в большей степени полагаетесь на результаты качественных исследований; но как только продукт попадает на рынок, в вашем распоряжении оказывается огромный объем аналитических данных. Вы можете оценить степень соответствия продукта рынку, используя когортный анализ для отслеживания показателей удержания клиентов. Кроме того, вы можете использовать систему AARRR и уравнения для анализа вашего бизнеса, чтобы определить ключевые показатели, на улучшении которых вам следует сосредоточить свои усилия. Наконец, вы можете использовать показатели LTV и CAC для достижения и повышения рентабельности своего продукта.
Опираясь на содержание этой главы, далее я поделюсь с вами описанием итеративного процесса анализа бережливого продукта, который может быть использован для оптимизации показателей вашего бизнеса. Там же представлен практический кейс, основанный на применении этого процесса и принципов, о которых вы узнали из данной главы.