Comment découvrir le "moment Aha" de votre application

Un «moment aha» correspond au moment où un nouvel utilisateur réalise d’abord la valeur de votre produit. Bien qu’il s’appelle un «moment», il s’agit plutôt d’un ensemble d’actions séparant les utilisateurs susceptibles de conserver de ceux qui le feront. Pour Facebook, c'est lorsqu'un nouvel utilisateur se connecte avec 7 amis en 10 jours. Pour Slack, c’est lorsque 2000 messages sont envoyés entre une équipe. Chaque entreprise a un «moment aha» unique et il est crucial de le découvrir pour augmenter le taux de rétention. Trouver le «moment aha» n’est pas une tâche facile. Vous trouverez ci-dessous un guide pas à pas pour vous guider tout au long du processus.

Avant de commencer, il convient de noter que, bien que ces chiffres semblent spécifiques, ils sont exactement le contraire. Un utilisateur sur Facebook peut être accroché après avoir ajouté 3 amis en 10 jours, tandis qu'un autre peut se désengager même après avoir ajouté 12 amis en 3 jours. L’avantage de définir un «moment aha» est qu’elle concentre toute l’entreprise autour d’une étoile claire et significative. Chamath Palihapitiya, ancien responsable de la croissance chez Facebook, a déclaré que l’équipe ne parlait que de «7 amis en 10 jours».

Les publications de Apptimize et Mode Analytics ont été les ressources clés de cette publication.

Étape 1: Comprendre la rétention de base

La première étape consiste à comprendre les courbes de rétention de base actuelles de votre application. Ces graphiques peuvent être facilement créés sur des services tels que Mixpanel et Amplitude. Décomposer la rétention en cohortes d’acquisition est utile pour réduire le bruit et vous permettre de voir les tendances récentes par rapport aux moyennes globales. Vous trouverez ci-dessous des exemples de données (complètement constituées) pour une application de messagerie.

Les données montrent qu'il y a une chute abrupte de la rétention après le jour 0, suivie d'un niveau de désabonnement plus graduel. Le meilleur moyen de visualiser ces informations est de les représenter graphiquement sur une période de 30 jours. Notre objectif à travers cet exercice est d'essayer d'améliorer ces pourcentages.

Étape 2: Créer des hypothèses

Maintenant que nous comprenons la rétention de base de notre application, l'étape suivante consiste à créer des hypothèses sur les actions ou fonctionnalités susceptibles d'avoir une incidence sur la rétention. Une bonne première étape consiste à examiner les données brutes des utilisateurs les plus fidèles et à les comparer à celles des utilisateurs. Quelles actions les utilisateurs fidèles ont-ils effectuées par rapport aux utilisateurs désemparés?

Dans le cas d'une application de messagerie, les utilisateurs qui ont retenu les services peuvent effectuer les actions suivantes au début de leur cycle de vie:

  • Ajouter des amis
  • Afficher un message
  • Envoyer un message

Notre hypothèse pourrait être que les utilisateurs qui ajoutent des amis ou ceux qui envoient des messages dans les premiers jours suivant leur inscription verront leur rétention renforcée. Cela semble évident, mais restez avec moi. Assurez-vous de ne manquer aucune action évidente. Il pourrait être utile de réfléchir à une liste de 20 à 30 actions effectuées par de nouveaux utilisateurs et de choisir les 2 ou 3 actions les plus pertinentes.

Étape 3: Testez les hypothèses

Sur la base de nos hypothèses, nous pouvons regrouper les utilisateurs dans des compartiments ou des cohortes comportementales selon qu'ils ont ou non effectué ces actions. En regardant ces cohortes, nous pourrons comprendre si ces actions sont réellement corrélées avec une rétention plus élevée.

Dans le cas de notre application, nous comparerons une cohorte d'utilisateurs ayant ajouté au moins un ami le premier jour après leur inscription à la ligne de base (l'ensemble de notre base d'utilisateurs).

Comme cela peut être interprété à partir des données, les utilisateurs ayant ajouté au moins un ami ont enregistré une rétention légèrement supérieure au cours des 30 premiers jours. La remontée a été la plus importante durant la première semaine.

Comparez toutes les actions clés par rapport à la ligne de base. S'il n'y a pas de différence par rapport à la base, concentrez-vous sur d'autres mesures.

Étape 4: Trouver la fréquence optimale des actions

Nous savons maintenant quelles actions sont en corrélation avec la rétention, mais nous ne savons pas trop combien de fois ces actions doivent être exécutées pour une rétention optimale. Pour qu'une action soit qualifiée de «moment aha», elle doit représenter le point de basculement pour la majorité de vos utilisateurs. Cela signifie que:

La plupart des utilisateurs ayant effectué l'action ont conservé

ET

La plupart des utilisateurs qui ont conservé, effectué l'action

Notre objectif est de maximiser la zone ombrée. Cela peut être assez déroutant, alors présentons un exemple ci-dessous pour mieux vous aider à comprendre comment cela fonctionne et quelles erreurs éviter.

La première étape consiste à définir la rétention, qui dépend en grande partie de votre application et de vos préférences. Par exemple, il peut s’agir d’un utilisateur qui s’est connecté au moins 4 fois au cours de la quatrième semaine après l’enregistrement (semaine 4 à L7 4 +). Vous devez ensuite définir le nombre de jours après l’enregistrement à inclure dans le nombre d’activités. Par exemple, vous pouvez compter le nombre d'amis ajoutés après une session, une journée ou une semaine.

Il peut être tentant de regarder une cohorte d’utilisateurs en fonction du nombre de fois où ils ont effectué la fréquence de leurs activités et de la question de savoir s’ils ont conservé ou non, comme présenté ci-dessus. Cette information nous amènerait à conclure que nous devrions inciter les utilisateurs à ajouter autant d'amis que possible car le taux de rétention est plus élevé. Cependant, en faisant cela, nous ne tiendrions pas compte de la masse de personnes qui conservent leurs fonctions mais ne réalisent pas ce niveau d’activité.

Sous la forme graphique ci-dessous, nous pouvons voir que bien qu'une majorité d'utilisateurs ayant ajouté au moins 8 amis retenus (un pourcentage élevé d'or est ombré ci-dessous), cela ignore une population importante d'utilisateurs ayant conservé mais n'ayant pas réalisé ce niveau d'activité ( petit pourcentage de bleu est ombré ci-dessous).

UTILISATEURS QUI ONT AJOUTE AU MOINS 8 AMIS

La plupart des utilisateurs ayant effectué l'action (ajout de ≥ 8 amis) ont conservé OUI

ET

La plupart des utilisateurs ayant conservé ou exécuté l'action (ajout de ≥ 8 amis) NON

D'un autre côté, seule une minorité d'utilisateurs ayant ajouté au moins un ami a été retenue (un petit pourcentage de l'or est ombré ci-dessous), mais parmi les utilisateurs ayant conservé un ami, une majorité a ajouté au moins un ami (un pourcentage élevé de bleu est ombré ci-dessous).

UTILISATEURS QUI ONT AJOUTE AU MOINS 1 AMI

La plupart des utilisateurs ayant effectué l'action (ajout de ≥ 1 ami) ont conservé NO.

ET

La plupart des utilisateurs qui ont conservé, effectué l'action (ajout de ≥ 1 ami), OUI

Notre objectif est de trouver le point idéal qui maximise la région ombragée, tout en minimisant les régions bleues et dorées. Nous voulons que nos deux déclarations soient OUI. Dans un monde parfait, nous souhaiterions un chevauchement à 100% des deux cercles (tous les utilisateurs ayant effectué le niveau d'activité, conservés, et tous les utilisateurs ayant conservé, ayant réalisé le niveau d'activité), mais cela n'est pas pratique. En ajoutant une colonne supplémentaire d’utilisateurs qui ont conservé le niveau d’activité mais n’ont pas atteint leur niveau d’activité, nous pouvons le calculer facilement. Ceci est, encore une fois, des données exemple.

  • A: conservé mais n’a pas ajouté au moins [X] amis (région bleue)
  • B: retenu et ajouté au moins [X] amis (région ombrée)
  • C: Ajout d'au moins [X] amis (région ombrée + région dorée)

Sur la base des données, le nombre optimal d'amis à ajouter pour maximiser le chevauchement est de trois.

UTILISATEURS QUI ONT AJOUTE AU MOINS 3 AMIS

La plupart des utilisateurs ayant effectué l'action (ajouté ≥ 3 amis) ont conservé OUI

ET

La plupart des utilisateurs qui ont conservé, effectué l'action (≥ 3 amis ajoutés) OUI

Vous voudrez effectuer cette analyse pour chacune des métriques sur lesquelles vous avez supposé des impacts sur la rétention. Si votre société dispose d'une équipe de science des données, il est possible d'effectuer cette analyse plus rapidement à l'aide de la modélisation par arbre de décision.

Étape 5: Vérification de l'intégrité avec des graphiques

Pour visualiser les résultats, il est utile de créer une cohorte comportementale (cette fois-ci avec les utilisateurs ayant ajouté au moins 3 amis) et de tracer la rétention. Nous pouvons voir que la rétention est beaucoup plus élevée que la base pour ce groupe, et également plus élevée que celle de la cohorte comportementale comprenant les utilisateurs ayant ajouté au moins un ami.

Étape 6: Déterminer le lien de causalité

Bien que nous ayons identifié des points d'arrêt et des actions optimales, notre analyse reste entièrement corrélative. Afin de déterminer le lien de causalité, vous devez exécuter des tests A / B pour déterminer comment les modifications apportées au produit affectent réellement la rétention. Dans notre exemple, nous avons déterminé que nous devrions viser à amener les utilisateurs à ajouter au moins trois amis au début de leur cycle de vie. Espérons que, ce faisant, les utilisateurs connaîtront une rétention plus élevée.

Certains tests de produit que je considérerais exécuter incluent:

  • Proposer aux utilisateurs d'ajouter des amis plus tôt dans le processus d'inscription
  • Faites des suggestions d'amis plus importantes après votre inscription
  • Ajouter des info-bulles qui invitent les utilisateurs à ajouter des amis au cours des premières sessions

Chaque application est différente et de nombreux tests peuvent être exécutés. Dans l’idéal, il est judicieux d’effectuer plusieurs tests avant de conclure que vous avez trouvé un véritable «moment aha». Une fois que vous avez validé un «moment aha», définissez-le comme une étoile du nord et concentrez-vous sur votre équipe!

Bonne chance!

Sources: Apptimize, Mode Analytics