Una versione potenziata dell’analisi di come le caratteristiche del prodotto influenzano la fidelizzazione

Una versione avanzata dell'analisi su come le caratteristiche del prodotto influenzano la fedeltà del cliente

Un approccio semplice e potente per segmentare le caratteristiche del tuo prodotto in Core, Power e Casual.

Nel post precedente, ti ho mostrato un modo semplice per misurare la retention delle caratteristiche del prodotto.

Dopo aver applicato l’analisi, abbiamo ottenuto una tabella con la retention per caratteristica come questa (ordinata per [Percentuale media di utenti restituiti] decrescente):

• Da un lato, abbiamo ottenuto informazioni utili su quali caratteristiche del prodotto influenzano maggiormente la retention del prodotto.
• Dall’altro lato, non abbiamo a disposizione dati sul numero di utenti che hanno utilizzato queste caratteristiche, quindi non possiamo essere sicuri che queste cifre siano affidabili.

Aggiungiamo [# utenti] e consideriamo di nuovo questa tabella.

Ora possiamo facilmente individuare un problema: ad esempio, le prime due caratteristiche del prodotto (feature27, feature34) con la più alta [Percentuale di utenti restituiti] hanno un volume piuttosto modesto in termini di [# utenti].

• Immersione profonda in Amazon EC2 ottimizzazione dei carichi di lavoro con informazioni sull’hardware
• Alibaba presenterà la serie Qwen-Audio un insieme di modelli audio-lingua su larga scala con capacità di comprensione universale dell’audio
• Ricercatori del MIT hanno sviluppato una tecnica di apprendimento automatico che consente ai modelli di deep learning di adattarsi efficientemente ai nuovi dati dei sensori direttamente su un dispositivo edge.

In realtà, questo problema è molto comune in molte analisi che ho visto. Spesso l’analista presenta una misura di qualità piuttosto interessante, ma non è supportata da una misura di quantità. Di conseguenza, alcune delle nostre decisioni possono essere almeno subottimali e nel peggiore dei casi completamente sbagliate.

Quindi come possiamo risolvere questo problema?

Uniamo entrambe le metriche (qualitative e quantitative) in un unico grafico. Il modo più adatto per farlo è un diagramma di dispersione:

• mettiamo sull’asse X la metrica [Percentuale di utenti], è la nostra metrica di quantità che misura la popolarità di una caratteristica del prodotto.
• mettiamo sull’asse Y la metrica [Percentuale di utenti restituiti], è la nostra metrica di qualità che misura il valore di una caratteristica del prodotto.

Il grafico risultante potrebbe apparire così:

Sembra che finora sia piuttosto difficile trarre conclusioni significative dal grafico.

Cosa possiamo fare per migliorare la chiarezza del grafico?

Applichiamo la regola del percentile 50/80 del post precedente.

In realtà, applicando 2 soglie per [Percentuale di utenti] e [Percentuale di utenti restituiti], otterremo 9 cluster.

Il grafico a dispersione delle caratteristiche del prodotto clusterizzato potrebbe apparire così:

Aggiungendo soglie percentile al grafico, possiamo ora distinguere i seguenti cluster di caratteristiche del prodotto:

• Core: [Percentuale di utenti] > 80 percentuale, [Percentuale di utenti restituiti] > 80 percentuale
• Power1: [Percentuale di utenti] > 80 percentuale, [Percentuale di utenti restituiti] in [50, 80] percentuale
• Power2: [Percentuale di utenti] in [50, 80] percentuale, [Percentuale di utenti restituiti] > 80 percentuale
• Casual1: [Percentuale di utenti] in [50, 80] percentuale, [Percentuale di utenti restituiti] in [50, 80] percentuale
• Casual2: [Percentuale di utenti] in [50, 80] percentuale, [Percentuale di utenti restituiti] < 50 percentuale
• Casual3: [Percentuale di utenti] < 50 percentuale, [Percentuale di utenti restituiti] in [50, 80] percentuale
• Set-up: [Percentuale di utenti] > 80 percentuale, [Percentuale di utenti restituiti] < 50 percentuale
• Niche: [Percentuale di utenti] < 50 percentuale, [Percentuale di utenti restituiti] > 80 percentuale
• Altri: [Percentuale di utenti] < 50 percentuale, [Percentuale di utenti restituiti] < 50 percentuale

Discutiamo un po’ di ogni cluster.

Le caratteristiche Core sono il vero nucleo del tuo prodotto. Queste caratteristiche sono utilizzate da molti utenti e, cosa ancora più importante, gli utenti tornano a utilizzare queste caratteristiche. Di solito, potrebbero essere un numero molto limitato di tali caratteristiche (2-3 caratteristiche).

Le caratteristiche Power sono il motore del tuo prodotto. Queste caratteristiche, combinate con le caratteristiche core, offrono circa l’80% del valore regolare che il tuo prodotto crea. Alcune delle caratteristiche power (Power1) sono popolari quanto le caratteristiche core, ma portano meno valore agli utenti. Altre caratteristiche power (Power2) portano tanto valore quanto le caratteristiche core, ma sono meno popolari. Di solito, ci potrebbero essere da 3 a 5 caratteristiche in ciascun cluster power.

Le caratteristiche Casual sono caratteristiche che vengono utilizzate di tanto in tanto. Portano anche qualche valore agli utenti, ma per la maggior parte sono funzionalità di supporto.

Le caratteristiche Set-up sono un sottoinsieme unico di caratteristiche progettate per configurare un prodotto per un uso conveniente successivo. Molti utenti le utilizzano, ma di solito avviene una sola volta, nella fase di onboarding.

Le caratteristiche Niche sono un sottoinsieme molto speciale di caratteristiche che potrebbero portare un’enorme quantità di valore, ma questo valore è percepito solo da un numero limitato di utenti.

Ora siamo pronti per confrontare i risultati di questo approccio equilibrato con i risultati del post precedente:

Come possiamo vedere in cima alla lista ci sono alcune caratteristiche Niche.

Sicuramente possiamo provare a migliorarne l’adozione e spostarle dal cluster Niche al cluster Power2 o addirittura Core. Per alcune di esse è possibile, per altre no. Ma il punto principale qui è non assumere semplicemente che qualsiasi caratteristica con un’alta retention sia una caratteristica core.

Inoltre, si noti che alcune caratteristiche possono spostarsi da un cluster all’altro nel corso del tempo. Potrebbero esserci diverse ragioni per questo: nuovi sforzi di acquisizione di utenti, modifiche UX nelle caratteristiche, maturazione della base utenti, ecc.

Infine, raggruppiamo le caratteristiche in cluster e calcoliamo i centroidi dei cluster:

Ci sono diverse importanti intuizioni qui:

• I cluster Core + Power costituiscono solo circa il 20% di tutte le caratteristiche del prodotto.
• Il cluster Others rappresenta il 27% di tutte le caratteristiche e allo stesso tempo serve solo all’8,7% degli utenti.
• Le caratteristiche Niche sono utilizzate solo dall’11,3% degli utenti e allo stesso tempo hanno la più alta retention (ancora superiore al cluster Core).

Nel prossimo articolo, parlerò di un’altra prospettiva sulla definizione di retention delle caratteristiche.

P.S. C’è un modo migliore per raggruppare le caratteristiche del prodotto basato sul coefficiente MCC.