Почему одни продукты взлетают, а другие остаются в тени?

Проблема традиционных методов изучения пользователей в том, что они относятся к качественным и не позволяют анализировать одновременно поведение миллионов пользователей выискивая паттерны и аномалии (к качественным можно отнести и некоторые инструменты аналитических платформы - вебвизор и его аналоги, а к количественным но малоинформативным - тепловую карту сайта, карту кликов и т.д.)

Например, когда Instagram только начинал развиваться, его создатели заметили, что пользователи проводят больше времени, редактируя и публикуя фотографии, чем взаимодействуя с социальными функциями. Вместо того чтобы добавлять новые разделы или улучшать ленту новостей, команда сосредоточилась на фильтрах и упрощении процесса публикации. Это решение сделало Instagram одной из самых популярных платформ в мире и привело, сами знаете, к чему — покупке этой соцсети Facebook за $1 млрд.

В этом лонгриде мы разберем, что такое поведенческая аналитика и как она помогает понимать пользователей. Поговорим о её преимуществах перед традиционными методами, объясним, как поведенческая аналитика связана с aha-моментом, и рассмотрим примеры её применения в бизнесе.

Также вы узнаете, как внедрить аналитику в свой продукт, какие ошибки стоит избегать и какие ограничения у метода существуют. Всё это поможет вам перестать гадать о потребностях пользователей и начать принимать решения на основе данных.

Поехали

Проблема традиционных методов изучения пользователей в том, что они относятся к качественным и не позволяют анализировать одновременно поведение миллионов пользователей выискивая паттерны и аномалии (к качественным можно отнести и некоторые инструменты аналитических платформы - вебвизор и его аналоги, а к количественным но малоинформативным - тепловую карту сайта, карту кликов и т.д.)

Может показаться, что уже есть проверенные способы изучения пользователей: опросы, фокус-группы, интервью. Разве этого недостаточно?

Эти методы действительно дают очень глубокие ответы. Но есть подвох: люди не всегда честны в том, что действительно думают, и тем более в том, что делают. В опросах пользователи могут искажать картину, рисуя идеальную, по их мнению, картинку.

Например, сказать, что очень любишь спорт, и не упомянуть, что дальше “Матч ТВ” эта любовь не уходит — свойство, а не порок человеческой природы. И в этом скрывается большое пространство для возможной ошибки.

В фокус-группах другая проблема. Во время тестирования интерфейса пользователи наверняка будут говорить, что им многое удобно и понятно. Однако после выхода продукта может оказаться, что большинство функций сложны в использовании, а его интерфейс вовсе не соответствует ожиданиям. Причина проста: участники фокус-групп часто боятся критиковать продукт, особенно если разработчики находятся “за стеклом”.

То есть – интервью и фокус-группы могут быть подвержены искажениям восприятия или социальным давлениям, а поведенческая аналитика предоставляет адекватную картину того, как пользователи взаимодействуют с продуктом. Причастные к этому факторы лежат на поверхности:

1. Объективность: пользователи делают то, что хотят, когда никто не следит за ними.

В эти моменты поведенческая аналитика фиксирует все их действия без фильтров и ложных интерпретаций. Люди часто говорят одно, а делают другое.

2. Масштаб: одно, два или десять интервью не являются гарантией, что паттерн повторится на масштабе сотен тысяч юзеров. Количество респондентов всегда ограничено физическими возможностями команды исследователей. В поведенческой количественной аналитике можно изучать поведение одновременно миллионов пользователей в реальном времени.

Может показаться, что слова пользователей дают полную картину, но правда в том, что они часто расходятся с действиями. “Рублем” они могут проголосовать за ваших конкурентов. Тогда как узнать, чего они действительно хотят? Как научиться "слушать" их поведение?

Как понять, чего хотят пользователи?

Ответ кроется в идентификации так называемого aha-момента. Это ситуация, когда пользователи осознают ценность вашего продукта, понимая, что именно он помогает им решить проблему или удовлетворить потребность.

Факт этого события важен, потому что он способствует глубокой связи между пользователем и продуктом. Именно в этот момент происходит переход от простой заинтересованности к лояльности – а это в свою очередь главный шаг к достижению product-market-fit.

Именно анализ поведения пользователей (а вернее, изменений в нем) позволяет определить этот ключевой момент. В отличие от опросов или фокус-групп, где пользователи могут привирать, поведенческая аналитика покажет вам данные о реальных действиях людей. Например, что произошло перед покупкой или поспособствовало ей.

Самое интересное, что этот творческий поиск может решаться в рамках вполне конкретных фреймворков и типов отчетов – например, когортного анализа, воронок или диаграммы пути клиента. Это тот самый случай, когда трезвый взгляд на цифры позволяет преодолеть субъективный шум разрозненных качественных исследований,

Другими словами, поведенческая аналитика - это возможность проследить последовательность действий всех пользователей, их взаимодействие с элементами цифрового продукта позволяют выявить закономерности, корреляции, паттерны у разных групп пользователей и четко определить как например себя ведет мотивированная аудитория, что именно из функций она использует перед совершением целевого действия

Для Dropbox aha-моментом долго считался случай, когда пользователь сохранял и делился своим первым файлом — об этом писал Шон Эллис. Это момент осознания удобства платформы. Он критичен, так как становится маркером активного использования продукта, а не исследования триальной версии. Поведенческая аналитика помогла зафиксировать этот момент, отслеживая общие паттерны того, как пользователи взаимодействуют с функциями хранения файлов (и как это коррелирует с деньгами).

Для Facebook aha-моментом считалась ситуация, когда пользователь добавлял 7 друзей в первые несколько дней после регистрации. Это был знак принятия социальной ценности платформы, так как для полноценного опыта важно почувствовать присутствие в новой среде своего ближнего круга.

В обоих случаях поведенческая аналитика помогала не только зафиксировать aha-момент, но и понять, какие действия или изменения в продукте приводили к его наступлению – при том, что инструмент еще давал возможности глубоко погружаться в паттерны поведения. Сейчас, с помощью платформ продуктовой аналитики можно существенно сократить путь к результату. Но даже тогда это позволяло выявить, что делает пользователя лояльным, и усилить этот момент для повышения удержания и вовлеченности.

Как же работать и принимать решения так, как это делают Facebook или Dropbox? Ну и вообще…

Пример: практически любой сильный e-commerce-проект использует поведенческую аналитику для отслеживания того, какие товары пользователи ищут, какие добавляют в корзину, а какие покупают. Эти данные помогают строить алгоритмы рекомендаций и подбирать содержимое карточек товара. Если пользователь несколько раз просматривает один и тот же товар, ему может быть предложена скидка. Это естественным образом влияет на вероятность покупки — того самого aha-момента.

Amazon собирает огромное количество данных о том, что пользователи ищут, что добавляют в корзину, что покупают и сколько времени они проводят на различных страницах товаров. По разным оценкам до 70% процентов интерфейса используется для последующих рекомендаций.

Например, если пользователь просматривает определенную категорию товаров (например, спортивную обувь), система начинает предлагать ему похожие продукты.

Другой интересный продукт поведенческой аналитики – покупка в один клик. Это функция эффективно легла на потребности сегмента пользователей, склонных к быстрому и комфортному шоппингу.

Что общее для всех этих кейсов?

Основной принцип заключается в сборе и анализе данных о каждом действии пользователя: клике, просмотре, скролле, переходе между страницами, времени, проведенном на сайте, и активируемых функциях. Итоговый датасет используется для выявления паттернов и закономерностей, чтобы улучшить продукт.

Представим ситуацию оптимизации клиентского пути. Когда внешний трафик с массы источников распределяется по массе посадочных страниц с группировкой по источникам, устройствам и гео. Целевое действие при этом одно, а пространств для фрустрации масса. Во многом потому, что команда может отталкиваться исключительно от поверхностных интервью или быстрых коридорных тестов

А что если решать проблему в более широком и общем ключе? С помощью хорошо зарекомендовавшего себя инструмента? Например, диаграммы пути клиента.

Диаграмма пути клиента или диаграмма Сенки — это визуальное представление того, как клиент взаимодействует с вашей компанией на разных этапах. Она показывает, что происходит с клиентом от первого знакомства с продуктом или услугой до завершения покупки и даже после нее.

Чаще всего это предварительно размеченные точки касания, такие как визиты на сайт, клики, отправки форм или просмотры контента. Все они связаны между собой путями, которые проходят пользователи. Основная цель диаграммы пути клиента — лучше понять опыт пользователей, найти общие паттерны и затем реплицировать лучшие и исключить самые неудачные.

Такой подход требует от команды роста всего нескольких шагов.

Этапы внедрения поведенческой аналитики

1. Определение целей и ключевых метрик

Прежде чем начинать собирать данные, важно четко определить, что именно вы хотите понять о поведении пользователей. Это могут быть вопросы, такие как:

Такие вопросы (и глубокое понимание их необходимости) дадут отличную базу для поиска инсайтов с помощью поведенческой аналитики

2. Выбор аналитических инструментов

Крайне важно, чтобы выбранный инструмент позволял отслеживать не только страницы, которые посещают пользователи, но и их взаимодействие с контентом и функциями цифрового продукта (клики, скроллы, лайки, сравнения, чтение отзывов просмотры видео и т. д.) в автоматическом или полуавтоматическом режиме. В противном случае работа с отчетом о пути клиента будет проблематичной.

Обратите внимание на способы имплементации – есть ли у сервиса JS–сниппет для размещения на вебсайте и SDK для мобильного приложения или только что-то одно. Конечно, первая опция более предпочтительно. Есть-ли авторазметка или придется размечать все самим,можно ли забирать и трансформировать данные из формата Google Tag Manager (DataLayer), который долгое время использовался в России

Очень хороший знак, если выбранное вами приложение позволяет работать с атрибутами событий, свойствами пользователей и специфическими параметрами – типа окна атрибуции или признака когорты.

Например, GA4 или Яндекс Метрика дают достаточно сильные инструменты для сегментации, но вот с когортами (особенно в Метрике) сложнее. А инструмент анализа пути пользователей в GA4 вообще уж очень простенький.

3. Сбор и анализ данных

Основное внимание стоит уделить важнейшим действиям пользователей — например, регистрации, совершению покупок или добавлению товаров в корзину. Также полезно отслеживать взаимодействие с ключевыми функциями продукта, напрямую или опосредовано связанными с Aha-момент��м – например, клики по кнопкам ”Добавить в избранное" или "Поделиться".Анализ путей пользователей поможет связать между собой эти события и идентифицировать самые эффективные комбинации ивентов и переходов между ними.

Отличной практикой является использование автоматической разметки событий. Это позволяет избавиться от ненужных рутин и настроить систему так, чтобы она автоматически фиксировала важнейшие взаимодействия с вашим продуктом без необходимости вручную прописывать каждое из них.

4. Создание отчета

Следующим шагом является составление отчета о пути пользователя. В этом месте вернитесь к тем вопросам, на которые вы хотите получить ответы, выберите целевое действие, нужные события и важные для анализа параметры – например, количество шагов до конверсии. Так вы найдете тот самый инсайт, который потом ляжет в основу вашей гипотезы.

Например, анализ пути пользователей может показать, что посещение страниц с определенным контентом непосредственно перед конверсией крайне позитивно сказывается на вероятности этой самой конверсии. Такие гипотезы в 2-3 раза чаще дают рост в A/B-тестах, т.е. Не в 10% случаев, а в 20-30 и более

5. Проверка гипотез

Гипотезы, которые вы извлечете, должны подвергаться проверке. Например, если вы обнаружили, что пользователи часто покидают страницу оформления заказа, можно протестировать разные варианты интерфейса или изменить порядок шагов на странице, чтобы сделать процесс более интуитивным и повысить вовлеченность клиента.

Пример реализации поведенческой аналитики

Реализация поведенческой аналитики может варьироваться в зависимости от бизнеса, но ключевым элементом всегда является сбор и эффективный анализ данных о действиях пользователей.

Внедрение ее требует внимательной подготовки, правильных инструментов и четкого понимания целей. Только при верном подходе получится имплементировать данные в ценные инсайты, которые помогают улучшить продукт и пользовательский опыт.

Рассмотрим, как это можно делать на примере одного из аналитических инструментов — UXRocket от компании ExciteKit.

Этот сервис позволяет автоматизировать сбор данных о поведении пользователей, анализировать их на различных этапах взаимодействия с продуктом, выявлять ключевые ценностные моменты и находить инсайты для роста вашего продукта

Приложение выполняет авторазметку – это крайне важно для грамотной поведенческой аналитики, поскольку разгружает вас от ненужных рутин и дает возможность посвятить себя действительно актуальным проблемам – поискам инсайтов с помощью мощных отчетов: скажем воронок, когортного анализа, диаграммы Сенки и других.

UXRocket также предоставляет мощные инструменты для сегментации пользователей: вы можете в автоматическом и ручном режиме преднастроить массу параметров пользователей событий, использовать их как признаки сегментов, когорт и фильтров. Доступны варианты отслеживания как в мобильном приложении, так и в вебе.

Процесс настройки отчета интуитивно понятен как лего: та же диаграмма Сенки строится в несколько кликов после указания одного или нескольких целевыхсобытий и количества шагов до (или после) него. Как правило, этого уже достаточно, чтобы собрать первые, низко висящие фрукты в виде самых жирных инсайтов.

Вишенка на торте – мощный функционал визуализации. Вы можете “схлопывать” одинаковые события, двигаться вперед и назад по отношению к целевому действию, применять разнообразные фильтры, разбивку по атрибутам события и удобно идентифицировать удачные конверсионные пути с помощью банального drag-and-drop.

Такой подход удобен тем, что не только указывает на вероятный aha-moment, но и тем, что подсвечивает связанные с этапом активации элементы функционала и целые отрезки пользовательского пути.

А это сразу же накладывает мультипликатор на количество свежих привлекательных гипотез в вашем бэклоге.

Какие еще исследовательские методы и инструменты позволяют быстро находить инсайты в поведенческой аналитике и не требуют знания SQL мы рассмотрим в следующей статье ? Корреляционный анализ, Импакт-анализ и много другое нам предстоит вместе с вами дорогие читатели подробно разобрать на живых примерах.

Выводы

Поведенческая аналитика — это мощный инструмент, который позволяет глубже понять пользователей, их потребности и поведение. В отличие от традиционных методов исследований, таких как опросы или фокус-группы, она дает более объективные и масштабируемые данные.

Этот подход честнее, так как данные собираются на основе реальных действий пользователей, а не их слов, что исключает искажения, часто возникающие в качественных исследованиях.

Главный продукт поведенческой аналитики – идентификация Aha-момента и упрощения путей клиентов в ценностному действию. Это играет ключевую роль в понимании ценности продукта для пользователя. Это момент, когда человек осознает его пользу и начинает активно взаимодействовать с продуктом.

Большинство этих проблем можно решить с помощью мощных аналитических сервисов, которые помогают собирать и обрабатывать данные, предоставляя глубокие инсайты в удобном и доступном формате.

Один из таких инструментов — UXRocket от компании ExciteKit.

Если вы хотите увидеть, как это работает на практике и как поведенческая аналитика может помочь улучшить ваш продукт, оставьте заявку оставте заявку для получения демо-доступа, переходите в наш VK или подписывайтесь на наш ТГ-канал, чтобы быть в курсе самых передовых технологий селф-сервис аналитики для маркетинговых и продуктовых команд.

В следующей статье расскажем о том, что такое цифровой путь клиента, как его строить и сравним 4 самых мощных инструмента в мире для построения цифрового пути клиента: Amplitude, Mixpanel, Google Analytics и UX Rocket.

#продуктовая_аналитика #маркетинг #growth_hacking