Когортный анализ в играх и приложениях

RU
Некоторые аспекты когортного анализа аудитории игр и приложений: зачем он нужен вашему проекту, что такое когорта, примеры того, как можно использовать такую аналитику
Когортный анализ в играх и приложениях
Published
21.01.2021
|
devtodev

Когортный анализ - это очень важный инструмент в аналитике, который приобрёл большую популярность много лет назад, когда начал происходить переход от работы с абсолютными и обобщёнными метриками к поюзерному анализу. Этот вид анализа позволяет гораздо точнее анализировать аудиторию и её поведение и корректно делать выводы об изменениях в продукте. В этой статье мы поговорим о том, что это за анализ, в каких случаях его стоит использовать, в чем его особенности и как он работает в devtodev

Регистрируйтесь на devtodev и проходите бесплатные онлайн-курсы, посвящённые различным аспектам геймдева

Сначала выясним, что такое когортный анализ, и начнём с понятия “когорта”. Когорта - это группа пользователей, которые установили приложение в один период времени. Это может быть день, неделя, месяц, квартал или любой другой период. В этом заключается ключевая особенность когортного анализа в играх и приложениях - мы оперируем исключительно группами и сравниваем их между собой. Это позволяет нам рассматривать поведение пользователей, которые начали пользоваться продуктом, например, месяц назад, следить за их активностью с течением времени, платежами и не сравнивать с теми, кто в приложении уже больше полугода, так как метрики этих двух групп в момент анализа будут сильно отличаться. Они могут быть схожи, когда когорты “прожили” в приложении одинаковое количество дней, но 3-й день когорты в приложении не стоит сравнивать с 30-м днём другой когорты. 

Также стоит упомянуть, что есть метрики, которые можно рассчитывать только по когортам - это retention и cumulative ARPU, так как они показывают как меняется поведение пользователей с течением времени. 

Рассмотрим пару случаев, когда стоит применять когортный анализ.

Читайте также: метрика Total Daily Play Time

Прогнозирование дохода

Как упоминалось ранее, существует метрика cumulative ARPU, которая рассчитывается только когортно и показывает, какой доход в среднем принесёт пользователь за определённое количество дней в приложении. Величина накопительного ARPU только растет, но со временем перестаёт меняться и превращается в практически горизонтальную линию. Это говорит о том, что пользователи когорты перестают платить. Это может произойти, например, если они просто перестали пользоваться продуктом или купили полный доступ к функционалу навсегда и им больше нечего покупать. Когда это происходит, можно говорить о том, что мы знаем значение их LTV. Таким образом мы знаем, сколько в среднем денег заплатит пользователь на определённый день жизни в проекте. И можем использовать это значение для прогнозирования дохода от новых пользователей и других когорт. Например, мы знаем, что средний пользователь за 30 дней в проекте заплатит $2. И если мы привлечем 1000 пользователей за $1500, то скорее всего эти затраты окупятся в течение месяца (при условии, что характеристики “купленных” пользователей будут схожи с анализируемой когортой). А если мы анализировали эту когорту дольше, например 3 месяца, и выяснили, что за этот период пользователь в среднем заплатит $3,5, то мы сможем прикинуть, какой доход мы получим от привлечённых пользователей за этот период: 

1000*$3.5-$1500 = $2000 

Читайте также: метрика Rolling Retention

Оценка результатов изменений

Когортный анализ удобно применять если нет возможности провести A/B тест, но в продукте были сделаны изменения и нужно оценить их эффективность и влияние. В этом случае можно сравнить метрики когорты, которая сформировалась до совершения изменений, и когорту после изменений. Например, был изменён дизайн внутриигрового магазина, что могло повлиять на конверсию в платёж и ARPU. Сравнив эти метрики у двух когорт, мы можем оценить, как повлияло на аудиторию данное изменение. В примере ниже ключевые метрики у второй когорты выше, поэтому можно сделать вывод, что эксперимент был удачным.

Когортный анализ приложения

Когортный анализ в devtodev можно сделать в специальном разделе левого меню с аналогичным названием “Cohort analysis”. На вкладке Custom Cohorts изначально стоит выбрать несколько когорт, которые планируется сравнить, и метрики, по которым мы будем оценивать когорты. Среди метрик могут быть не только финансовые, но и поведенческие, такие как конверсия в прохождение туториала, удержание, количество сессий на пользователя и много других. Выбор метрики зависит от того, на что был направлен эксперимент и на что он должен был повлиять.

Когортный анализ в аналитической системе

Такой анализ позволяет создать примерно одинаковые условия для сравниваемых пользователей, так как бессмысленно сравнивать в один момент времени пользователей, которые провели в приложении 3 месяца с теми, кто установил его 7 дней назад. Как минимум, у вторых было меньше времени на совершение платежа. Но используя когортный анализ мы сравниваем одинаковые метрики для разных на текущий момент пользователей (например, Cumulative ARPU 7го дня), что делает такую оценку более точной и справедливой.

Read more