Возможно, вы слышали фразу «липкий продукт». В контексте аналитики «липкость» является синонимом частоты использования, привязанности пользователя к продукту. О том, для каких продуктов подходит метрика Stickiness и как её анализировать — рассказываем в статье.

Липкость (Stickiness) — это частота, с которой пользователь взаимодействует с вашим продуктом. Она измеряется в количестве дней, в которые пользователь был активным или выполнил определенное действие.

В качестве метрики липкость обычно определяется как отношение ежедневных активных пользователей к ежемесячным активным пользователям (DAU/MAU) и интерпретируется как «в среднем люди используют приложение X дней из 30». Это определение липкости стало популярным в играх для социальных сетей и связано с быстрым ростом Facebook. Кстати, сам по себе Facebook обладает невероятно высокой липкостью — более 50%. В среднем пользователь использует Facebook больше 15 дней из 30. Когда Facebook начал популяризировать метрику DAU/MAU, все больше и больше приложений стали применять её в качестве основного KPI.

Имейте в виду, что липкость, удержание и конверсия — это разные аспекты вовлечения пользователей. Липкость не должна измеряться отдельно, она должна быть частью широкого набора показателей, которые вы должны измерять и отслеживать. Для измерения этой метрики необходимо знание двух вещей: кто ваши пользователи и как часто они что-то делают в продукте.

Метрика Stickiness может быть двух видов:

• общая (general usage stickiness): сколько дней из недели или месяца пользователи делали что-либо в вашем продукте.
• липкость критических событий (critical event stickiness): сколько дней в неделю или месяц пользователи совершали критическое событие.

Для примера анализа липкости продукта обратимся к AmpliTunes — демонстрационному проекту внутри Amplitude с искусственными данными. Он схож с iTunes и позволяет пользователям воспроизводить и покупать песни и видео. Интервал использования AmpliTunes — ежедневно, критическим событием является воспроизведение песни или видео.

Используем Amplitude

Допустим, мы хотим сравнить липкость критического события двух разных групп пользователей:

• «добавляют в избранное»: пользователи, которые добавили в избранное 10 и более единиц контента в месяц
• «создатели контента»: пользователи, которые публикуют контент 5 и более раз в месяц.

ШАГ 1

Создайте новый отчет «Stickiness» и в левом блоке установите событие «Play Song or Video»

ШАГ 2

В дополнение к анализу всех пользователей, добавим группы «добавляют в избранное» и «создатели контента». Для этого нажмите «Add Segment» и в добавленном сегменте установите нужные события и их частоту. В данном случае «Favorite Song or Video» >= 10 раз и «Post Community Content» >= 5 раз.

ШАГ 3

Рассчитайте еженедельное (weekly) кумулятивное (cumulative) значение липкости. На графике можно будет увидеть долю пользователей, которые выполнили критическое событие «Play Song or Video» n дней или более в неделю.

Сравнивая две группы пользователей, мы видим, что более 75% пользователей из группы «создатели контента» воспроизводили песню или видео в течение четырех и более дней в неделю, в сравнении с 60% у группы «добавляют в избранное». Возможно, событие «воспроизведение контента» имеет решающее значение для управления циклом обмена ценностями в этом продукте. Тогда следует подумать о том, какие триггеры можно использовать, чтобы заставить больше пользователей публиковать контент.

Измерение липкости, как числа дней в месяц (DAU/MAU), работает не для каждого продукта. Иногда Stickiness просто не является правильной метрикой вовлечения пользователей. Например, для e-commerce проектов более важна выручка. Если клиенты посещают сайт только три раза в год, но совершают дорогостоящие покупки, ваш показатель липкости может быть низким, но обмен ценностями все еще происходит. Пользователи бухгалтерского ПО, например, ценят в нем простоту и эффективность. Если эти клиенты решают свои задачи быстрее, они пользуются продуктом меньше, но при этом остаются довольны и платят за него.

Если ваш продукт не предполагает высокую частоту использования, то в качестве альтернативы можно использовать метрику Lness. Вместо сбора и анализа данных на уровне месяца будут использоваться данные по количеству дней. Например, L5/7 покажет, какой % пользователей воспользовался продуктом 5 дней из 7.