Володимир Алєксєйченко, Head of Product у компанії AlphaNovel (від venture builder SKELAR), підготував для AIN.UA колонку про створення сегментів та кластерів у бізнесі. Проблема виросла з власних потреб: користувачі продукту неоднорідні, а тому потребували різного підходу. Як з цим працювали?
Автор бестселеру 10x Is Easier Than 2x Ден Салліван вчить підприємців із усього світу принципу експоненційного зростання. Якщо просто – прагнення зростати 10х робить ваші ресурси ціннішими, процес – кост-ефективнішим, а результати – прибутковішими.
Наприкінці 2022-го ми з командою AlphaNovel закривали seed-раунд. Оскільки головна мета раунду А – масштабування, почали з найважливішого – з планування. Тому разом із командою ми почали рахувати, куди слід рухатися для найбільшого успіху нашого бізнесу.
За принципом Дена Саллівана, кожну задачу ми оцінюємо за 3 критеріями – складність реалізації, output та вірогідність успіху. Найбільш кост-ефективні – пріоритезуємо. Проте на момент планування в команди ще не було сміливих ідей, тож ми сіли працювати з даними.
Почнемо з початку
AlphaNovel – це екосистема для читачів і письменників з усього світу, де немає видавців, а книжкові бестселери визначають користувачі. Застосунок працює за транзакційною freemium-моделлю – це означає, що частина контенту доступна всім користувачам безкоштовно, але якщо вони хочуть продовжувати читати, то платять за кожну главу книги окремо.
Така модель дозволяє користувачу самостійно вирішувати, який контент оплачувати, який – ні. Обираючи книгу, читач може почати читати безкоштовно, а купити лише той контент, що його дійсно цікавитиме.
Перший крок для масштабування такого бізнесу, як AlphaNovel, – масштабування маркетингу. Проте просто збільшувати інвестиції в маркетинг не вийде – чим більші бюджети на рекламні кампанії, тим вищою стає вартість за одного цільового користувача. Рішення – підвищення Lifetime value (LTV) користувача (LTV – це метрика, що показує кількість прибутку, що принесе клієнт протягом усього періоду користування продуктом, — прим. авт.).
Збільшення LTV користувача дозволяє збільшувати вартість залучення нового цільового юзера. Відповідно – масштабувати маркетинг. Це працює так: уявімо, що маркетингові витрати на залучення 1 цільового юзера складають $10. Якщо його LTV складатиме $17 – економіка зійдеться, ROI буде позитивним, а бізнес – прибутковим. Із масштабуванням маркетингу, вартість залучення може збільшитись з $10 до $14, тож без збільшення LTV бізнес перестане бути прибутковим – адже різниця між LTV та маркетинговими костами має також покривати операційні витрати бізнесу. Оскільки наша цільова аудиторія – читачі, саме їхній користувацький досвід визначає LTV. А тому важливо працювати над продуктом, щоб читання ставало зручнішим, користувачі залишались із нами довше, а застосунок задовольняв їхні читацькі потреби.
Щоб знайти ідеї для покращення продукту, ми почали з аналітики – будували графіки, оцінювали криві, retention, географію, патерни поведінки. Будували userflow, оцінювали закінчення кожної сесії в застосунках. Все, щоб зрозуміти патерни наших юзерів і з’ясувати, як покращити їхній досвід. Як результат – ми знаємо застосунок ліпше за користувачів, навіть можемо спрогнозувати вірогідність потрапляння на кожну сторінку в конкретний момент сесії. Проте досі не маємо ідей, що покращать монетарні метрики бізнесу.
Сегментація vs кластеризація
Коли ж ми зрозуміли, що не можемо придумати ідеї для всіх користувачів одночасно, вирішили подивитися на них окремо. Тому почали сегментувати базу наших юзерів за різними змінними – географія, час у застосунку, вік тощо. Проте не всі спільні параметри є очевидними – деякі з них лише математичні, а тому можуть бути непомітними при такому аналізі.
Сегментація – це human-driven процес, в якому саме людина визначає змінні, за якими групує об’єкти. Кластеризація – machine-driven підхід, де спільні патерни визначає математична модель.
Уявімо 2D-графік, у якому координата Х – це вік, а Y – дохід. Кожен із користувачів – це точка на графіку, а скупчення точок – кластер. Якщо 2D-графік (графік, що базується на 2 змінних) – це просто, уявімо, що змінних 15. Тут вже зрозуміло, що знайти перетини в 15-вимірному графіку людині буде вкрай важко, проте з цим легко впорається алгоритм ML-моделі.
Користувачі AlphaNovel мають дуже різні сценарії поведінки. Хтось читає понад 8 годин на день, хтось любить усі наші ігрові механіки, а комусь найважливіше – якісний контент. Зрозумівши, що велика кількість параметрів впливають на поведінку користувачів, а також неможливість об’єктивно оцінити їхні залежності, ми зупинились на методі кластеризації.
- Крок 1: почали створювати атрибути та параметри, які потрібно передати алгоритмам для оцінки.
- Крок 2: період збору змінних.
- Крок 3: передача даних моделі, які вона аналізує та візуалізує на графіку.
- Крок 4: аналіз результатів.
Ми отримали дані від моделі – вона поділила наших користувачів на 4 кластери:
Кластер №1: користувачі, що видалили застосунок
Саме час запитати: «Як ви зрозуміли, що вони видалили застосунок, якщо в IOS немає такого трекінгу?», – і будете праві. Оскільки в кластері були користувачі і Android-пристроїв, по яких є статистика видалення застосунку, модель знайшла інші спільні патерни між ними та IOS-користувачами. Це дозволило нам припустити, що і вони видалили застосунок.
Весь кластер зайняв близько 30% від усіх користувачів – що норма, бенчмарк – до 40%. Наша наступна задача – не дати кластеру збільшуватись.
Кластер №2: користувачі, що повністю задоволені застосунком
Цей кластер склали юзери, що довго користуються AlphaNovel, багато читають, знайомі та активно користуються більшою частиною функцій, розуміють механіку роботи продукту.
Цей кластер ми визначили коровим – це еталонні юзери. Мета – збільшувати цей кластер.
Наступні два кластери нам допомогла визначити теорія freemium-моделі. Згідно з теорією, бізнесу не потрібно, щоб усі користувачі платили за продукт сьогодні. Найважливіше – створити таку цінність, щоб застосунок став звичкою та необхідністю. З часом, фінансове становище цільової аудиторії зміниться, а любов до вашого продукту зробить їх частиною корового кластеру.
Відповідно до теорії, ми проаналізували ще 2 кластери і визначили їх наступними:
Кластер №3: користувачі, що вважають застосунок задорогим
Цей кластер юзерів вважає, що цінність, що надає наш продукт, коштує менше, а тому не готові переплачувати. Наша мета – зробити їм альтернативну пропозицію – підібрати контент, який відповідатиме їхнім очікуванням. Саме ту книжку, за яку вони точно готові заплатити.
Кластер №4: користувачі, що не можуть платити.
Ці юзери постійно читають, користуються бонусною системою, проте не можуть заплатити. Наша мета – робити продукт зручним і для них, щоб не губити цінність.
Що далі?
Ми визначили кластери користувачів, давайте ставити цілі! Перша задача – перевести кластер №3 і №4 в кластер №2 – корових користувачів. Що ми зробили для кожного?
- Для кластера №3 → (1) будуємо точнішу ML-модель, що пропонує релевантний контент. Таким чином книжкові рекомендації частіше потраплятимуть у ціль, що задовольнятиме запит на контент, який вони готові купувати; (2) додаємо можливість налаштовувати пошук за жанром / героями / сюжетом, щоб користувачі самостійно підбирали контент за своїм інтересом.
- Для кластера №4 → збільшуємо кількість безкоштовного контенту, а також робимо знижки. Крім цього, створюємо окрему можливість шукати контент за знижками.
Результат кластеризації – успішно реалізовані ідеї для окремих кластерів користувачів, масштабування бізнесу. А головне – кор-кластер зріс у понад 4 рази.
Як працюємо сьогодні?
Метод кластеризації заклав ґрунт для подальшого аналізу користувачів. Сьогодні ми навчились швидко аналізувати нових юзерів. Протягом перших 7 днів ми аналізуємо патерни поведінки юзерів і вже за тиждень знатимемо, до якого кластеру потрапить користувач. Це допоможе визначити, які кастомні пропозиції зроблять його user experience кращим.
Важливо працювати з кластерами окремо – об’єднання кластерів може призвести до канібалізації. Наприклад, сегмент користувачів читає без знижки, а інтенсивне зниження вартості може порушити всю юніт-економіку бізнесу. Для цього існує аналітика – важливо зрозуміти, в який момент і де поставити знижку так, щоб нею користувалися потрібні юзери. Все залежить від патернів – наприклад, кор-користувачі найчастіше обирають книжки на першій сторінці – їм подобається продукт і вони йому довіряють. Інші ж починають шукати контент. Важливо на потрібному етапі зрозуміти поведінку юзера і запропонувати йому релевантні функції.
Автор: Володимир Алєксєйченко, Head of Product у AlphaNovel (від venture builder SKELAR)
