ניתוח שימור
ניתוח שימור עוזר לכם להבין עד כמה המשתמשים נשארים מעורבים לאורך זמן. הוא עונה על השאלה: "מתוך המשתמשים שביצעו X ביום 0, איזה אחוז חזרו וביצעו Y ביום 1, ביום 2 וכן הלאה?"
באמצעות ניתוח לפי Cohorts, מקבצים משתמשים לפי המועד שבו פעלו לראשונה, ואז מודדים איזה חלק מהם חוזר בכל תקופה עוקבת.
שני מצבים
מתג בראש העמוד בוחר איך תרצו להסתכל על השימור:
- סטנדרטי - ניתוח אחד על פני כל ה-Cohorts, עם עקומה, מטריצת Cohorts ותובנות נגזרות.
- השוואת Cohorts - בוחרים שני Cohorts שמורים או יותר ומציבים את השימור שלהם זה לצד זה.
מקרי שימוש נפוצים
| מקרה שימוש | אירוע כניסה ל-Cohort | אירוע חזרה | מה זה מודד |
|---|---|---|---|
| דביקות מוצר | הרשמה | צפייה בדף | האם משתמשים חוזרים אחרי ההרשמה? |
| שימור רכישות | רכישה | רכישה | האם לקוחות קונים שוב? |
| אימוץ יכולת | שימוש ביכולת X | שימוש ביכולת X | האם משתמשים חוזרים להשתמש ביכולת? |
| הצלחת אונבורדינג | סיום הרשמה | פעולה מרכזית | האם משתמשים שעברו אונבורדינג משתמשים במוצר? |
| מעורבות תוכן | קריאת מאמר ראשון | קריאת מאמר | האם קוראים חוזרים לתוכן נוסף? |
| מעורבות אפליקציה | התקנת אפליקציה | פתיחת אפליקציה | האם משתמשים פותחים את האפליקציה באופן קבוע? |
גישה לניתוח שימור
עברו אל אנליטיקה → שימור בסרגל הצד.
סרגל ההגדרות
שני המצבים חולקים את אותה מערכת פקדים בראש העמוד.
אירוע כניסה ל-Cohort מול אירוע חזרה
שני האירועים האלה הם הבסיס לכל ניתוח שימור, וההבדל ביניהם חשוב:
- אירוע כניסה ל-Cohort - הפעולה שמגדירה מתי משתמש "מתחיל". המשתמשים מקובצים ל-Cohorts לפי היום שבו ביצעו את האירוע הזה לראשונה (הרשמה, רכישה ראשונה, התקנת אפליקציה וכדומה).
- אירוע חזרה - הפעולה שנחשבת חזרה. בכל תקופה עוקבת בודקים אם המשתמש ביצע את האירוע הזה.
השניים יכולים להיות זהים (מדידת התנהגות חוזרת, כמו רכישה ← רכישה) או שונים (מדידת מעורבות אחרי נקודת כניסה, כמו הרשמה ← תחילת סשן).
מרווח ותקופות
| הגדרה | אפשרויות | תיאור |
|---|---|---|
| מרווח | יומי, שבועי, חודשי | גודל כל תקופת שימור. |
| תקופות | 7, 14, 30 | כמה תקופות לעקוב. |
בחירת מרווח:
- יומי - מתאים למוצרים בתדירות גבוהה (אפליקציות חברתיות, משחקים).
- שבועי - איזון טוב לרוב המוצרים.
- חודשי - מתאים למוצרים בתדירות נמוכה (B2B, כלי עזר).
מינימום גודל Cohort
קובע את ה-Cohort הקטן ביותר שנספר, עם האפשרויות 1, 10, 25 או 50 (ברירת מחדל 10). Cohorts מתחת לגודל הזה מוחרגים מהמספרים הראשיים ומהממוצעים.
השמירה הזו חשובה כי Cohorts זעירים מעוותים הכול. עם Cohort חד-ספרתי, חזרה של משתמש אחד נקראת כשימור של 100%, ואותם 100% רועשים היו אחרת מושכים את הממוצע כלפי מעלה וגורמים לשימור להיראות בריא הרבה יותר מכפי שהוא באמת. דרישת גודל מינימלי שומרת על סיכום כן.
ייצוא CSV
ייצאו את נתוני השימור כ-CSV לניתוח נוסף או לדיווח. הכפתור זמין לאחר שהרצתם ניתוח.
מצב סטנדרטי
שורת מדדי מפתח
- משתמשים שנותחו - סך המשתמשים בכל ה-Cohorts שנכללו.
- יום 1 - שימור בתקופה הראשונה.
- יום 7 - שימור בתקופה השביעית.
- יום N - שימור בתקופה האחרונה שבחרתם.
(התוויות עוקבות אחר המרווח שלכם - שבועות או חודשים במקום ימים.)
עקומת השימור
העקומה מציגה שימור לאורך זמן כממוצע משוקלל לפי גודל של כל ה-Cohorts. השקלול חשוב: ממוצע פשוט היה מאפשר ל-Cohort בן 2 משתמשים שיושב על 100% להיספר בדיוק כמו Cohort בן 996 משתמשים שיושב מתחת ל-1%, וזה היה מציג את המציאות באופן מעוות מאוד. שקלול לפי גודל ה-Cohort אומר שכל Cohort משפיע על העקומה ביחס לכמות המשתמשים שהוא באמת מכיל.
העקומה מתחילה ב-D0 = 100% בהגדרה - ביום הכניסה, כל משתמש ב-Cohort נוכח.
מטריצת ה-Cohorts
מתחת לעקומה, המטריצה מציגה שורה אחת לכל Cohort ועמודה אחת לכל תקופה:
- עמודת D0 מושמטת. היא תמיד 100% בהגדרה, ולכן היא מושמטת כדי למקד את תשומת הלב בתקופות שמשתנות.
- שורת "כל ה-Cohorts" מוצמדת לראש כקו ייחוס משוקלל - אותו ממוצע משוקלל לפי גודל כמו בעקומה - כדי שתוכלו לקרוא כל Cohort מול המגמה הכוללת.
- סולם חום - התאים צבועים לפי שימור. תאי אפס הם ניטרליים: במקום להיצבע בקצה הקר של הסולם, הם מציגים מקף en מעומעם, עם הערך המדויק במעבר עם הסמן. כך אפסים אמיתיים לא נקראים בטעות כ"פשוט נמוך".
- סרגל גודל - כל Cohort מציג סרגל לגודלו, וסמל אזהרה מופיע על כל Cohort מתחת למינימום גודל Cohort שלכם.
שני מתגים מכווננים את המטריצה:
- הסתר Cohorts של אפסים בלבד - מסיר שורות שמעולם לא חזרו.
- הצג משתמשים - מחליף את התאים בין ספירות משתמשים מוחלטות לאחוזים.
דוגמה למטריצה (שבועי)
| Cohort | שבוע 1 | שבוע 2 | שבוע 3 | שבוע 4 |
|---|---|---|---|---|
| כל ה-Cohorts | 49% | 35% | 30% | 26% |
| 1-7 בינואר | 45% | 32% | 28% | 25% |
| 8-14 בינואר | 48% | 35% | 30% | 27% |
| 15-21 בינואר | 52% | 38% | 33% | - |
| 22-28 בינואר | 50% | 36% | - | - |
איך לקרוא את זה:
- 45% מהמשתמשים מ-1-7 בינואר חזרו בשבוע 1, ו-32% בשבוע 2.
- שורת "כל ה-Cohorts" המוצמדת נותנת את הרף המשוקלל שכל Cohort נמדד מולו.
- ל-Cohorts חדשים יותר יש שיעורי שבוע 1 גבוהים יותר, כך שנראה שהשימור משתפר.
מה זה אומר
אזור מה זה אומר הופך את המספרים לתובנות בשפה פשוטה, ובדרך כלל מכסה:
- שיעור שימור יום 1 (התקופה הראשונה).
- קריאת לולאת ההרגל - האם הזנב התייצב, וזהו הסימן שהגעתם לגרעין של משתמשים הרגליים שממשיכים לחזור.
- ה-Cohort עם הביצועים הטובים ביותר.
- כמה Cohorts הוחרגו על שהיו מתחת לגודל המינימלי.
מצב השוואת Cohorts
מצב השוואת Cohorts מאפשר להציב Cohorts התנהגותיים שונים זה לצד זה.
- עברו להשוואת Cohorts.
- בחרו את אירוע הכניסה ל-Cohort ואירוע החזרה.
- בחרו שני Cohorts שמורים או יותר מהרשימה.
- הריצו את ההשוואה.
מה תראו:
- כרטיסי מדדי מפתח לכל Cohort - מספרי השימור הראשיים לכל Cohort שנבחר.
- עקומת השוואה - השימור של כל Cohort מצויר יחד על תרשים אחד. הקווים משורטטים במקטעים ישרים שמחברים בין כל מרווח, מכיוון שהשימור מוגדר רק בנקודות המרווח ולא ביניהן. כל Cohort מתחת לגודל המינימלי משורטט מקווקו עם אזהרה, כך שמדגמים קטנים מסומנים חזותית.
- באנר מדגם קטן - באנר בגוון ענבר מופיע כשאחד או יותר מה-Cohorts שנבחרו נופל מתחת לגודל המינימלי, ומזכיר לכם לקרוא את הקווים האלה בזהירות.
- טבלת אבני דרך מרכזיות - שימור יום 1 / יום 7 / יום 14 לכל Cohort, עם הפרש הנקודות (+/-) מול ה-Cohort הראשון שנבחר, כדי שתוכלו לראות מי משמר טוב יותר או פחות ובכמה.
מקרי שימוש להשוואת Cohorts
| השוואה | מה היא חושפת |
|---|---|
| משתמשים פעילים במיוחד מול מזדמנים | איך רמת המעורבות משפיעה על שימור |
| משתמשי iOS מול Android | דפוסי שימור ספציפיים לפלטפורמה |
| משתמשים משלמים מול חינמיים | השפעת המעבר לתשלום על שימור |
| קמפיין A מול קמפיין B | איזה ערוץ רכישה מביא משתמשים נאמנים יותר |
| משתמשי יכולת X מול מי שלא השתמשו בה | האם היכולת משפרת שימור |
יצירת Cohorts להשוואה
Cohorts נוצרים תחת אנליטיקה → Cohorts. אפשר להגדיר אותם לפי:
- אירועים שבוצעו (לדוגמה, "השתמש ביכולת X")
- תדירות אירועים (לדוגמה, "רכש 3+ פעמים")
- מאפייני משתמש (לדוגמה, "מדינה = ישראל")
- חלונות זמן (לדוגמה, "ב-30 הימים האחרונים")
ראו Cohorts לפרטים על יצירת Cohorts התנהגותיים.
מדדים מרכזיים - הסבר
שימור יום 1 / שבוע 1 / חודש 1
מדד השימור הקריטי ביותר. מראה כמה משתמשים חוזרים אחרי התקופה הראשונה שלהם.
מדדי הייחוס משתנים בין ענפים:
- אפליקציות צרכניות: שימור D1 של 25-40% נחשב טוב
- מוצרי B2B: שימור W1 של 60-80% הוא נפוץ
- משחקים: 30-40% D1 ו-15-20% D7 נחשבים בריאים
צורת עקומת השימור
- ירידה תלולה מוקדמת ולאחר מכן התייצבות - תקין. משתמשים מזדמנים נושרים מוקדם, אך המשתמשים המעורבים נשארים. הזנב השטוח הוא לולאת ההרגל.
- ירידה מתמשכת - בעיה. גם משתמשים מעורבים עוזבים.
- יציבות מההתחלה - מצב חריג. ייתכן שהמוצר דביק מאוד, או שקיימת בעיית נתונים.
שיטות עבודה מומלצות
בחרו אירועים משמעותיים
אירועי כניסה ל-Cohort טובים: השלמת הרשמה, פעולה ראשונה משמעותית, השלמת אונבורדינג.
אירועי חזרה טובים: פעולת ליבה של המוצר (לא רק צפיות בדף), משהו שמסמן מעורבות אמיתית, או אותו אירוע כמו הכניסה כשמודדים התנהגות חוזרת.
כבדו את גודל ה-Cohort המינימלי
השאירו את מינימום גודל Cohort על 10 או יותר, אלא אם יש לכם סיבה ספציפית. Cohorts קטנים נקראים כערכי 100% רועשים ומטעים את הממוצעים.
התמקדו בשימור מוקדם
שימור ביום 1 ובשבוע 1 הם המנבאים החזקים ביותר לשימור ארוך טווח. אם משתמשים אינם חוזרים בשלב מוקדם, הסיכוי שיחזרו בהמשך נמוך.
פלחו את הניתוח
השתמשו במצב השוואת Cohorts כדי להשוות שימור לפי ערוץ רכישה, סוג משתמש או שימוש ביכולות. ראו Cohorts ליצירת קבוצות התנהגותיות.
בעיות נפוצות
גודל ה-Cohorts משתנה יותר מדי
השתמשו בתצוגת האחוזים (כבו את הצג משתמשים) והישענו על שורת "כל ה-Cohorts" המשוקללת במקום לבחון Cohorts קטנים בודדים.
אירוע חזרה רחב מדי
אם משתמשים באירוע כללי כמו page_view, השימור עלול להיראות גבוה באופן מלאכותי. השתמשו באירועי מעורבות משמעותיים יותר.
טווח תאריכים קצר מדי
עם שימור חודשי, נדרשים לפחות 3-4 חודשים של נתונים כדי לקבל תובנות שימושיות.
קשור
- Cohorts - יצירת Cohorts התנהגותיים
- ניתוח משפכים - מעקב אחר תהליכי המרה
- סייר אירועים - מציאת אירועים לניתוח