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 סגמנטים - בוחרים שני סגמנטים 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).
כשהמרווח משתנה מעצמו
למטריצה יש שורה אחת לכל מרווח ועמודה אחת לכל תקופה, ולכן טווח תאריכים ארוך במרווח יומי מבקש רשת עצומה: עשר שנים של ימים מול שלושים תקופות הן יותר ממאה אלף תאים. מעבר למה שהדוח יכול להחזיר, הוא עובר למרווח הבא מעליו - יומי הופך לשבועי - ומציין זאת מתחת לפקד המרווח.
שום דבר לא הולך לאיבוד, רק רזולוציית תאריך ההתחלה, וגרף של עשר שנים בימים בודדים ממילא לא היה קריא. קצרו את הטווח כדי לקבל בחזרה את המרווח הדק יותר.
מינימום גודל Cohort
קובע את ה-Cohort הקטן ביותר ששווה להציג, עם האפשרויות 1, 10, 25 או 50 (ברירת מחדל 10). Cohorts מתחת לגודל הזה נופלים משורות המטריצה, מ"משתמשים בניתוח" ומספירת ה-Cohorts, ובמצב השוואה הם משורטטים מקווקו.
ההגדרה קובעת גם מאילו Cohorts מחושב כל מספר בעמוד: האחוזים הראשיים, העקומה, שורת "כל ה-Cohorts" והתובנות מתארים בדיוק את השורות שהטבלה מציגה, כך שהשורה תמיד מסתכמת מהשורות שמתחתיה. השקלול עדיין נותן ל-Cohort גדול משקל רב יותר מלקטן. בחרו 1 כדי לכלול את כל ה-Cohorts.
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 ה-Cohorts שבטבלה. 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".
- תאי "עדיין לא" - Cohort שלא חי מספיק זמן כדי להגיע לתקופה מסוימת מציג עדיין לא במסגרת מקווקוות, לא אפס ולא מקף. הוא גם אינו נכלל במספר הראשי של אותה תקופה, כך ש-Cohort צעיר אינו יכול למשוך אותו כלפי מטה.
- 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% | עדיין לא |
| 22-28 בינואר | 50% | 36% | עדיין לא | עדיין לא |
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 סגמנטים
מצב השוואת סגמנטים מציב קהלים שונים זה לצד זה. הוא משתמש בסגמנטים שאתם כבר מתחזקים - אותם סגמנטים שהקמפיינים והמסעות מכוונים אליהם - כך שקהל מוגדר במקום אחד בלבד ולא מועתק להגדרה שנייה שסוטה ממנה עם הזמן.
- עברו להשוואת סגמנטים.
- בחרו את אירוע הכניסה ל-Cohort ואירוע החזרה.
- הוסיפו 2 עד 10 סגמנטים שמורים בתיבת החיפוש. הבורר שולף את הסגמנטים תוך כדי הקלדה במקום לטעון את כל הרשימה, כך שהוא עובד גם בסביבת עבודה עם אלפי סגמנטים.
- הריצו את ההשוואה.
כל סגמנט מנותח בנפרד: המשתמשים מקובצים ל-Cohorts לפי היום שבו ביצעו לראשונה את אירוע הכניסה, בדיוק כמו במצב הסטנדרטי, והקו שאתם משווים הוא העקומה המשוקללת לפי גודל של אותו סגמנט.
מה תראו:
- כרטיסי מדדי מפתח לכל סגמנט - מספרי השימור הראשיים לכל סגמנט שנבחר.
- עקומת השוואה - השימור של כל סגמנט מצויר יחד על תרשים אחד. הקווים משורטטים במקטעים ישרים שמחברים בין כל מרווח, מכיוון שהשימור מוגדר רק בנקודות המרווח ולא ביניהן. כל סגמנט מתחת לגודל המינימלי משורטט מקווקו עם אזהרה, כך שמדגמים קטנים מסומנים חזותית.
- באנר מדגם קטן - באנר בגוון ענבר מופיע כשאחד או יותר מהסגמנטים שנבחרו נופל מתחת לגודל המינימלי, ומזכיר לכם לקרוא את הקווים האלה בזהירות.
- טבלת אבני דרך מרכזיות - שימור בתקופות 1, 7 ו-14 לכל סגמנט (מסומן לפי המרווח שבחרתם, כלומר שבוע 1 / שבוע 7 / שבוע 14 בניתוח שבועי), עם הפרש הנקודות (+/-) מול הסגמנט הראשון שנבחר, כדי שתוכלו לראות מי משמר טוב יותר או פחות ובכמה.
כשסגמנט גדול מכדי לנתח אותו במלואו
יש סגמנטים גדולים מכפי שהניתוח יכול לפרוס במעבר אחד - התקרה היא 50,000 חברים. מעליה ההשוואה מודדת מדגם אקראי מהסגמנט. המדגם אקראי ודטרמיניסטי, ולעולם לא "50,000 הראשונים", שהיו מטים את התשובה לטובת מי שמופיע ראשון במיון. והדף אומר זאת במפורש, במקום לצייר תת-קבוצה כאילו הייתה הקהל כולו:
- הקו של הסגמנט מסומן חלקי במקרא התרשים;
- כרטיס המדדים שלו ושורת אבני הדרך שלו נושאים שניהם את הכיתוב "הסגמנט גדול מכדי לנתח אותו במלואו - נמדד על מדגם אקראי של 50,000 מתוך 480,000 חברים" - גם כמה נמדדו וגם הגודל האמיתי של הסגמנט;
- באנר בגוון ענבר מעל הכרטיסים מונה את כל הסגמנטים שזה קרה להם.
קראו קו חלקי כמדגם אקראי מאותו סגמנט, לא כשימור של הסגמנט. צמצום טווח התאריכים או הידוק הסגמנט בדרך כלל מחזירים אותו אל מתחת לתקרה.
כדי לבטל את התקרה עבור סגמנט שאתם משווים לעיתים קרובות, הפעילו שמרו את הפלח מוכן לדוחות בסגמנט עצמו. החברות שלו נשמרת מוכנה לשימוש, ההשוואה מנתחת את הסגמנט כולו בכל גודל, והכרטיס מציג "הפלח כולו - החברים נכון ל..." במקום התווית "חלקי". התמורה היא שהחברות נבנית מחדש מדי לילה ולא מחושבת ברגע השאלה, ולכן הכרטיס מציין את הזמן שבו נבנתה. ראו יצירת סגמנטים.
סגמנט שהניתוח לא הצליח להריץ כלל הוא מקרה אחר: השורה שלו מציגה הטעינה נכשלה ולא מצויר עבורו קו. כישלון לעולם אינו מצויר כ-0%, מפני ש"לא הצלחנו למדוד" ו"אף אחד לא חזר" אינן אותה תשובה.
מקרי שימוש להשוואת סגמנטים
| 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 סגמנטים להשוואה
סגמנטים נוצרים תחת סגמנטים. אפשר לבנות סגמנט על אירועים שבוצעו, תדירות אירועים, מאפייני משתמש, חלונות זמן, התנהגות רכישה ומוצר, השתייכות לקמפיין ולמסע, מצב מנוי ועוד - והוא יכול לשאת גם קבוצות החרגה, שאף מערכת כללים פשוטה יותר אינה מסוגלת לבטא.
ראו יצירת סגמנטים לרשימת המסננים המלאה.
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 סגמנטים כדי להשוות שימור לפי ערוץ רכישה, סוג משתמש או שימוש ביכולות. ראו יצירת סגמנטים להגדרת סגמנט.
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
- יצירת סגמנטים - הגדירו את הקהלים שאתם משווים
- ניתוח משפכים - מעקב אחר תהליכי המרה
- סייר אירועים - מציאת אירועים לניתוח