Quick Tracking:Analisis Retensi

Ikhtisar

Retensi umumnya mengacu pada pengguna yang terus menggunakan produk setelah periode waktu tertentu sejak mulai menggunakannya.

Analisis retensi memungkinkan penyesuaian perilaku awal dan selanjutnya sesuai dengan skenario bisnis serta tahapan produk. Analisis ini membantu perusahaan mengevaluasi tingkat kelekatan pengguna terhadap produk, menyesuaikan strategi berdasarkan hasil analisis, membimbing pengguna untuk menemukan nilai produk, mempertahankan pengguna, dan mendorong pertumbuhan pengguna yang nyata. Setelah melakukan kueri melalui analisis retensi, Anda dapat menyimpan hasilnya sebagai laporan dan menambahkannya ke dasbor buatan sendiri untuk visualisasi dan statistik.

Skenario aplikasi

Analisis retensi dapat digunakan untuk:

• Mengukur daya rekat produk terhadap pengguna dari waktu ke waktu, serta memverifikasi apakah kelompok target pengguna telah menyelesaikan peristiwa perilaku yang diharapkan dalam rentang waktu tertentu. Contohnya adalah mengamati retensi pengguna baru setelah peluncuran aktivitas selama 1 hari atau 7 hari untuk menilai efektivitas aktivitas tersebut.

• Mengamati daya tarik berkelanjutan fitur-fitur bernilai bagi produk. Sebagai contoh, pilih perilaku awal "memainkan video pendek" dan peristiwa kembali "mulai" untuk memahami retensi pembukaan kedua aplikasi oleh pengguna.

Contoh: 「Statistik Retensi Pengguna dari Berbagai Sumber」

1. Pilih subjek analisis: pengguna login.

2. Penyesuaian retensi: pilih peristiwa 「Aplikasi Mulai」 untuk perilaku awal dan selanjutnya.

3. Pilih 「Jenis Sumber」 dikelompokkan sebagai 「Atribut Saluran」.

4. Pilih rentang waktu.

5. Klik 「Mulai Analisis」

Panduan tindakan

Komposisi halaman

Fitur analisis retensi terdiri dari komponen-komponen berikut:

1. Area daftar kueri historis: Pengguna dapat mengklik untuk memilih daftar kueri yang disimpan secara historis.

2. Area konfigurasi informasi: pengguna dapat memilih peristiwa, indikator, pengaturan atribut, pengelompokan, dan pemilihan waktu.

3. Bagian Hasil Analisis menampilkan bagan visualisasi dan data rinci dari hasil analisis.

Pilih subjek analisis

Dalam modul analisis retensi, selain penyambungan perilaku pengguna berdasarkan ID perangkat, perilaku pengguna juga dapat disambungkan berdasarkan ID pengguna logon dan ID entitas untuk menganalisis perilaku pengguna. Daftar drop-down mencakup "ID perangkat", "ID akun", dan "ID entitas". Secara default, "ID perangkat" dipilih.

• ID Perangkat: ID unik yang dihasilkan oleh QuickTracking untuk setiap perangkat.

• ID Akun: ID unik akun pengguna yang ditentukan menggunakan API.

• ID Entitas: ID pengguna yang dihasilkan oleh Quick Tracking. Anda dapat menggunakan ID-Mapping untuk mengaitkan ID perangkat dengan ID akun secara satu-satu, sehingga menghubungkan akun sebelum dan sesudah logon.

Penyesuaian perilaku retensi

1. Klik drop-down untuk memilih peristiwa spesifik sebagai perilaku awal dan selanjutnya.

2. Tambahkan kondisi filter:

• Mendukung penyaringan properti untuk peristiwa.

  Nama kategori	Deskripsi kategori	Deskripsi
  Atribut sistem	Atribut ini bekerja pada semua peristiwa dan dilacak oleh SDK	Atribut preset sistem, seperti versi SDK
  Atribut global	Atribut ini diterapkan pada semua peristiwa dan dilaporkan oleh pengguna, seperti wilayah tempat Anda lapar.	Atribut yang dimasukkan oleh pengguna dalam atribut global platform manajemen pelacakan.
  Atribut peristiwa	Atribut ini diterapkan pada semua peristiwa, yang dilaporkan oleh pengguna atau dilacak oleh sistem. Misalnya, jumlah pembayaran dari peristiwa pembayaran	Atribut yang dimasukkan oleh pengguna dalam atribut peristiwa platform manajemen pelacakan

• Mendukung simbol penyaringan yang berbeda berdasarkan jenis atribut yang berbeda.

  Jenis atribut	Simbol filter	Definisi simbol	Contoh
  String	Sama dengan	Mewakili sama dengan satu atau lebih nilai spesifik	Merek perangkat sama dengan Huawei atau Apple
  	Tidak sama dengan	Menunjukkan bahwa satu atau lebih nilai spesifik dikecualikan	Merek perangkat mengecualikan Huawei atau Apple
  	Mengandung	Temukan nilai yang mengandung karakter tertentu dalam nilai atribut	Karakter Huawei termasuk dalam merek perangkat
  	Tidak mengandung	Kecualikan nilai dengan karakter tertentu dalam nilai atribut	Karakter Huawei tidak termasuk dalam merek perangkat.
  	Kosong	Temukan data tanpa atribut	Tidak ada nilai atribut merek perangkat
  	Tidak kosong	Temukan data dengan nilai atribut	dengan nilai atribut merek perangkat
  Jenis numerik	Sama dengan	Sama dengan nilai spesifik	Jumlah pesanan sama dengan 1000
  	Tidak sama dengan	Tidak sama dengan nilai spesifik	Jumlah pesanan tidak sama dengan 1000
  	Lebih besar dari	Lebih besar dari nilai spesifik	Jumlah pesanan lebih besar dari 1000
  	Lebih kecil dari	Kurang dari nilai spesifik	Jumlah pesanan kurang dari 1000
  	Di... dengan...	Antara dua nilai spesifik	Jumlah pesanan antara 1000 dan 5000

Pilih grup atribut

Untuk analisis retensi, Anda dapat memilih atribut untuk mengelompokkan metrik. Sebagai contoh, jika ingin melacak statistik tentang retensi perilaku pembayaran selanjutnya setelah pengguna dari saluran berbeda mendaftar, Anda juga dapat menggunakan dua atribut untuk analisis silang.

Deskripsi logika komputasi grup

Hitung tanpa pengelompokan:

• Tanggal dalam rentang waktu yang dipilih dirinci, dan perhitungan retensi dilakukan untuk pengguna yang memicu pada setiap hari.

• Sebagai contoh, pada 4 Juli 2023, jumlah orang yang memicu 「Perilaku Awal」 pemula aplikasi (preset) ID perangkat (subjek analisis) adalah 2.012, dan pada 5 Juli, jumlah orang yang memicu 「Perilaku Selanjutnya」 pemula aplikasi (preset) ID perangkat (subjek analisis) adalah 956, dan laju retensi adalah 「Perilaku Selanjutnya」 jumlah (retensi) /"perilaku awal" jumlah. Persentase jumlah 2.012 yang memicu 「Perilaku Awal」 setelah 1 hari adalah 47,51% (laju retensi).

• Dan seterusnya 2, 3, 4, 5, 6 hari setelah laju retensi.

Hitung dengan pengelompokan:

• Pengelompokan: Sebagai contoh, dalam waktu perhitungan (20230704-20230712), 「Perilaku Awal」 dipicu dan nilai pengelompokan sama dengan "IOS".

• Jumlah pengguna: jumlah subjek analisis (ID perangkat) yang memicu 「Perilaku Awal」 dan nilai grupnya sama dengan "IOS" dalam waktu perhitungan (20230704-20230712).

• Sebagai contoh, dalam periode perhitungan (20230704-20230712), jumlah orang (tertahan) dan persentase (laju retensi) dari subjek analisis ini (ID perangkat) yang memicu 「Perilaku Awal」 pemula aplikasi (preset) dan nilai grup sama dengan "IOS" dan "perilaku selanjutnya" pemula aplikasi (preset) dan nilai grup sama dengan "IOS" satu hari kemudian.

• Dan seterusnya 2, 3, 4, 5, 6 hari setelah laju retensi.

• Perbedaan antara pengelompokan dan non-pengelompokan adalah bahwa tanggal setelah 1 hari atau 2 hari bukanlah tanggal spesifik ketika pengelompokan tersedia. Sebagai contoh, pada 20230704, perangkat A memicu 「Perilaku Awal」 dan memenuhi nilai pengelompokan, dan pada 20230706, 「Perilaku Selanjutnya」 dipicu lagi dan memenuhi nilai pengelompokan, maka diklasifikasikan sebagai tertahan setelah 2 hari. Pada 20230707, perangkat B memicu 「Perilaku Awal」 dan memenuhi nilai pengelompokan, dan 20230709 memicu 「Perilaku Selanjutnya」 lagi dan memenuhi nilai pengelompokan, itu juga akan diklasifikasikan sebagai tertahan setelah 2 hari.

Tambahkan filter global

Jika Anda memilih dua metrik peristiwa langkah atau lebih, penyaringan global mendukung penyaringan umum berdasarkan atribut umum di antara peristiwa yang berbeda. Kemampuan penyaringan spesifik dan kemampuan penyaringan atribut dari peristiwa tunggal tetap sama.

Tambahkan kohort pengguna

Ketika Anda perlu melihat data dari kelompok orang tertentu, Anda dapat menggunakan 「Filter Grup Pengguna」 untuk mencapainya. Untuk informasi lebih lanjut tentang cara membuat grup pengguna, lihat Wawasan Audiens.

Pilih rentang waktu

Anda dapat memilih rentang waktu dan granularitas waktu sesuai kebutuhan. Anda dapat memilih rentang waktu dalam mode 「Periode Relatif」 atau 「Periode Tetap」. Dalam mode Periode Relatif, waktu default diatur ke tujuh hari terakhir dan ditampilkan per hari.

• 「Periode Relatif」 waktu didasarkan pada rentang tanggal yang didorong maju oleh titik jangkar dan akan berubah seiring waktu. Ini memiliki tiga dimensi: X hari terakhir, minggu, dan bulan terakhir. Anda juga dapat menyesuaikan kondisi filter waktu untuk X hari terakhir, minggu, dan bulan terakhir. Hari adalah hari alami lengkap, dan minggu dipilih dari Senin hingga Minggu, dan bulan adalah bulan alami (dari tanggal 1 hingga hari terakhir setiap bulan).

Daftar berikut menjelaskan aturan:

A. n hari terakhir: Dorong maju n hari lengkap berdasarkan waktu saat ini.

B. n minggu terakhir: Dorong maju n minggu lengkap berdasarkan waktu saat ini. Jika waktu saat ini adalah hari terakhir minggu, n minggu terakhir mencakup minggu di mana waktu saat ini berada. Contoh: Jika waktu saat ini adalah 7.20 (Selasa), maka minggu lalu adalah 7.12-7.18 (Senin hingga Minggu). Jika waktu saat ini adalah 7.18 (Minggu), maka minggu lalu adalah 7.12-7.18.

C. n bulan terakhir: Dorong maju n bulan lengkap berdasarkan waktu saat ini. Jika waktu saat ini adalah hari terakhir bulan, maka n bulan terakhir mencakup bulan di mana waktu saat ini berada. Contoh: Jika waktu saat ini adalah 7.20, maka bulan lalu adalah 6.1-6.30; Jika waktu saat ini adalah 6.30, maka bulan lalu adalah 6.01-6.30.

• 「Periode Tetap」 Anda dapat langsung memilih tanggal mulai di kotak kalender, dan klik OK untuk memilih rentang waktu saat ini untuk analisis data (rentang pemilihan maksimum periode tetap adalah 366 hari).

Lihat bagan analisis dan data rinci

Setelah Anda menyetel kondisi kueri dan mengklik 「Mulai Analisis」, Anda dapat melihat hasil analisis dan bagan tren retensi.

• Klik 「Ekspor Data」 di sudut kanan atas untuk mengunduh file Excel.

• Simpan metrik umum untuk kueri ulang selanjutnya. Anda dapat mengklik tombol 「Simpan」 di sudut kanan atas.

• Anda dapat mengklik toggle di sudut kanan atas untuk melihat laju retensi setelah T hari (laju di mana pengguna memiliki perilaku selanjutnya pada hari T setelah perilaku awal).

Data Rinci

Dalam data rinci, terdapat data rinci dari hasil statistik, dan tampilan tabel retensi mendukung beralih antara 「Jumlah Retensi」 dan 「Laju Retensi」. Kolom Jumlah Pengguna menunjukkan jumlah perangkat deduplikasi/pengguna logon yang memiliki perilaku awal.

Simpan data ke laporan

1. Masukkan nama laporan.

2. Pilih periode waktu untuk menyimpan laporan.

-「Pengaruh Periode Waktu Berbeda pada Laporan」

• Pilih periode waktu relatif. Tanggal laporan dapat dikueri sesuai dengan waktu yang dipilih pada dasbor.

• Pilih periode tetap, tanggal laporan tidak akan berubah sesuai dengan waktu pemilihan dasbor.

• Tidak ada periode yang dipilih, tanggal laporan mengikuti waktu yang dipilih pada dasbor.

3. Klik tombol 「OK」 untuk menyimpan data ke daftar laporan.

Tambahkan laporan ke dasbor

Untuk laporan yang sudah disimpan, Anda dapat memilih untuk menambahkan laporan ke dasbor:

1. Masukkan 「Nama Laporan」.

2. Pilih dasbor yang ditambahkan.

3. Pilih jenis tampilan yang ingin Anda tampilkan grafiknya.

4. Pilih tata letak tampilan grafik di dasbor buatan sendiri.

5. Pengaturan lanjutan dapat dipilih sesuai dengan aturan dasbor yang akan ditampilkan.

6. Klik 「OK」.

Logika komputasi analisis retensi

1 . Arti retensi kustom

Dalam Quick Tracking, retensi N-hari digunakan, yaitu menganalisis apakah pengguna yang memicu peristiwa pada hari/minggu/bulan tertentu memicu peristiwa setelah N hari/minggu/bulan, dan pengguna yang memicu dicatat sebagai pengguna yang tertahan.

Untuk tujuan bisnis, Anda dapat lebih mendefinisikan retensi pengguna dan menjelaskan peristiwa awal dan kunjungan kembali pengguna.

• Peristiwa awal: Hanya perangkat atau pengguna logon yang telah memicu peristiwa ini pada hari saat ini yang dapat berpartisipasi dalam perhitungan retensi kustom selanjutnya. Anda dapat menetapkan atribut peristiwa spesifik dan nilai atribut melalui fungsi penyaringan kondisional untuk membatasi kelompok pengguna yang lebih rinci.

• Peristiwa kunjungan kembali: Pengguna hanya dihitung sebagai pengguna yang tertahan setelah peristiwa kunjungan kembali dipicu. Anda dapat menggunakan fitur penyaringan kondisional untuk menetapkan atribut peristiwa spesifik dan nilai atribut untuk menetapkan perilaku kunjungan kembali yang lebih ketat.

Catatan: Jika pengguna memicu beberapa peristiwa awal dan peristiwa kunjungan kembali, hanya satu hitungan yang dihitung pada hari, minggu, atau bulan yang sama, yaitu jumlah perangkat deduplikasi/pengguna logon.

2. Konfirmasi interval retensi

Rentang waktu dibatasi pada tanggal terjadinya perilaku awal. Di Quick Tracking, Anda dapat melihat status retensi pengguna 1, 2,..., 7, 14, dan 30 hari setelah tanggal terjadinya perilaku awal.

Sebagai contoh, anggap perilaku awal didefinisikan sebagai peristiwa X dan perilaku kunjungan kembali adalah peristiwa Y. Selama rentang waktu yang dipilih dari 05.01 hingga 05.08, pengguna Xiao A memiliki peristiwa X di 5.01, dan peristiwa berikut terjadi setiap hari:

Saat menghitung retensi nomor 05.01, pengguna Xiao A akan dihitung sebagai pengguna yang tertahan setelah 2 hari, 3 hari, 6 hari, dan 7 hari.

3 . Tetapkan kondisi untuk retensi

Kami dapat menggunakan kondisi penyaringan yang berbeda untuk membatasi retensi. Logika penyaringan adalah sebagai berikut:

• Anda dapat menyaring peristiwa berdasarkan filter peristiwa atau filter global.

• Filter global bekerja pada peristiwa awal dan kembali.

• Jika kondisi filter peristiwa dan kondisi filter global dikonfigurasikan, logika kondisi filter adalah: kondisi filter peristiwa & kondisi filter global.

Contoh: Amati retensi pembelian ulang kosmetik A oleh pengguna wanita dalam kelompok usia "18-35" di Provinsi Zhejiang. Pilih perilaku awal sebagai "pembayaran berhasil" dan perilaku selanjutnya sebagai "pembayaran berhasil". Anda dapat memilih kondisi filter "provinsi=Zhejiang&kelompok usia=18-25 &ID produk=kosmetik A".

4. Analisis perbandingan retensi

Tambahkan filter grup ke kondisi kueri untuk membandingkan retensi yang dibandingkan di bawah nilai grup yang berbeda.

• Mendukung atribut preset dan atribut global untuk mengelompokkan retensi.

• Kondisi grup bekerja pada peristiwa awal dan kembali.

• Jika pengguna memenuhi beberapa kondisi pengelompokan dalam rentang waktu, ia diklasifikasikan ke dalam beberapa grup.

5. Interpretasi metrik retensi

Pengguna perilaku awal: jumlah perangkat deduplikasi dan pengguna logon yang perilaku awalnya terjadi pada hari, minggu, atau bulan tertentu.

Jumlah tertahan: jumlah perangkat deduplikasi/pengguna logon yang telah melakukan tindakan selanjutnya setelah N hari, minggu, dan bulan.

Laju retensi: mengacu pada proporsi pengguna yang tertahan yang memiliki perilaku selanjutnya setelah N hari/minggu/bulan dalam pengguna perilaku awal.