SaaS-tuotteet elävät ja kuolevat asiakkaiden pysyvyyden mukaan. Hankinta maksaa rahaa. Pysyvyys tuottaa toistuvaa liikevaihtoa. Kaksitoista kuukautta pysynyt asiakas on kaksitoista kertaa arvokkaampi kuin kerran hankittu uusi asiakas. Mutta pysyvyys vaatii käyttöönottoa. Käyttäjien täytyy käyttää tuotettasi. Jos he eivät käytä, he lähtevät. Käyttäytymisanalytiikka paljastaa käyttöönoton esteet. Miksi käyttäjät eivät suorita perehdytystä? Miksi he lopettavat ensimmäisen viikon jälkeen? Miksi he lopettavat keskeisten ominaisuuksien käytön? Miksi he lähtevät? Istuntotallenteet näyttävät käyttäjien vaikeudet tuotteesi kanssa. Lämpökartat näyttävät, mitä ominaisuuksia käytetään. Mitä ei huomioida. Sitoutumispisteytys tunnistaa, ketkä käyttäjät ovat lähtemässä. Mikrokonversiot paljastavat polun ominaisuuksien käyttöönottoon. Kohorttianalyysi näyttää, parantavatko uudet ominaisuudet pysyvyyttä. Käyttäytymisanalytiikka SaaS-palvelussa tarkoittaa käyttäjäkokemuksen ymmärtämistä. Löytävätkö käyttäjät arvoa? Ottavatko he ominaisuuksia käyttöön? Tuleeko heistä pysyviä? Käyttäjä, joka ottaa käyttöön useita ominaisuuksia, lähtee epätodennäköisemmin. Käyttäjä, joka suorittaa perehdytyksen, sitoutuu todennäköisemmin. Käyttäjä, joka käyttää tuotettasi päivittäin, uusii todennäköisesti. Käyttäytymisanalytiikka paljastaa tämän etenemisen. Sitten optimoit jokaisen askeleen. Parempi perehdytys kasvattaa käyttöönottoa. Parempi ominaisuuksien löydettävyys kasvattaa sitoutumista. Paremmat pysyvyysominaisuudet kasvattavat uskollisuutta. SaaS-käyttäytymisanalytiikka ajaa tärkeitä mittareita. Käyttöönottoa. Sitoutumista. Pysyvyyttä.
Tässä artikkelissa kerromme, miten käyttäytymisanalytiikkaa sovelletaan erityisesti SaaS-palvelun optimointiin.
Analysoi perehdytyksen käyttäytyminen
Perehdytys on ratkaisevaa. Käyttäjät oppivat tuotteesi. He löytävät arvon. Tai he eksyvät. Käyttäytymisanalytiikka paljastaa, kumpi tapahtuu.
Perehdytyksen istuntotallenteet näyttävät, missä käyttäjät kamppailevat. Ohittavatko he vaiheita? Epäröivätkö? Hämmentyvätkö? Yksittäiset tallenteet paljastavat ongelmat.
Perehdytyksen aikaiset mikrokonversiot ennustavat onnistumista. Suorittivatko he opastuksen? Loivatko sisältöä? Kutsuivatko tiimikavereita? Mikrokonversiot näyttävät etenemisen.
Kohorttianalyysi näyttää, parantavatko perehdytyksen muutokset pysyvyyttä. Uusien käyttäjien, joilla on parempi perehdytys, pitäisi pysyä paremmin. Kohorttidata todistaa tämän.
Tunnista ominaisuuksien käyttöönoton ongelmat
Jotkut ominaisuudet otetaan laajasti käyttöön. Jotkut eivät. Käyttäytymisanalytiikka paljastaa syyn.
Lämpökartat näyttävät, mitkä ominaisuudet saavat klikkauksia. Mitkä jäävät huomiotta. Ehkä edistyneet ominaisuudet eivät saa klikkauksia. Ehkä käyttäjät eivät tiedä niiden olemassaolosta. Ehkä niitä on vaikea löytää.
Istuntotallenteet näyttävät, miten käyttäjät käyttävät ominaisuuksia. Ymmärtävätkö he, mitä ominaisuus tekee? Tietävätkö he, miten sitä käytetään? Käyttävätkö he sitä onnistuneesti? Tallenteet paljastavat kitkan.
Sitoutumispisteytys tunnistaa, ketkä käyttäjät ottavat ominaisuuksia käyttöön ja ketkä eivät. Onko käyttöönottajilla erilaisia ominaisuuksia? Tulevatko he eri lähteistä? Kaavat paljastavat, mikä ajaa käyttöönottoa.
Seuraa poistumisen signaaleja käyttäytymisestä
Käyttäjät näyttävät poistumisen signaaleja ennen kuin he irtisanovat. Käyttäytymisanalytiikka paljastaa nämä signaalit.
Ominaisuuksien käytön väheneminen on poistumisen signaali. Käyttäjä, joka oli aktiivinen viikolla yksi mutta passiivinen viikolla neljä, on lähtemässä.
Kirjautumistiheyden väheneminen on poistumisen signaali. Käyttäjä, joka kirjautui päivittäin mutta kirjautuu nyt viikoittain, menettää kiinnostuksensa.
Istunnon keston väheneminen on poistumisen signaali. Käyttäjä, joka vietti tunnin istuntoa kohden, viettää nyt viisi minuuttia.
Tunnista nämä signaalit. Puutu näiden käyttäjien tilanteeseen. Uudelleenaktivointikampanjat voivat pelastaa heidät.
Optimoi ominaisuuksien löydettävyys
Käyttäjät eivät voi käyttää ominaisuuksia, joista he eivät tiedä. Käyttäytymisanalytiikka paljastaa, mitä ominaisuuksia ei ole löydetty.
Lämpökartat näyttävät, mitkä ominaisuudet saavat klikkauksia. Huomiotta jääneitä ominaisuuksia ei ehkä ole löydetty. Ehkä ne tarvitsevat paremman sijoittelun. Ehkä paremmat nimet.
Istuntotallenteet näyttävät, etsivätkö käyttäjät ominaisuuksia. Hakevatko he jotain, mitä eivät löydä? Kysyvätkö he tuesta ominaisuuksista, jotka ovat olemassa? Tallenteet paljastavat löydettävyyden ongelmat.
Käytä kohorttianalyysia ominaisuuden vaikutuksen mittaamiseen
Uusien ominaisuuksien pitäisi parantaa pysyvyyttä. Kohorttianalyysi todistaa tai kumoaa tämän.
Käyttäjät ennen uuden ominaisuuden julkaisua muodostavat kohortin. Käyttäjät julkaisun jälkeen toisen. Vertaa pysyvyyttä kohorttien välillä. Paransiko ominaisuus pysyvyyttä? Jos kyllä, ominaisuus kannatti rakentaa. Jos ei, selvitä miksi.
Ominaisuuden vaikutuksen analyysi auttaa priorisoimaan tulevaa kehitystä. Rakenna ominaisuuksia, jotka parantavat pysyvyyttä. Jätä väliin ne, jotka eivät paranna.
Usein kysytyt kysymykset
Miten tunnistan, mitkä perehdytyksen vaiheet aiheuttavat eniten poistumista?
Käytä suppilon analyysia perehdytyksen vaiheisiin. Vaihe yksi. Vaihe kaksi. Vaihe kolme. Mittaa suorittaminen jokaisessa vaiheessa. Tunnista, missä vaiheessa poistuminen on korkeinta. Se on ongelmavaiheesi. Tässä vaiheessa poistuvien käyttäjien istuntotallenteet paljastavat syyn. Ehkä vaihe on sekava. Ehkä se vie liian kauan. Ehkä se vaatii liikaa. Korjaa tunnistettu ongelma ja testaa uudelleen. WEMASY-sivustonrakentajalla voit ottaa tämän käyttöön suoraan sivustollasi.
Voiko käyttäytymisanalytiikka ennustaa, mitkä uudet käyttäjät lähtevät ennen kuin he lähtevät?
Osittain. Käyttäjillä, jotka ohittavat perehdytyksen, on korkea lähtöriski. Käyttäjillä, jotka eivät ota käyttöön yhtään ominaisuutta, on korkea lähtöriski. Käyttäjillä, joiden sitoutuminen vähenee, on korkea lähtöriski. Näiden signaalien tunnistaminen ajoissa antaa mahdollisuuden puuttua asiaan. Mutta ennuste ei ole täydellinen. Osa käyttäjistä, joilla on riskisignaaleja, jää silti. Riskin tunnistamisessa on kyse toimenpiteiden priorisoinnista, ei täydellisestä ennustamisesta.
Pitäisikö ilmaiskokeilun käyttäjien ja maksavien käyttäjien käyttäytymistä seurata eri tavoin?
Kyllä. Ilmaiskokeilun käyttäjillä ja maksavilla käyttäjillä on eri motiivit. Kokeilijat arvioivat. Maksavat ovat sitoutuneita. Analysoi kokeilijoiden käyttäytyminen erikseen maksavien käyttäytymisestä. Kokeilijat voivat tarvita erilaisen perehdytyksen. Maksavat voivat tarvita erilaisia pysyvyysominaisuuksia. Erillinen analyysi mahdollistaa segmenttikohtaisen optimoinnin.
Miten käytän käyttäytymisanalytiikkaa perustelemaan investoinnin uuteen ominaisuuteen?
Analysoi ensin kysyntä. Istuntotallenteet näyttävät, etsivätkö käyttäjät ominaisuutta. Tukipyynnöt näyttävät, pyytävätkö käyttäjät sitä. Jos kysyntää on, rakenna se. Julkaisun jälkeen mittaa vaikutus kohorttianalyysilla. Uusien ominaisuuden saaneiden käyttäjien pysyvyyden pitäisi olla parempi kuin ilman sitä olevien. Parempi pysyvyys oikeuttaa investoinnin. Jos pysyvyys ei parane, ominaisuutta ei kannattanut rakentaa.
Mitkä mikrokonversiot ovat tärkeimpiä SaaS-palvelun pysyvyydelle?
Keskity mikrokonversioihin, jotka ennustavat pysyvyyttä. Perehdytyksen suorittaminen ennustaa pysyvyyttä. Keskeisten ominaisuuksien käyttöönotto ennustaa pysyvyyttä. Tiimikavereiden kutsuminen ennustaa pysyvyyttä. Sisällön luominen ennustaa pysyvyyttä. Seuraa näitä. Vähemmän olennaiset mikrokonversiot, kuten hinnoittelusivulla käyminen, ovat vähemmän tärkeitä nykyisille käyttäjille.
Miten mittaan, kasvattavatko käyttäytymisanalytiikan parannukset oikeasti pysyvyyttä?
Laske kuukausittainen poistuma ennen käyttäytymiseen perustuvien parannusten käyttöönottoa ja sen jälkeen. Seuraa sitä kuukausi kuukaudelta. Jos poistuma vähenee, parannukset toimivat. Laske vaikutus. Jos vähennät poistumaa viidestä prosentista neljään, se on valtava. Kerro käyttäjäkunnallasi. Laske liikevaihtovaikutus. Vahva tuotto oikeuttaa jatkuvan sijoituksen käyttäytymisanalytiikkaan.