Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
У Amazon все позитивно. Чистый объем продаж вырос на 40% до 88,9 млрд долларов во 2q20 по сравнению с 63,4 млрд долларов в 2q19 г. Операционная прибыль увеличилась до 5,8 млрд долларов во 2q20 по сравнению с 3,1 млрд долларов в 2q19 г.
Amazon увеличил объемы доставки продуктов более чем на 160% и утроил количество мест, где можно получить продукты, для поддержки клиентов во время COVID-19. Продажи продуктов онлайн во втором квартале утроились по сравнению с аналогичным периодом прошлого года.
План на третий квартал: ожидается, что чистые продажи составят от 87,0 до 93,0 млрд. долл., или вырастут на 24–33% по сравнению с 3q19 г.
Подробности: https://ir.aboutamazon.com/quarterly-results/default.aspx
PDF: https://s2.q4cdn.com/299287126/files/doc_financials/2020/q2/update/Q2-2020-Amazon-Earnings-Release.pdf
@internetanalytics
Amazon увеличил объемы доставки продуктов более чем на 160% и утроил количество мест, где можно получить продукты, для поддержки клиентов во время COVID-19. Продажи продуктов онлайн во втором квартале утроились по сравнению с аналогичным периодом прошлого года.
План на третий квартал: ожидается, что чистые продажи составят от 87,0 до 93,0 млрд. долл., или вырастут на 24–33% по сравнению с 3q19 г.
Подробности: https://ir.aboutamazon.com/quarterly-results/default.aspx
PDF: https://s2.q4cdn.com/299287126/files/doc_financials/2020/q2/update/Q2-2020-Amazon-Earnings-Release.pdf
@internetanalytics
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Итоги 2q20 для Google, тoчнее - Alphabet
Рекламный бизнес падает на 8%. Растут облака - Google Cloud +43% год к году.
COVID сказался на медиапотреблении и реклама в YouTube растет на 6% год к году.
Google диверсифицируется. Доля рекламной выручки составляет 78%, хотя еще год назад составляла 83%.
Подробности: https://abc.xyz/investor/static/pdf/2020Q2_alphabet_earnings_release.pdf
@internetanalytics
Рекламный бизнес падает на 8%. Растут облака - Google Cloud +43% год к году.
COVID сказался на медиапотреблении и реклама в YouTube растет на 6% год к году.
Google диверсифицируется. Доля рекламной выручки составляет 78%, хотя еще год назад составляла 83%.
Подробности: https://abc.xyz/investor/static/pdf/2020Q2_alphabet_earnings_release.pdf
@internetanalytics
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
И, кстати, еще про Google.
Google открыл обучение по новой специальности ML Engineer.
Это курс для опытных дата-сатанистов, например, необходимо более 3-х лет опыта с продуктами GCloud, а акцент курса поставлен на решения для продакшена.
Эксперты советуют как можно быстрее получить сертификат, ведь его ценность в том, что его пока ни у кого нет.
Тем не менее, самой популярной облачной платформой остается AWS. И у них есть свой ML сертификат. Вот только на одном LinkedIn зарегистрировано 2 000 обладателей этой бумажки.
Кстати, интересный факт: на Coursera 4 миллиона людей прошло курс Andrew Ng по машинному обучению, тогда как в мире насчитывается только 17 100 ML инженеров...
В общем, надо разобраться, что за курс и куда "движутся облака"
@internetanalytics
Google открыл обучение по новой специальности ML Engineer.
Это курс для опытных дата-сатанистов, например, необходимо более 3-х лет опыта с продуктами GCloud, а акцент курса поставлен на решения для продакшена.
Эксперты советуют как можно быстрее получить сертификат, ведь его ценность в том, что его пока ни у кого нет.
Тем не менее, самой популярной облачной платформой остается AWS. И у них есть свой ML сертификат. Вот только на одном LinkedIn зарегистрировано 2 000 обладателей этой бумажки.
Кстати, интересный факт: на Coursera 4 миллиона людей прошло курс Andrew Ng по машинному обучению, тогда как в мире насчитывается только 17 100 ML инженеров...
В общем, надо разобраться, что за курс и куда "движутся облака"
@internetanalytics
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Итоги 2q20 для Facebook
Рост по всем фронтам. И DAU и MAU растут на 12%.
Рост рекламных доходов - на 10%.
Подробности: https://investor.fb.com/investor-events/default.aspx
PDF: https://s21.q4cdn.com/399680738/files/doc_financials/2020/q2/Q2'20-FB-Financial-Results-Press-Release.pdf
Классная преза с картинками для ваших презентаций: https://s21.q4cdn.com/399680738/files/doc_financials/2020/q2/Q2-2020-FB-Earnings-Presentation.pdf
@internetanalytics
Рост по всем фронтам. И DAU и MAU растут на 12%.
Рост рекламных доходов - на 10%.
Подробности: https://investor.fb.com/investor-events/default.aspx
PDF: https://s21.q4cdn.com/399680738/files/doc_financials/2020/q2/Q2'20-FB-Financial-Results-Press-Release.pdf
Классная преза с картинками для ваших презентаций: https://s21.q4cdn.com/399680738/files/doc_financials/2020/q2/Q2-2020-FB-Earnings-Presentation.pdf
@internetanalytics
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Spotify показывает скромные темпы роста в 2q20.
(Но нам ли судить...)
МАU почти 300 млн, платящих пользователей - 138 млн,
Рост на единицы процентов по доходам.
PDF: https://s22.q4cdn.com/540910603/files/doc_financials/2020/q2/Shareholder-Letter-Q2-2020-FINAL.pdf
Обзорная статья: https://variety.com/2020/digital/news/spotify-q2-users-299-million-coronavirus-1234719410/
@internetanalytics
(Но нам ли судить...)
МАU почти 300 млн, платящих пользователей - 138 млн,
Рост на единицы процентов по доходам.
PDF: https://s22.q4cdn.com/540910603/files/doc_financials/2020/q2/Shareholder-Letter-Q2-2020-FINAL.pdf
Обзорная статья: https://variety.com/2020/digital/news/spotify-q2-users-299-million-coronavirus-1234719410/
@internetanalytics
Forwarded from Интернет-аналитика // Алексей Никушин (Алексей Никушин)
Яндекс.
Выручка от продажи рекламы падает на 15% 😞
Зато Такси растет на 42% (но на самом деле - это Лавка и Еда)
Количество платных кликов (paid clicks) на сайтах Яндекса и на сайтах Рекламной сети Яндекса выросло в совокупности на 22% по сравнению с аналогичным показателем за второй квартал 2019 года.
Средняя цена за клик (cost per click) снизилась на 30% по сравнению с аналогичным показателем за второй квартал 2019 года.
Число поездок сервиса Такси снизилось на 6% по сравнению с аналогичным показателем за второй квартал 2019 года.
Число подписчиков Медиасервисов на конец второго квартала 2020 года достигло 4,5 миллиона.
Ежедневная аудитория Яндекс.Дзена в июне 2020 года составила 16,8 миллиона пользователей и увеличилась на 59% по сравнению с аналогичным показателем за июнь 2019 года
Источник: https://yandex.ru/company/press_releases/2020/2020-07-28
@internetanalytics
Выручка от продажи рекламы падает на 15% 😞
Зато Такси растет на 42% (но на самом деле - это Лавка и Еда)
Количество платных кликов (paid clicks) на сайтах Яндекса и на сайтах Рекламной сети Яндекса выросло в совокупности на 22% по сравнению с аналогичным показателем за второй квартал 2019 года.
Средняя цена за клик (cost per click) снизилась на 30% по сравнению с аналогичным показателем за второй квартал 2019 года.
Число поездок сервиса Такси снизилось на 6% по сравнению с аналогичным показателем за второй квартал 2019 года.
Число подписчиков Медиасервисов на конец второго квартала 2020 года достигло 4,5 миллиона.
Ежедневная аудитория Яндекс.Дзена в июне 2020 года составила 16,8 миллиона пользователей и увеличилась на 59% по сравнению с аналогичным показателем за июнь 2019 года
Источник: https://yandex.ru/company/press_releases/2020/2020-07-28
@internetanalytics
scale_2400.webp
54.6 KB
По оценкам Pew Research Center, лишь чуть больше половины миллениалов (которым сейчас от 23 до 38 лет) живут со своей семьёй. Своя семья - это супруг/супруга и/или дети. 13% миллениалов живут вдвоём с супругом, 30% с супругом и детьми, 12% с ребёнком без супруга.
В одиночестве живут 9%, с родителями рекордные 14%, ещё более рекордные же 14% проживают с другими родственниками (бабушки-дедушки, дяди-тёти, и так далее), а 7% проживают с какими-то посторонними людьми.
Для понимания масштаба изменений: среди людей, родившихся в 1940-ые, в возрасте 23-38 со своей семьёй жило 86%, из них 70% - с супругом и ребёнком. Ещё 8% с родителями, а остальные варианты совсем не пользовались популярностью.
Среди поколения, родившегося в 1950-1960-ые, с семьёй в том же возрасте жило 69%, через 20 лет таких стало 65%, а сейчас уже 55%.
В одиночестве живут 9%, с родителями рекордные 14%, ещё более рекордные же 14% проживают с другими родственниками (бабушки-дедушки, дяди-тёти, и так далее), а 7% проживают с какими-то посторонними людьми.
Для понимания масштаба изменений: среди людей, родившихся в 1940-ые, в возрасте 23-38 со своей семьёй жило 86%, из них 70% - с супругом и ребёнком. Ещё 8% с родителями, а остальные варианты совсем не пользовались популярностью.
Среди поколения, родившегося в 1950-1960-ые, с семьёй в том же возрасте жило 69%, через 20 лет таких стало 65%, а сейчас уже 55%.
Интересные данные по конверсии, передайте вашему web дизайнеру
Forwarded from 100x | Денис Мартынцев
Стереотипы продуктовой аналитики
Павел Левчук написал серию интересных постов про стереотипы продуктовой аналитики. Не могу пройти мимо, потому что работа с аналитикой – это, пожалуй, самая трудоемкая и сложная задача для команд роста и продукта.
Кратко перескажу стереотипы своими словами в посте. Если захотите изучить подробнее, переходите на страницу Павла и ищите по хэштегу Misunderstanding.
Стереотип #1
Сессионная аналитика (Google Analytics) позволит понять, как пользуются вашим продуктом.
Не позволит. Это универсальный и относительно простой способ что-то померять, но он не отражает реальность использования продукта.
Настоящее и будущее за event-based аналитикой (Amplitude, Mixpanel), которая строится на событиях, то есть, действиях, совершаемых пользователями.
Стереотип #2
Онбординг – это способ познакомить пользователей с функциями продукта.
Если копнуть чуть глубже, становится понятно, что это не так.
Пользователи не покупают функции, они покупают решение своих задач. Онбординг нужен, чтобы как можно скорее довести пользователей до совершения целевого действия, приносящего ценность.
Онбординг – это инструмент раскрытия ценности и формирования привычки пользоваться продуктом. Пересмотрев его в такой парадигме, вы сможете существенно увеличить активацию и удержание.
Стереотип #3
Monthly Active Users (MAU) – хороший способ измерять рост пользовательской базы.
Это не совсем верно, потому что показатель MAU ничего не говорит о том, что именно произошло: почему активных стало больше или меньше. Следовательно, через него вы не можете влиять на рост. Нужно раскладывать MAU на составляющие.
Для более точного понимания роста пользовательской базы лучше использовать относительный показатель Quick Ratio.
QR = (New + Resurrected) / (Churned)
С его помощью можно отслеживать динамику прироста базы и видеть причины изменений.
Стереотип #4
Липкость продукта измеряется как соотношение DAU и MAU.
Метрика stickiness (DAU/MAU) популярна для продуктов, предполагающих высокую частотность использования (казуальные игры, мессенджеры, соцсети). Но для большинства других продуктов, она достаточно бесполезна.
В качестве альтернативы можно использовать метрику Lness. Вместо агрегации данных на уровне месяца, строится гистограмма использования по количеству дней.
Например, L5/7 говорит о том, какой % пользователей воспользовался продуктом 5 дней из 7.
По аналогии можно построить любые другие шкалы, которые лучше описывают циклы использования именно вашего продукта.
Стереотип #5
Если в метрике есть недостатки, то она бесполезна.
Далеко не всегда. Например, тот же MAU, который был рассмотрен в третьем стереотипе, можно использовать для составления матрицы вовлеченности (Engagement matrix).
В матрице по оси X идёт % MAU, т.е. процент пользователей, которые хотя бы раз воспользовались функцией, по оси Y идёт Lness, т.е. среднее количество дней, когда пользовались функцией или генерировали событие в ней.
С помощью матрицы можно понять, какие именно функции вовлекают пользователей в продукт, отследить результаты изменения существующих функций и добавления новых.
Стереотип #6
Работать с поведенческими данными очень сложно: много событий, которые нужно отслеживать, они распределяются не симметрично, их сложно извлекать и отделять от бесполезного шума.
Отчасти так и есть, но можно использовать более простой статистический способ анализа – Key Influencers Visual в Power BI. С его помощью можно ускорить проверку продуктовых гипотез и упростить работу с данными.
Чтобы глубже погрузиться в тему аналитики роста продуктов, рекомендую также перечитать старые посты в блоге Павла.
Павел Левчук написал серию интересных постов про стереотипы продуктовой аналитики. Не могу пройти мимо, потому что работа с аналитикой – это, пожалуй, самая трудоемкая и сложная задача для команд роста и продукта.
Кратко перескажу стереотипы своими словами в посте. Если захотите изучить подробнее, переходите на страницу Павла и ищите по хэштегу Misunderstanding.
Стереотип #1
Сессионная аналитика (Google Analytics) позволит понять, как пользуются вашим продуктом.
Не позволит. Это универсальный и относительно простой способ что-то померять, но он не отражает реальность использования продукта.
Настоящее и будущее за event-based аналитикой (Amplitude, Mixpanel), которая строится на событиях, то есть, действиях, совершаемых пользователями.
Стереотип #2
Онбординг – это способ познакомить пользователей с функциями продукта.
Если копнуть чуть глубже, становится понятно, что это не так.
Пользователи не покупают функции, они покупают решение своих задач. Онбординг нужен, чтобы как можно скорее довести пользователей до совершения целевого действия, приносящего ценность.
Онбординг – это инструмент раскрытия ценности и формирования привычки пользоваться продуктом. Пересмотрев его в такой парадигме, вы сможете существенно увеличить активацию и удержание.
Стереотип #3
Monthly Active Users (MAU) – хороший способ измерять рост пользовательской базы.
Это не совсем верно, потому что показатель MAU ничего не говорит о том, что именно произошло: почему активных стало больше или меньше. Следовательно, через него вы не можете влиять на рост. Нужно раскладывать MAU на составляющие.
Для более точного понимания роста пользовательской базы лучше использовать относительный показатель Quick Ratio.
QR = (New + Resurrected) / (Churned)
С его помощью можно отслеживать динамику прироста базы и видеть причины изменений.
Стереотип #4
Липкость продукта измеряется как соотношение DAU и MAU.
Метрика stickiness (DAU/MAU) популярна для продуктов, предполагающих высокую частотность использования (казуальные игры, мессенджеры, соцсети). Но для большинства других продуктов, она достаточно бесполезна.
В качестве альтернативы можно использовать метрику Lness. Вместо агрегации данных на уровне месяца, строится гистограмма использования по количеству дней.
Например, L5/7 говорит о том, какой % пользователей воспользовался продуктом 5 дней из 7.
По аналогии можно построить любые другие шкалы, которые лучше описывают циклы использования именно вашего продукта.
Стереотип #5
Если в метрике есть недостатки, то она бесполезна.
Далеко не всегда. Например, тот же MAU, который был рассмотрен в третьем стереотипе, можно использовать для составления матрицы вовлеченности (Engagement matrix).
В матрице по оси X идёт % MAU, т.е. процент пользователей, которые хотя бы раз воспользовались функцией, по оси Y идёт Lness, т.е. среднее количество дней, когда пользовались функцией или генерировали событие в ней.
С помощью матрицы можно понять, какие именно функции вовлекают пользователей в продукт, отследить результаты изменения существующих функций и добавления новых.
Стереотип #6
Работать с поведенческими данными очень сложно: много событий, которые нужно отслеживать, они распределяются не симметрично, их сложно извлекать и отделять от бесполезного шума.
Отчасти так и есть, но можно использовать более простой статистический способ анализа – Key Influencers Visual в Power BI. С его помощью можно ускорить проверку продуктовых гипотез и упростить работу с данными.
Чтобы глубже погрузиться в тему аналитики роста продуктов, рекомендую также перечитать старые посты в блоге Павла.
Forwarded from 100x | Денис Мартынцев
Как измерить сарафанное радио
В блоге Reforge вышла гостевая статья от Yousuf Bhaijee в недавнем прошлом VP of Growth в Eaze, а до этого в Disney и Zynga. Автор предложил крутой способ измерить эффект для продукта от сарафанного радио.
Не могу пройти мимо. Темы виральности, вирусного маркетинга и сарафана мне особенно интересны. Именно поэтому я сделал отдельный курс.
Основные мысли и идеи статьи:
1. Сарафанное радио (Word of Mouth) всегда был актуальным источником новых клиентов, а сейчас становится еще актуальнее. Facebook, Google и Amazon монополизировали рынок рекламы и продолжают доминировать, занимая 70% рынка digital-рекламы. Apple отменил advertising ID, поисковые системы убивают органику, продвигая колдунщиков и рекламную выдачу. Все это увеличивает конкуренцию за внимание аудитории и повышает стоимость привлечения.
2. Эффект от Word of Mouth сложно измерить, а значит сложно на него осмысленно повлиять. Многие компании пытаются что-то делать, измеряя NPS, проводя опросы, мониторя соцсети. Эти методы не дают адекватного количественного показателя, с помощью которого можно судить о реальном влиянии WOM на продукт.
3. WOM-коэффициент позволяет отслеживать, как ваши активные пользователи приводят новых через личные рекомендации. Рассчитывается следующим образом:
WOM-coeff = New Organic Users / (Returning Users + Non-organic New Users)
То есть, новых органических пользователей (нельзя отследить источник) мы делим на сумму вернувшихся и новых неорганических (источник известен). Период измерения вы определяете сами в зависимости от частоты использования продукта (день, неделя или месяц).
4. Ключевой параметр здесь – активные, вернувшиеся пользователи. Именно те пользователи, которые продолжают возвращаться в ваш продукт, получая от него ценность, являются главными передатчиками информации по сарафанному радио. Это подтверждается данными по нескольким десяткам продуктов на интервале 3-х лет. Количество новых органических пользователей линейно зависит от количества активных. Даже когда количество активных увеличивалось в 7 раз, зависимость сохранялась.
5. WOM-coefficient и K-Factor – это разные показатели. K-factor рассчитывается, когда мы можем измерить действия пользователей в продукте (копируют ссылку, шерят). Через него мы можем измерять виральность, но не сарафанное радио. Про разницу между этими понятиями смотрите мой вебинар. Сарафан по своей природе отследить сложно, именно поэтому в качестве входных данных используется косвенный показатель – количество активных пользователей.
6. Пример для приложения, обучающего игре на фортепьяно (график внизу). Продукт сильно зависит от платного трафика, который является основным источником новых пользователей.
При масштабировании платных каналов привлечения, WOM-коэффициент уменьшается, как и показатель удержания. Это логично: чем больше масштаб привлечения, тем ниже качество пользователей.
По мере увеличения объема, WOM-коэффициент становится более стабильным, уменьшается волатильность. Но даже в самом нестабильном состоянии, диапазон достаточно узкий, чтобы считать показатель корректным для отслеживания и прогнозирования.
Измеряя WOM-коэффициент и отслеживая его взаимосвязь с продуктовыми метриками (удержание, вовлеченность), вы можете прогнозировать влияние изменений в продукте на приток новых пользователей через сарафанное радио.
Больше примеров и графиков можно найти в оригинальной статье. Автор обещает продолжение с более конкретной информацией о том, как корректно измерять и оценивать коэффициент. Будем следить.
В блоге Reforge вышла гостевая статья от Yousuf Bhaijee в недавнем прошлом VP of Growth в Eaze, а до этого в Disney и Zynga. Автор предложил крутой способ измерить эффект для продукта от сарафанного радио.
Не могу пройти мимо. Темы виральности, вирусного маркетинга и сарафана мне особенно интересны. Именно поэтому я сделал отдельный курс.
Основные мысли и идеи статьи:
1. Сарафанное радио (Word of Mouth) всегда был актуальным источником новых клиентов, а сейчас становится еще актуальнее. Facebook, Google и Amazon монополизировали рынок рекламы и продолжают доминировать, занимая 70% рынка digital-рекламы. Apple отменил advertising ID, поисковые системы убивают органику, продвигая колдунщиков и рекламную выдачу. Все это увеличивает конкуренцию за внимание аудитории и повышает стоимость привлечения.
2. Эффект от Word of Mouth сложно измерить, а значит сложно на него осмысленно повлиять. Многие компании пытаются что-то делать, измеряя NPS, проводя опросы, мониторя соцсети. Эти методы не дают адекватного количественного показателя, с помощью которого можно судить о реальном влиянии WOM на продукт.
3. WOM-коэффициент позволяет отслеживать, как ваши активные пользователи приводят новых через личные рекомендации. Рассчитывается следующим образом:
WOM-coeff = New Organic Users / (Returning Users + Non-organic New Users)
То есть, новых органических пользователей (нельзя отследить источник) мы делим на сумму вернувшихся и новых неорганических (источник известен). Период измерения вы определяете сами в зависимости от частоты использования продукта (день, неделя или месяц).
4. Ключевой параметр здесь – активные, вернувшиеся пользователи. Именно те пользователи, которые продолжают возвращаться в ваш продукт, получая от него ценность, являются главными передатчиками информации по сарафанному радио. Это подтверждается данными по нескольким десяткам продуктов на интервале 3-х лет. Количество новых органических пользователей линейно зависит от количества активных. Даже когда количество активных увеличивалось в 7 раз, зависимость сохранялась.
5. WOM-coefficient и K-Factor – это разные показатели. K-factor рассчитывается, когда мы можем измерить действия пользователей в продукте (копируют ссылку, шерят). Через него мы можем измерять виральность, но не сарафанное радио. Про разницу между этими понятиями смотрите мой вебинар. Сарафан по своей природе отследить сложно, именно поэтому в качестве входных данных используется косвенный показатель – количество активных пользователей.
6. Пример для приложения, обучающего игре на фортепьяно (график внизу). Продукт сильно зависит от платного трафика, который является основным источником новых пользователей.
При масштабировании платных каналов привлечения, WOM-коэффициент уменьшается, как и показатель удержания. Это логично: чем больше масштаб привлечения, тем ниже качество пользователей.
По мере увеличения объема, WOM-коэффициент становится более стабильным, уменьшается волатильность. Но даже в самом нестабильном состоянии, диапазон достаточно узкий, чтобы считать показатель корректным для отслеживания и прогнозирования.
Измеряя WOM-коэффициент и отслеживая его взаимосвязь с продуктовыми метриками (удержание, вовлеченность), вы можете прогнозировать влияние изменений в продукте на приток новых пользователей через сарафанное радио.
Больше примеров и графиков можно найти в оригинальной статье. Автор обещает продолжение с более конкретной информацией о том, как корректно измерять и оценивать коэффициент. Будем следить.
Вселенная социальных сетей https://www.visualcapitalist.com/visualizing-the-social-media-universe-in-2020/
Visual Capitalist
Visualizing the Social Media Universe in 2020
Nearly half the world has tapped into the social media universe. Monthly Active Users (MAUs) quantifies the success of these giant platforms.
Forwarded from 100x | Денис Мартынцев
Как найти и измерить Product-Market Fit
Вопрос поиска PMF пережеван много раз, но от этого не теряет актуальности. Тема критически важна для новых продуктов, поэтому любые дополнительные вводные могут быть полезны.
Недавно наткнулся на фреймворк, о котором раньше не слышал. Product-Market Fit Radar помогает найти и понятным образом измерить PMF для уже существующего продукта.
Радар рассматривает четыре ключевых параметра: активация, вовлечение, удержание, лояльность. Чтобы убедиться в наличии PMF, вы должны измерить продукт по каждому из них.
Активация
Становятся ли новые пользователи активными?
Активация – это действие или ряд действий, которые ведут пользователя к получению первой ценности (Aha-moment). Вам нужно во-первых точно знать, какие действия являются активирующими, во-вторых, измерить процент активированных пользователей.
Результативный процент будет отличаться от продукта к продукту. Авторы фреймворка предлагают ориентироваться на 30%.
Если у вас процент активации выше, то с высокой вероятностью по этому параметру вы проходите PMF. Если ниже, то нужно исследовать более тщательно. Возможно, для продуктов вашего типа бенчмарк сильно отличается.
Вовлечение
Насколько активные пользователи вовлечены в продукт?
Вовлечение рассчитывается как отношение количества ключевых действий к количеству активных пользователей: Engagement % = Number of Key Actions / Number of users * 100
Что является ключевым действием, зависит от продукта. Это может быть количество транзакций, прослушанных песен, просмотренных видео, выставленных счетов, отправленных сообщений. Рассматривается в периоде дня, недели или месяца.
Например, если MAU = 10000, а количество действий = 1000, то вовлечение будет равно 10%.
Усредненный PMF бенчмарк по этому показателю – 50%.
Удержание
Достаточно ли ценности дает продукт, чтобы пользователи возвращались?
Удержание показывает, какой процент пользователей остается в продукте спустя время после первой сессии.
Кривая удержания с какого-то момента должна стать параллельной оси времени. Это будет означать, что часть пользователей остаются в продукте. Какой период времени рассматривать и какой процент пользователей должен оставаться, очень сильно зависит от продукта.
Некоторые бенчамрки для разных продуктов можно подсмотреть в отчетах AppsFlyer (приложения) и Mixpanel.
Лояльность
Достаточно ли пользователи лояльны, чтобы рекомендовать продукт?
Измерить показатель лояльности можно с помощью NPS (Net Promoter Score) – попросить пользователей оценить по 10-бальной шкале, насколько они готовы рекомендовать продукт друзьям или коллегам.
Для расчета NPS нужно вычесть из процента промоутеров (поставили 9 или 10) процент дестракторов (поставили от 1 до 6).
Как обычно, результативный показатель зависит от продукта и рынка. Но в сочетании с ваше описанными параметрами за бенчмарк можно взять 35%.
Итого
Если в вашем продукте активация из новых в активных выше 30%, вовлечение больше 50%, часть пользователей удерживаются и не уходят со временем, а NPS выше 35%, то можете считать что PMF есть.
Много вопросов к этому фреймворку, но по крайней мере все метрики про пользователей и ценность, они понятны и измеримы. Думаю, если вы найдете PMF с помощью такого подхода, то не ошибетесь. Инвесторам точно будет, что показать.
Подробнее про Product-Market Fit Radar можно узнать из вебинара Pavlo Pedenko (Growth Manager в Preply) и Yaroslav Stepanenko (Product Marketing Manager в MacPaw). Осторожно, вторая часть вебинара продающая.
Вопрос поиска PMF пережеван много раз, но от этого не теряет актуальности. Тема критически важна для новых продуктов, поэтому любые дополнительные вводные могут быть полезны.
Недавно наткнулся на фреймворк, о котором раньше не слышал. Product-Market Fit Radar помогает найти и понятным образом измерить PMF для уже существующего продукта.
Радар рассматривает четыре ключевых параметра: активация, вовлечение, удержание, лояльность. Чтобы убедиться в наличии PMF, вы должны измерить продукт по каждому из них.
Активация
Становятся ли новые пользователи активными?
Активация – это действие или ряд действий, которые ведут пользователя к получению первой ценности (Aha-moment). Вам нужно во-первых точно знать, какие действия являются активирующими, во-вторых, измерить процент активированных пользователей.
Результативный процент будет отличаться от продукта к продукту. Авторы фреймворка предлагают ориентироваться на 30%.
Если у вас процент активации выше, то с высокой вероятностью по этому параметру вы проходите PMF. Если ниже, то нужно исследовать более тщательно. Возможно, для продуктов вашего типа бенчмарк сильно отличается.
Вовлечение
Насколько активные пользователи вовлечены в продукт?
Вовлечение рассчитывается как отношение количества ключевых действий к количеству активных пользователей: Engagement % = Number of Key Actions / Number of users * 100
Что является ключевым действием, зависит от продукта. Это может быть количество транзакций, прослушанных песен, просмотренных видео, выставленных счетов, отправленных сообщений. Рассматривается в периоде дня, недели или месяца.
Например, если MAU = 10000, а количество действий = 1000, то вовлечение будет равно 10%.
Усредненный PMF бенчмарк по этому показателю – 50%.
Удержание
Достаточно ли ценности дает продукт, чтобы пользователи возвращались?
Удержание показывает, какой процент пользователей остается в продукте спустя время после первой сессии.
Кривая удержания с какого-то момента должна стать параллельной оси времени. Это будет означать, что часть пользователей остаются в продукте. Какой период времени рассматривать и какой процент пользователей должен оставаться, очень сильно зависит от продукта.
Некоторые бенчамрки для разных продуктов можно подсмотреть в отчетах AppsFlyer (приложения) и Mixpanel.
Лояльность
Достаточно ли пользователи лояльны, чтобы рекомендовать продукт?
Измерить показатель лояльности можно с помощью NPS (Net Promoter Score) – попросить пользователей оценить по 10-бальной шкале, насколько они готовы рекомендовать продукт друзьям или коллегам.
Для расчета NPS нужно вычесть из процента промоутеров (поставили 9 или 10) процент дестракторов (поставили от 1 до 6).
Как обычно, результативный показатель зависит от продукта и рынка. Но в сочетании с ваше описанными параметрами за бенчмарк можно взять 35%.
Итого
Если в вашем продукте активация из новых в активных выше 30%, вовлечение больше 50%, часть пользователей удерживаются и не уходят со временем, а NPS выше 35%, то можете считать что PMF есть.
Много вопросов к этому фреймворку, но по крайней мере все метрики про пользователей и ценность, они понятны и измеримы. Думаю, если вы найдете PMF с помощью такого подхода, то не ошибетесь. Инвесторам точно будет, что показать.
Подробнее про Product-Market Fit Radar можно узнать из вебинара Pavlo Pedenko (Growth Manager в Preply) и Yaroslav Stepanenko (Product Marketing Manager в MacPaw). Осторожно, вторая часть вебинара продающая.
Forwarded from 100x | Денис Мартынцев
Зачем и как использовать Growth-модели
Тема с моделями роста последнее время меня очень занимает. Практика показывает, что наличие модели – лучший способ повысить качество гипотез в командах роста.
Модели помогают:
1. Понять, к каким частям продукта и маркетинга нужно приложить усилия, чтобы получить лучший результат.
2. Более объективно оценивать влияние сформулированных гипотез.
Модель представляет собой эксель таблицу, в которой отражены ключевые и вспомогательные метрики и их влияние друг на друга во времени. Изменяя показатели в модели, вы можете увидеть, как изменится значение целевой бизнес-метрики в будущем.
Таблица – это, конечно, костыль. Идеал – автоматизированная модель, данные в которую подтягиваются в реальном времени и отображаются на быстрых и удобных дашбордах. Но я пока такого не встречал.
Что должно содержаться в модели:
1. Целевая метрика, на которую все завязано, и по которой вы собственно оцениваете рост. Это может быть денежный показатель (выручка, доход, GMV) или North Star Metric.
2. Метрики продукта и маркетинга, которые влияют на рост: новые пользователи, разбитые по источникам (paid, organic); основные конверсии (регистрация, активация, первая покупка, повторная покупка); удержание и отток (процент тех, кто продолжает использовать продукт и тех, кто ушел); средний чек для разных клиентских сегментов; коэффициент виральности. По сути, все основные метрики воронки AARRR.
3. Динамика изменений во времени, учитывающая сезонность и прогресс развития продукта. Модель должна показать, на сколько изменится целевая метрика в январе, если в сентябре вы увеличите С1 на 20%.
4. Зависимости между метриками. Если вы решите увеличить средний чек за счет повышения цены, то очевидно увеличится и отток. Редко, когда бывает иначе. Это надо учитывать.
5. Отличия в метриках по ключевым факторам: страны, платформы, клиентские сегменты. Идеально, если по когортам, то есть с привязкой к дате первой сессии. Но это уже космос.
Получается, что чем более однороден продукт, тем модель проще. И наоборот.
Например, если у вас мобильное приложение на русском языке, только для iOS, с подпиской по единой цене, то составить модель будет не сложно.
А если у вас кросс-платформенный сервис, распространяемый в 35 странах на 15 языках, то создание полноценной модели займет много времени и ресурсов. Чтобы ускорить процесс, можно собрать модель по частям или упростить, приняв в расчет, что она точна только до определенной степени.
Примитивную версию модели можно собрать из имеющихся данных достаточно быстро, исключив из нее зависимости, влияющие факторы и упростив динамику.
Я обычно строю модель по месяцам на год, чтобы отслеживать изменения YoY. Потому что цели по росту чаще всего ставятся годовые. Данные беру за прошедшие три месяца, смотрю сезонность по предыдущим двум годам и, если надо, накладываю коэффициенты.
Этого уже достаточно, чтобы искать точки роста и уточнять параметр влияния (Impact) при оценке гипотез по ICE Score.
Важно прививать практику применения модели не только себе, но и команде, чтобы все одинаково видели метрическую реальность. Также, важно корректировать модель со временем, потому что она быстро устаревает.
Если у вас еще нет Growth-модели, рекомендую заняться ей в самое ближайшее время. Чем раньше начнете, тем быстрее разберетесь, какой она должна быть для вашего продукта и научитесь извлекать из модели практическую пользу.
Тема с моделями роста последнее время меня очень занимает. Практика показывает, что наличие модели – лучший способ повысить качество гипотез в командах роста.
Модели помогают:
1. Понять, к каким частям продукта и маркетинга нужно приложить усилия, чтобы получить лучший результат.
2. Более объективно оценивать влияние сформулированных гипотез.
Модель представляет собой эксель таблицу, в которой отражены ключевые и вспомогательные метрики и их влияние друг на друга во времени. Изменяя показатели в модели, вы можете увидеть, как изменится значение целевой бизнес-метрики в будущем.
Таблица – это, конечно, костыль. Идеал – автоматизированная модель, данные в которую подтягиваются в реальном времени и отображаются на быстрых и удобных дашбордах. Но я пока такого не встречал.
Что должно содержаться в модели:
1. Целевая метрика, на которую все завязано, и по которой вы собственно оцениваете рост. Это может быть денежный показатель (выручка, доход, GMV) или North Star Metric.
2. Метрики продукта и маркетинга, которые влияют на рост: новые пользователи, разбитые по источникам (paid, organic); основные конверсии (регистрация, активация, первая покупка, повторная покупка); удержание и отток (процент тех, кто продолжает использовать продукт и тех, кто ушел); средний чек для разных клиентских сегментов; коэффициент виральности. По сути, все основные метрики воронки AARRR.
3. Динамика изменений во времени, учитывающая сезонность и прогресс развития продукта. Модель должна показать, на сколько изменится целевая метрика в январе, если в сентябре вы увеличите С1 на 20%.
4. Зависимости между метриками. Если вы решите увеличить средний чек за счет повышения цены, то очевидно увеличится и отток. Редко, когда бывает иначе. Это надо учитывать.
5. Отличия в метриках по ключевым факторам: страны, платформы, клиентские сегменты. Идеально, если по когортам, то есть с привязкой к дате первой сессии. Но это уже космос.
Получается, что чем более однороден продукт, тем модель проще. И наоборот.
Например, если у вас мобильное приложение на русском языке, только для iOS, с подпиской по единой цене, то составить модель будет не сложно.
А если у вас кросс-платформенный сервис, распространяемый в 35 странах на 15 языках, то создание полноценной модели займет много времени и ресурсов. Чтобы ускорить процесс, можно собрать модель по частям или упростить, приняв в расчет, что она точна только до определенной степени.
Примитивную версию модели можно собрать из имеющихся данных достаточно быстро, исключив из нее зависимости, влияющие факторы и упростив динамику.
Я обычно строю модель по месяцам на год, чтобы отслеживать изменения YoY. Потому что цели по росту чаще всего ставятся годовые. Данные беру за прошедшие три месяца, смотрю сезонность по предыдущим двум годам и, если надо, накладываю коэффициенты.
Этого уже достаточно, чтобы искать точки роста и уточнять параметр влияния (Impact) при оценке гипотез по ICE Score.
Важно прививать практику применения модели не только себе, но и команде, чтобы все одинаково видели метрическую реальность. Также, важно корректировать модель со временем, потому что она быстро устаревает.
Если у вас еще нет Growth-модели, рекомендую заняться ей в самое ближайшее время. Чем раньше начнете, тем быстрее разберетесь, какой она должна быть для вашего продукта и научитесь извлекать из модели практическую пользу.
Forwarded from 100x | Денис Мартынцев
Кривая ценности развлекательных сервисов: почему TikTok жжет
В блоге Reforge вышла новая гостевая статья от Ravi Mehta, ex-CPO Tinder. Автор неплохо разобрал вопрос, почему одни развлекательные сервисы взлетают, а другие нет.
Вы вряд ли знаете, но я ни один год потратил именно на развлекательные приложения, меня эта тема никогда не перестанет интересовать. Резюмировал основную суть статьи:
1. Ценность развлекательных продуктов – это сумма ценности продакшена и социальной ценности.
Entertainment Value = Production Value + Social Value
Если отобразить в виде кривой на графике, то по оси Y будет социальная ценность, а по оси X – ценность продакшена.
2. Социальная ценность – это уровень личной связи зрителя с контентом. Контент, созданный друзьями, гораздо ценнее, чем контент, созданный неизвестными людьми.
Со временем зритель может развивать свои отношения с создателем, даже если изначально они не были знакомы. Главное, чтобы у создателя было человеческое лицо, чтобы он был похож на зрителя, тогда зритель начнет ему сопереживать.
В этом кроется главная составляющая успеха Instagram, Snapchat, TikTok и других социальных контентных сервисов.
Социальная ценность измеряется через процент пользователей сервиса, создающих контент. В Snapchat порядка 60% активных пользователей создают контент каждый день. В YouTube не больше 2.5% пользователей создавали контент хотя бы раз.
3. Ценность продакшена – это качество контента в данном жанре, объективный уровень качества материла.
Фильмы Marvel, например, демонстрируют наивысшую ценность продакшена для боевика. При прочих равных людям больше нравится контент с более качественным продакшеном.
Ценность продакшена можно отразить через распределение количества просмотров на единицу контента. В Netflix в общей сложности 36 000 часов контента, в то время как на YouTube каждый день загружается 720 000 часов нового контента.
У Netflix большая часть просмотров распределится между самыми популярными тайтлами. У YouTube просмотры более-менее равномерно распределятся между огромным количеством тайтлов.
4. Успех развлекательного сервиса зависит от того, на сколько точно он понимает и реализует свою позицию на кривой качества контента и социальной ценности.
5. Почему TikTok жжет. Они заняли свободное место на кривой ценности развлекательных продуктов и расположились между Instagram и YouTube (график внизу).
Ценность продашкена ниже, чем на YouTube, но выше, чем в Instagram. Социальная ценность выше, чем на YouTube, но ниже, чем в Instagram.
Им удалось сломать барьер между аудиторией и создателями за счет двух ключевых моментов:
— Алгоритмы которые делают контент виральным вне зависимости от первоначальной популярности автора. Новые создатели становятся звездами и набирают сотни тысяч подписчиков за считанные недели. Добиться такого в Instagram из-за особенностей умной ленты со временем становится только сложнее.
— Сокращение разницы в качестве продакшена за счет встроенного редактора и унифицированого формата. Новички могут сразу создавать контент, не отличающийся по качеству от контента, создаваемого звездами. В YouTube разрыв в ценности продакшена постоянно растет, особенно за счет профессиональных видео мейкеров, бывших телевизионщиков и киношников, которые осваивают новую для себя платформу.
TikTok – это бесконечный поток контента, который одновременно свежий, близкий и знакомый. Это социальная экосистема, стимулирующая потребителей становиться авторами и неистово шарить контент.
Результат – колоссальная вовлеченность. Недавнее исследование показало, что дети тратят на TikTok в среднем 80 минут в день.
Если вы делаете развлекательный сервис, спросите себя: где наш продукт на кривой ценности? Возможно, он в той части, где уже существующие сервисы, обладающие сетевым эффектом, не оставят вам шансов.
В блоге Reforge вышла новая гостевая статья от Ravi Mehta, ex-CPO Tinder. Автор неплохо разобрал вопрос, почему одни развлекательные сервисы взлетают, а другие нет.
Вы вряд ли знаете, но я ни один год потратил именно на развлекательные приложения, меня эта тема никогда не перестанет интересовать. Резюмировал основную суть статьи:
1. Ценность развлекательных продуктов – это сумма ценности продакшена и социальной ценности.
Entertainment Value = Production Value + Social Value
Если отобразить в виде кривой на графике, то по оси Y будет социальная ценность, а по оси X – ценность продакшена.
2. Социальная ценность – это уровень личной связи зрителя с контентом. Контент, созданный друзьями, гораздо ценнее, чем контент, созданный неизвестными людьми.
Со временем зритель может развивать свои отношения с создателем, даже если изначально они не были знакомы. Главное, чтобы у создателя было человеческое лицо, чтобы он был похож на зрителя, тогда зритель начнет ему сопереживать.
В этом кроется главная составляющая успеха Instagram, Snapchat, TikTok и других социальных контентных сервисов.
Социальная ценность измеряется через процент пользователей сервиса, создающих контент. В Snapchat порядка 60% активных пользователей создают контент каждый день. В YouTube не больше 2.5% пользователей создавали контент хотя бы раз.
3. Ценность продакшена – это качество контента в данном жанре, объективный уровень качества материла.
Фильмы Marvel, например, демонстрируют наивысшую ценность продакшена для боевика. При прочих равных людям больше нравится контент с более качественным продакшеном.
Ценность продакшена можно отразить через распределение количества просмотров на единицу контента. В Netflix в общей сложности 36 000 часов контента, в то время как на YouTube каждый день загружается 720 000 часов нового контента.
У Netflix большая часть просмотров распределится между самыми популярными тайтлами. У YouTube просмотры более-менее равномерно распределятся между огромным количеством тайтлов.
4. Успех развлекательного сервиса зависит от того, на сколько точно он понимает и реализует свою позицию на кривой качества контента и социальной ценности.
5. Почему TikTok жжет. Они заняли свободное место на кривой ценности развлекательных продуктов и расположились между Instagram и YouTube (график внизу).
Ценность продашкена ниже, чем на YouTube, но выше, чем в Instagram. Социальная ценность выше, чем на YouTube, но ниже, чем в Instagram.
Им удалось сломать барьер между аудиторией и создателями за счет двух ключевых моментов:
— Алгоритмы которые делают контент виральным вне зависимости от первоначальной популярности автора. Новые создатели становятся звездами и набирают сотни тысяч подписчиков за считанные недели. Добиться такого в Instagram из-за особенностей умной ленты со временем становится только сложнее.
— Сокращение разницы в качестве продакшена за счет встроенного редактора и унифицированого формата. Новички могут сразу создавать контент, не отличающийся по качеству от контента, создаваемого звездами. В YouTube разрыв в ценности продакшена постоянно растет, особенно за счет профессиональных видео мейкеров, бывших телевизионщиков и киношников, которые осваивают новую для себя платформу.
TikTok – это бесконечный поток контента, который одновременно свежий, близкий и знакомый. Это социальная экосистема, стимулирующая потребителей становиться авторами и неистово шарить контент.
Результат – колоссальная вовлеченность. Недавнее исследование показало, что дети тратят на TikTok в среднем 80 минут в день.
Если вы делаете развлекательный сервис, спросите себя: где наш продукт на кривой ценности? Возможно, он в той части, где уже существующие сервисы, обладающие сетевым эффектом, не оставят вам шансов.
