Кейс: аналитика контента для увеличения конверсии в Secret chats Flo

Антон Марцен

Secret chats — что-то вроде соцсети, где девушки могут общаться с экспертами или с другими девушками о здоровье. Фича уже работала, но команда хотела понять, как ее развивать, на какую аудиторию ориентироваться и какие задачи для какой аудитории характерны?

Важный нюанс: первая сессия в secret chats определяется индивидуальным набором контента.

Какие параметры использовали для сегментации

  • Ключевые события. Например: просмотр поста, лайки, время чтения и т.п.
  • Ответы на вопросы онбординга: цели, возраст, страна.
  • Время до «активации». Сколько времени прошло с момента регистрации в продукте до какого-то ключевого действия.

Что делали

Когортный анализ показал, что есть аудитория, которая поняла secret chats — и надо было разобраться, что зацепило этих пользователей и почему они вернулись в продукт.

Как разбирались в первом пользовательском опыте

Спустились до уровня сессий: пользователей переходит в соцсеть, читает одну карточку, потом другую, а потом уходит. Можно слева выписать всех пользователей, а справа — все просмотренные посты, а потом составить двудольный граф: кто куда заходил и что смотрел.

Принцип всех рекомендательных систем: похожим людям нравятся похожие вещи, а похожие вещи нравятся похожим людям. Поэтому полезно объединить пользователей через просмотренные посты. Однако для сложного продукта с большим количеством пользователей и контентных единиц этого недостаточно.

Чтобы учесть все варианты и связи, использовали алгоритмы ML: они проанализировали всех пользователей и все контентные единицы, а потом расположили близких пользователей рядом друг с другом. Получилось что-то похожее на космос — а не четкий граф, который строили до этого.

На графике есть подсвеченные фрагменты — это группы похожих пользователей. В логическом представлении, которое команда рисовала вручную, некоторых сегментов просто не было. Например, один из них — это женщины, которые хотят только отслеживать цикл и при этом читают контент о том, как забеременеть (уплотнение слева).

По каким принципам стали сегментировать аудиторию

  • Люди своим поведением сами себя определили в группы. Сетевой анализ помог выявить закономерности и отобразить их на графике.
  • В итоге даже большие track-сегменты (например, «все здоровые девушки») разбились на несколько подсегментов.
  • Для каждой группы взяли срезы по свойствам, вручную посмотрели, что читают эти сегменты и узнали, что объединяет этих людей.
  • Результат
  • Для каждого сегмента нашли интересные статьи, провели эксперимент на другой исторической когорте и увидели разницу в retention в 15%.
  • Провели эксперимент на новых пользователях и собрали для них персональную ленту контента: retention вырос больше, чем на 30%.
  • Создали аналитическую модель, которую можно использовать в продукте.

Антон Марцен, Senior Product Analyst, Flo Health, по материалам доклада на ProductSense Stories.

Добавить комментарий

ProductSense Academy — микрокурсы и 450+ докладов и кейсов по подписке Узнать больше