Προχωρημένα στατιστικά ιστοσελίδας: πέρα από τα βασικά

Μια επιχείρηση που βλέπει μόνο τα βασικά στατιστικά βλέπει το ποσοστό μετατροπής να πέφτει από 3% σε 2,5% και πανικοβάλλεται. Κατηγορεί το προϊόν, την αγορά ή το κοινό της. Μια επιχείρηση με προχωρημένα στατιστικά ξέρει ακριβώς το πρόβλημα: ένα κουμπί πληρωμής στο κινητό ανέβηκε 2 pixel μικρότερο, επηρέασε το 40% των επισκεπτών και κόστισε μετρήσιμα έσοδα. Αυτή είναι η διαφορά ανάμεσα στο να μαντεύεις και στο να ξέρεις.

Τα προχωρημένα στατιστικά πάνε πέρα από το μέτρημα επισκεπτών και προβολών σελίδας. Βρίσκουν μοτίβα, προβλέπουν τι έρχεται και εξηγούν γιατί συμβαίνουν τα πράγματα. Τα βασικά στατιστικά απαντούν στο «πόσοι επισκέφτηκαν;». Τα προχωρημένα απαντούν στο «γιατί έφυγαν;», «ποιος θα αγοράσει;» και «τι θα γίνει αν αλλάξουμε αυτό;».

Τι κάνει τα προχωρημένα στατιστικά διαφορετικά από τα βασικά;

Άνοιξε τα περισσότερα dashboards στατιστικών και θα δεις τα ίδια πράγματα: επισκεψιμότητα, ποσοστό μετατροπής, ποσοστό αποχώρησης. Είναι χρήσιμα. Απαντούν όμως μόνο σε μία ερώτηση. Αν κοιτάξεις βαθύτερα, θα δεις ότι τα βασικά και τα προχωρημένα στατιστικά λύνουν εντελώς διαφορετικά προβλήματα.

Τα βασικά στατιστικά είναι περιγραφικά. Σου λένε τι έγινε. Βλέπεις ότι επισκέφτηκαν 5.000 άτομα και μετατράπηκαν 125. Βλέπεις ποια πηγή έφερε τους περισσότερους επισκέπτες. Βλέπεις ποια σελίδα έχει τη μεγαλύτερη επισκεψιμότητα. Αυτό είναι θεμελιώδες: πρέπει να ξέρεις τι έγινε. Εκεί όμως σταματά.

Τα προχωρημένα στατιστικά είναι διαγνωστικά και προβλεπτικά. Πάρε αυτούς τους 5.000 επισκέπτες. Η προχωρημένη ανάλυση ρωτά: ποιο τμήμα είχε τη μεγαλύτερη πρόθεση αγοράς; Οι επισκέπτες που επέστρεψαν μετατράπηκαν με διαφορετικό ρυθμό από αυτούς που ήρθαν πρώτη φορά; Ποιες λειτουργίες χρησιμοποίησαν στην πράξη όσοι αγόρασαν; Ποιο μοτίβο ξεχωρίζει τους αγοραστές από όσους έφυγαν αμέσως; Ποια κοόρτη (η ομάδα που γράφτηκε τον Ιανουάριο σε σχέση με τον Μάρτιο) είναι πιο πιθανό να ανανεώσει; Αυτές οι ερωτήσεις δείχνουν γιατί έγιναν τα πράγματα και τι θα γίνει στη συνέχεια.

Η επίδραση στην επιχείρηση είναι τεράστια. Μια επιχείρηση που ξέρει ότι οι μετατροπές στο κινητό έπεσαν 50% την Τρίτη το βράδυ και ανέκαμψαν την επόμενη μέρα έχει λύσει το πρόβλημα και το έχει αποτρέψει παντού. Μια επιχείρηση που ξέρει ότι οι χρήστες από μία πηγή ξοδεύουν 40% περισσότερα ανά συναλλαγή μπορεί να αναπαράγει αυτές τις συνθήκες για άλλες πηγές. Μια επιχείρηση που προβλέπει ποιοι πελάτες θα φύγουν έχει χρόνο να τους προσεγγίσει και να τους κρατήσει. Αυτό δεν είναι εικασία: είναι ακρίβεια.

Γιατί τα χρειάζεσαι;

Πάρε οποιαδήποτε εγκατάσταση στατιστικών και θα βρεις το ίδιο πρόβλημα: οι πληροφορίες σταματούν νωρίς. Ξέρεις τις κορυφαίες πηγές επισκεψιμότητας. Ξέρεις το ποσοστό μετατροπής σου. Ξέρεις ποιες σελίδες βλέπουν περισσότερο οι άνθρωποι. Οι περισσότερες επιχειρήσεις όμως σταματούν εκεί. Φτάνουν περίπου στο 80% της γνώσης και μετά απορούν γιατί οι αποφάσεις τους συνεχίζουν να μοιάζουν αβέβαιες.

Το ερώτημα δεν είναι αν τα βασικά στατιστικά είναι χρήσιμα (είναι). Το ερώτημα είναι αν απαντούν στις αποφάσεις που παίρνεις πραγματικά. Αν η απόφασή σου είναι «να ξοδέψουμε περισσότερα σε πληρωμένες διαφημίσεις;», τα βασικά στατιστικά μπορεί να σου δώσουν την απάντηση. Αν η απόφασή σου είναι «ποια πηγή επισκεψιμότητας φέρνει πελάτες που ξοδεύουν περισσότερα, προτείνουν άλλους και μένουν περισσότερο;», τα βασικά στατιστικά δεν φτάνουν. Εκεί βοηθούν τα προχωρημένα.

Τα προχωρημένα στατιστικά πιάνουν και προβλήματα που κανείς άλλος δεν βλέπει. Ένα μικρό σφάλμα που επηρεάζει μόνο χρήστες κινητού ορισμένες μέρες γίνεται αόρατο στα βασικά dashboards. Μια λειτουργία που κρατά τους χρήστες σε ένα τμήμα αλλά όχι σε ένα άλλο μένει κρυφή. Ένας ανταγωνιστής που σιγά σιγά παίρνει τους πελάτες υψηλής αξίας δεν ενεργοποιεί καμία ειδοποίηση. Τα προχωρημένα στατιστικά παρακολουθούν συνεχώς αυτά τα μοτίβα και τα βγάζουν στην επιφάνεια πριν γίνουν μεγάλα προβλήματα.

Πώς διαφέρουν στην πράξη τα βασικά και τα προχωρημένα στατιστικά;

Πάρε ένα χωνί μετατροπής (funnel). Τα βασικά στατιστικά σου δείχνουν την πτώση: 10.000 επισκέπτες φτάνουν στην αρχική σελίδα, 3.000 στη σελίδα τιμών, 800 στο ταμείο και 300 ολοκληρώνουν την αγορά. Πού χάθηκαν οι 7.000; Το dashboard δεν το λέει. Τα προχωρημένα στατιστικά χωρίζουν το χωνί σε τμήματα: νέοι και επαναλαμβανόμενοι επισκέπτες, υπολογιστής και κινητό, πηγή Α και πηγή Β. Ξαφνικά βλέπεις ότι οι νέοι επισκέπτες από κινητό που ήρθαν από πληρωμένες διαφημίσεις έχουν μετατροπή 2%, ενώ οι επισκέπτες που επιστρέφουν από υπολογιστή και οργανική αναζήτηση έχουν 8%. Τώρα μπορείς να δράσεις: βελτίωσε την εμπειρία στο κινητό για τους νέους επισκέπτες, στόχευσε τη διαφήμιση σε άτομα πιο κοντά στην αγορά και φτιάξε στρατηγική επανασύνδεσης για όσους έχουν ξαναεπισκεφτεί τον ιστότοπο.

Πάρε τη διατήρηση πελατών. Τα βασικά στατιστικά δείχνουν 20% διατήρηση στον πρώτο μήνα. Αυτός είναι ο αριθμός σου. Τα προχωρημένα ρωτούν: ποια κοόρτη (μήνας εγγραφής) διατηρείται καλύτερα; Ποιες λειτουργίες συνδέονται με υψηλότερη διατήρηση; Ποιο τμήμα χρηστών (μέγεθος εταιρείας, κλάδος, χρήση) είναι πιο πιθανό να μείνει; Όσοι φτάνουν σε ένα συγκεκριμένο ορόσημο την πρώτη εβδομάδα μένουν περισσότερο; Με αυτές τις απαντήσεις αλλάζεις την υποδοχή των νέων χρηστών ώστε περισσότεροι να φτάνουν σε αυτό το ορόσημο. Η διατήρηση βελτιώνεται. Αυτή είναι η διαφορά ανάμεσα στο να παρακολουθείς έναν δείκτη και στο να τον βελτιώνεις.

Πάρε τις ανωμαλίες. Τα βασικά στατιστικά είναι παθητικά. Ελέγχεις το dashboard και προσέχεις ότι κάτι φαίνεται διαφορετικό. Τα προχωρημένα είναι ενεργά. Ένα αυτόματο σύστημα παρακολουθεί κάθε βασικό δείκτη, εντοπίζει πότε κάτι αλλάζει περισσότερο απ' όσο πρέπει (μετατροπές κάτω 15% σε μία μέρα) και σε ειδοποιεί πριν το προσέξεις μόνος σου. Αποφεύγεις έξι ώρες χαμένων εσόδων, γιατί το έμαθες σε 30 λεπτά και όχι στο τέλος της μέρας.

Πότε να πας πέρα από τα βασικά στατιστικά;

Έχεις μάθει καλά τα θεμελιώδη. Ξέρεις ότι η διατήρησή σου είναι 20%. Ξέρεις ότι το ποσοστό μετατροπής σου είναι 2,5%. Ξέρεις ότι οι τρεις κορυφαίες πηγές επισκεψιμότητας αποδίδουν διαφορετικά. Τώρα όμως κάνεις ερωτήσεις που το dashboard δεν απαντά: «Γιατί οι χρήστες από την πηγή Α έχουν διατήρηση 25% και από την πηγή Β μόνο 15%;» ή «Ποιες λειτουργίες φέρνουν τη μεγαλύτερη διά βίου αξία;». Αυτές οι ερωτήσεις θέλουν προχωρημένη ανάλυση, γιατί οι απαντήσεις δεν βρίσκονται στις βασικές αναφορές. Είναι κρυμμένες σε τμήματα, φίλτρα και διασταυρωμένα δεδομένα.

Παρατηρείς ότι και τα προβλήματα γίνονται πιο λεπτά. Στην αρχή τα προβλήματα είναι προφανή (ο ιστότοπος είναι κάτω, το ταμείο δεν δουλεύει). Όσο μεγαλώνεις όμως, τα προβλήματα κρύβονται. Ένα συγκεκριμένο βήμα στο ταμείο είναι αργό για χρήστες με δίκτυο 4G. Ένας ανταγωνιστής μετατρέπει αθόρυβα τους χρήστες της δοκιμαστικής σου περιόδου. Η υποδοχή μπερδεύει χρήστες κάτω των 25. Τα βασικά εργαλεία δεν βλέπουν αυτά τα λεπτά μοτίβα, γιατί κοιτούν συγκεντρωτικά δεδομένα. Τα προχωρημένα στατιστικά με τμηματοποίηση, παρακολούθηση κοορτών και ανάλυση τάσεων τα αποκαλύπτουν.

Το μέγεθός σου μπορεί να είναι ο καθοριστικός παράγοντας. Με 1.000 επισκέπτες τον μήνα, κάθε χρήστης μετρά μεμονωμένα. Με 100.000 επισκέπτες τον μήνα, διαβάζεις μοτίβα σε χιλιάδες ανθρώπους. Ένα μικρό μοτίβο (0,1% των επισκεπτών έχει ένα σφάλμα) γίνεται στατιστικά αόρατο. Μετράει όμως αν συσσωρεύεται (0,1% × 100.000 = 100 επηρεασμένοι χρήστες τον μήνα). Τα προχωρημένα στατιστικά βρίσκουν αυτά τα μικρά αλλά σημαντικά μοτίβα πριν μεγαλώσουν.

Υπάρχει όμως προϋπόθεση: χρειάζεσαι ομάδα που θα δράσει πάνω στα συμπεράσματα. Τα προχωρημένα στατιστικά δεν έχουν νόημα αν ανακαλύψεις ότι το ταμείο είναι αργό στο κινητό και δεν υπάρχει κανείς να το διορθώσει. Επένδυσε σε αυτά μόνο αν έχεις ανθρώπους στην ανάπτυξη, στο προϊόν ή στο μάρκετινγκ που μπορούν να κινηθούν πάνω σε αυτά που θα βρεις. Μια μικρή startup μπορεί να μην έχει ακόμα τέτοια ομάδα. Μια μεγάλη εταιρεία σίγουρα έχει.

Ποιες συγκεκριμένες τεχνικές αποκαλύπτουν μοτίβα που τα βασικά στατιστικά χάνουν;

Τα προχωρημένα στατιστικά είναι ένα σύνολο συγκεκριμένων τεχνικών, καθεμία φτιαγμένη για άλλου είδους ερώτηση. Εδώ είναι οι πέντε που κάνουν τη διαφορά.

Ανάλυση κοορτών: Χώρισε τους χρήστες σε ομάδες ανάλογα με το πότε γράφτηκαν (κοόρτη Ιανουαρίου, κοόρτη Φεβρουαρίου κ.λπ.) και παρακολούθησε τη συμπεριφορά κάθε ομάδας με τον χρόνο. Έτσι βλέπεις αν το προϊόν σου βελτιώνεται ή χειροτερεύει. Αν η κοόρτη του Ιανουαρίου έχει διατήρηση 20% στις 30 ημέρες και η κοόρτη του Ιουνίου 25%, γίνεσαι καλύτερος στο να κρατάς τους χρήστες. Αν η διατήρηση πέφτει από μήνα σε μήνα, κάτι άλλαξε (χάλασε μια λειτουργία, βελτιώθηκαν οι ανταγωνιστές, χειροτέρεψε η υποδοχή). Η ανάλυση κοορτών είναι το σύστημα έγκαιρης προειδοποίησής σου.

Ανάλυση χωνιού (funnel): Χάρτης της διαδρομής του πελάτη βήμα βήμα (επίσκεψη στην αρχική, ανάγνωση άρθρου, λήψη οδηγού, εισαγωγή email, εγγραφή, πρώτη σύνδεση). Μέτρησε το ποσοστό των επισκεπτών που ολοκληρώνει κάθε βήμα. Θα δεις πού γίνονται οι μεγαλύτερες απώλειες. Ίσως 10.000 επισκέπτες διαβάζουν το άρθρο, 3.000 κατεβάζουν τον οδηγό, 800 βάζουν email, 300 γράφονται. Ανάμεσα στο άρθρο και στη λήψη χάνεις 7.000 άτομα. Εκεί είναι η διαρροή σου. Διόρθωσε αυτό το βήμα και βελτιώνεις όλα τα επόμενα.

Μοντέλα απόδοσης (attribution): Όταν ένας πελάτης μετατρέπεται, ποια επαφή αξίζει τα εύσημα; Ήρθε από πληρωμένη διαφήμιση, έφυγε, είδε διαφήμιση επαναστόχευσης, γύρισε, διάβασε ένα άρθρο, εγγράφηκε στο newsletter, πήρε ένα email και μετά αγόρασε. Ποιο από όλα προκάλεσε την αγορά; Τα βασικά στατιστικά λένε «το τελευταίο» (το email). Το μοντέλο απόδοσης δίνει μερίδιο σε όλα, ανάλογα με την πραγματική τους επίδραση. Έτσι βλέπεις ποιες ενέργειες μάρκετινγκ δουλεύουν πραγματικά και όχι απλώς ποιες είναι τελευταίες στο χωνί.

Τμηματοποίηση: Το κοινό σου δεν είναι ομοιογενές. Οι νέοι επισκέπτες συμπεριφέρονται εντελώς διαφορετικά από αυτούς που επιστρέφουν. Οι χρήστες κινητού έχουν άλλες ανάγκες από τους χρήστες υπολογιστή. Οι χρήστες από διαφορετικές πηγές έχουν διαφορετικές προθέσεις. Οι πελάτες premium έχουν άλλη εμπλοκή από τους δωρεάν χρήστες. Η προχωρημένη τμηματοποίηση αποκαλύπτει αυτές τις ομάδες, ώστε να προσαρμόσεις το μήνυμα και την εμπειρία για καθεμία. Ένα μέγεθος δεν ταιριάζει σε όλους.

Καμπύλες διατήρησης: Σχεδίασε πόσοι χρήστες μένουν με τον χρόνο (ημέρα 1, ημέρα 7, ημέρα 30, ημέρα 90). Το σχήμα της καμπύλης δείχνει αν έχεις πιστό πυρήνα. Απότομη πτώση που σταθεροποιείται; Έχεις πιστούς χρήστες. Σταδιακή πτώση; Κανείς δεν μένει πραγματικά. Η καμπύλη συνοψίζει οπτικά την ικανοποίηση των χρηστών και την προσαρμογή του προϊόντος στην αγορά.

Πότε να περάσεις στα προχωρημένα στατιστικά

Έχεις μάθει τα θεμελιώδη και χρειάζεσαι βαθύτερες απαντήσεις. Ξέρεις ότι η διατήρησή σου είναι 20%. Ξέρεις ότι το ποσοστό μετατροπής σου είναι 2,5%. Ξέρεις τις τρεις κορυφαίες πηγές επισκεψιμότητας. Τώρα όμως ρωτάς: «Γιατί οι χρήστες από την πηγή Α έχουν διατήρηση 25% και από την πηγή Β μόνο 15%;» ή «Ποιες λειτουργίες φέρνουν τη μεγαλύτερη διά βίου αξία;». Αυτές οι ερωτήσεις θέλουν προχωρημένη ανάλυση, γιατί οι απαντήσεις δεν υπάρχουν στα βασικά dashboards. Πρέπει να τμηματοποιήσεις, να φιλτράρεις, να διασταυρώσεις και κάποιες φορές να φτιάξεις δικούς σου υπολογισμούς. Αν απογοητεύεσαι συνεχώς γιατί το dashboard δεν απαντά στις ερωτήσεις σου, είναι ώρα να ανεβείς επίπεδο.

Τα προβλήματα γίνονται πιο λεπτά και τα βασικά εργαλεία δεν τα πιάνουν. Στην αρχή τα προβλήματα είναι προφανή (ο ιστότοπος είναι κάτω, το ταμείο δεν δουλεύει). Όσο ωριμάζεις, τα προβλήματα κρύβονται (ένα βήμα στο ταμείο είναι αργό για χρήστες 4G, ένας νέος ανταγωνιστής μετατρέπει τους χρήστες της δοκιμαστικής σου περιόδου, η υποδοχή μπερδεύει χρήστες κάτω των 25). Τα βασικά εργαλεία δεν βλέπουν αυτά τα λεπτά προβλήματα. Τα προχωρημένα στατιστικά με σωστή τμηματοποίηση, ανάλυση τάσεων και παρακολούθηση κοορτών τα αποκαλύπτουν.

Το μέγεθός σου έχει φτάσει στο σημείο που τα μοτίβα μετράνε. Με 1.000 επισκέπτες τον μήνα, κάθε χρήστης μετρά μεμονωμένα. Με 100.000 επισκέπτες τον μήνα, κοιτάς μοτίβα σε χιλιάδες ανθρώπους. Τα μικρά μοτίβα (0,1% των επισκεπτών έχει ένα σφάλμα) γίνονται αόρατα. Μετράνε όμως αν συσσωρεύονται (0,1% × 100.000 = 100 επηρεασμένοι χρήστες τον μήνα, εκατοντάδες τον χρόνο). Τα προχωρημένα στατιστικά βρίσκουν αυτά τα μικρά αλλά σημαντικά μοτίβα πριν γίνουν μεγάλα προβλήματα.

Έχεις ομάδα να δράσει πάνω στα συμπεράσματα. Τα προχωρημένα στατιστικά δεν χρησιμεύουν χωρίς δράση. Αν ανακαλύψεις ότι το ταμείο είναι αργό στο κινητό και δεν έχεις κανέναν να το διορθώσει, έχασες τον χρόνο σου. Επένδυσε μόνο αν έχεις ανθρώπους στην ανάπτυξη, στο προϊόν ή στο μάρκετινγκ να δράσουν. Μια μικρή startup μπορεί να μην έχει ακόμα τέτοια ομάδα. Μια μεγάλη εταιρεία σίγουρα έχει.

Η επίδραση στην επιχείρηση δικαιολογεί την επένδυση. Τα προχωρημένα στατιστικά έχουν κόστος: πρόσληψη αναλυτή ($80-150k τον χρόνο), αγορά εξελιγμένων εργαλείων ($500-5000 τον μήνα) και εβδομάδες για ρύθμιση και εκπαίδευση. Αν μια βελτίωση 2% στο ποσοστό μετατροπής φέρνει $100k έξτρα ετήσια έσοδα, τότε τα $50k σε προχωρημένα στατιστικά βγαίνουν (απόσβεση σε 2 χρόνια). Αν οι βελτιώσεις θα ήταν ελάχιστες, τα βασικά στατιστικά αρκούν. Υπολόγισε την απόδοση της επένδυσης (ROI) πριν δεσμευτείς.

Συνηθισμένες τεχνικές προχωρημένων στατιστικών και τι αποκαλύπτουν

Ανάλυση κοορτών: κατανόηση της συμπεριφοράς ανά γενιά χρηστών. Χώρισε τους χρήστες σε ομάδες ανάλογα με το πότε ήρθαν (κοόρτη Ιανουαρίου, κοόρτη Φεβρουαρίου κ.λπ.). Μετά παρακολούθησε τη συμπεριφορά κάθε κοορτής με τον χρόνο. Έτσι βλέπεις αν το προϊόν σου βελτιώνεται ή χειροτερεύει. Αν η κοόρτη του Ιανουαρίου έχει διατήρηση 20% στις 30 ημέρες και η κοόρτη του Ιουνίου 25%, γίνεσαι καλύτερος στο να κρατάς τους χρήστες. Αν η διατήρηση πέφτει από μήνα σε μήνα, κάτι άλλαξε (χάλασε μια λειτουργία, βελτιώθηκαν οι ανταγωνιστές, χειροτέρεψε η υποδοχή). Η ανάλυση κοορτών είναι το σύστημα έγκαιρης προειδοποίησης για επιδείνωση ή βελτίωση του προϊόντος.

Ανάλυση χωνιού (funnel): εντοπισμός των διαρροών στη διαδικασία σου. Χάρτης της διαδρομής του πελάτη βήμα βήμα (επίσκεψη στην αρχική → ανάγνωση άρθρου → λήψη οδηγού → εισαγωγή email → εγγραφή → πρώτη σύνδεση). Μετά μέτρησε το ποσοστό των επισκεπτών που ολοκληρώνει κάθε βήμα. Θα ανακαλύψεις ότι 10.000 επισκέπτες διαβάζουν το άρθρο, 3.000 κατεβάζουν τον οδηγό, 800 βάζουν το email τους, 300 γράφονται, 150 συνδέονται την πρώτη φορά. Πού χάνεις κόσμο; Ανάμεσα στο άρθρο και τη λήψη; Ανάμεσα στο email και την εγγραφή; Όταν βρεις τη μεγαλύτερη διαρροή, μπορείς να τη διορθώσεις. Μια βελτίωση 5% σε οποιοδήποτε βήμα πολλαπλασιάζεται σε όλα τα επόμενα.

Μοντέλα απόδοσης (attribution): κατανόηση του ποιες επαφές φέρνουν πραγματικά μετατροπές. Ένας επισκέπτης έρχεται από πληρωμένη διαφήμιση, βλέπει τον ιστότοπό σου, φεύγει, βλέπει διαφήμιση επαναστόχευσης, γυρίζει, διαβάζει ένα άρθρο, εγγράφεται στο newsletter, παίρνει ένα email και τελικά αγοράζει. Ποια επαφή παίρνει τα εύσημα για τη μετατροπή; Τα βασικά στατιστικά λένε «η τελευταία επαφή» (το email). Η πληρωμένη διαφήμιση όμως ξεκίνησε τη διαδρομή. Η επαναστόχευση τον έφερε πίσω. Το άρθρο τον έπεισε. Το μοντέλο απόδοσης δίνει μερίδιο σε όλες τις επαφές ανάλογα με την πραγματική τους επίδραση. Έτσι βλέπεις ποιες ενέργειες μάρκετινγκ δουλεύουν πραγματικά και όχι απλώς ποιες είναι τελευταίες στο χωνί.

Τμηματοποίηση: η ανακάλυψη ότι το κοινό σου δεν είναι ομοιογενές. Νομίζεις ότι όλοι οι επισκέπτες σου είναι ίδιοι, αλλά δεν είναι. Οι νέοι επισκέπτες συμπεριφέρονται εντελώς διαφορετικά από αυτούς που επιστρέφουν. Οι χρήστες κινητού έχουν άλλες ανάγκες από τους χρήστες υπολογιστή. Οι χρήστες από διαφορετικές πηγές έχουν διαφορετικές προθέσεις. Οι πελάτες premium έχουν άλλα μοτίβα εμπλοκής από τους δωρεάν χρήστες. Η προχωρημένη τμηματοποίηση αποκαλύπτει αυτές τις ομάδες και σε αφήνει να προσαρμόσεις το μήνυμα και την εμπειρία για καθεμία. Ένα μέγεθος δεν ταιριάζει σε όλους, και η τμηματοποίηση το αποδεικνύει.

Καμπύλες διατήρησης: οπτικοποίηση της ζωής ενός χρήστη. Σχεδίασε τη διατήρηση με τον χρόνο (ημέρα 1, ημέρα 7, ημέρα 30, ημέρα 90). Θα δεις την καμπύλη διατήρησής σου, που δείχνει μοτίβα συμπεριφοράς. Η διατήρηση πέφτει γρήγορα στην αρχή και μετά σταθεροποιείται (οι περισσότεροι επισκέπτες φεύγουν, αλλά οι πιστοί μένουν); Ή μειώνεται σταδιακά (δεν υπάρχει καθαρή ομάδα πιστών); Το σχήμα της καμπύλης δείχνει αν το προϊόν σου ταιριάζει στην αγορά. Μια απότομη πτώση που ακολουθείται από επίπεδη γραμμή είναι στην πραγματικότητα υγιής: σημαίνει ότι έχεις έναν πυρήνα πιστών χρηστών. Μια σταδιακή πτώση σημαίνει ότι κανείς δεν μένει πραγματικά. Η καμπύλη είναι οπτική σύνοψη της ικανοποίησης των χρηστών.