Kohorty - analiza wpływu doświadczeń na działania rozłożone w czasie

Analiza kohort z uwzględnieniem danych deklaratywnych umożliwia badanie wpływu doświadczeń na wartość Klienta w czasie (LTV) oraz analizę grup użytkowników w kontekście ich zachowań w przeszłości i przyszłości (konwersje, powroty). Z tego artykułu dowiesz się jak samodzielnie z pomocą panelu YourCX dokonać takich analiz. Przedstawiamy również przykłady wykorzystania zaawansowanych narzędzi YourCX w analizie doświadczeń.

by skorzystać z narzędzia do analizy kohort i zachowań:

1. Z listy badań wybierz to, które chcesz analizować;
2. Po lewej stronie w menu wybierz „Wyniki badania”;
3. Przejdź następnie w menu do narzędzia „Kohorty”;
4. Twoim oczom ukaże się narzędzie do analiz kohort.

Omówmy po kolei poszczególne elementy konfiguracji kohort:

1. Kalendarz, za pomocą którego wybierzesz interesujący Cię odcinek czasu do analiz zachowań. Pamiętaj, że analizę przyszłych zachowań przeprowadzisz jedynie dla historycznych danych (jeśli więc analizujesz doświadczenia w czasie trzech miesięcy po wypełnieniu badania, sięgnij po dane przynajmniej sprzed trzech miesięcy).
2. Segment, czyli dodatkowy kontekst do analizy. Może to być dowolne pytanie w wybranym badaniu, parametr techniczny (np. używana przeglądarka), a także inna dowolna informacja przekazywana w badaniu (np. grupy klientów pobierane z CRM).
3. Podział kohort w wymiarze podstawowym analizujemy według daty wypełnienia badania. W szczególnych przypadkach dysponować możemy innym punktem zaczepienia, np. datą wizyty w punkcie tradycyjnym, datą rozmowy przez livechat itp.
4. Analizowana metryka to zachowanie, które chcemy badać. W wymiarze podstawowym są to zakupy (konwersja) oraz wizyty.
5. Analiza czasu według którego segmentujemy wyniki – czy badamy kolejne tygodnie, miesiące, kwartały.
6. Liczba analizowanych okresów pozwoli zawęzić analizę do określonych odcinków czasu. Np. dla ustawionej analizy dla miesięcy oraz 3 analizowanych okresów system wygeneruje podsumowanie zachowań 3 miesiące przed i 3 miesiące po wypełnieniu badania.
7. Przycisk ”Przeanalizuj” akceptuje wprowadzone ustawienia wyświetlania danych. Pamiętaj, że dla dłuższych odcinków czasu oraz licznych prób badawczych analiza zachowań może za pierwszym razem potrwać nawet kilka minut. Dane są następnie przechowywane w pamięci podręcznej, więc dostęp do nich będzie szybszy.

 

Po wygenerowaniu danych mamy możliwość dostosowania opcji wyświetlania danych:

1. Dane agregować możesz według:
   • Daty kohorty – zobaczysz zestawienie zmian zachowań z podziałem na analizowane okresy;
   • Segment – podział według wybranego segmentu. Na naszym przykładzie segmentem jest pytanie o chęć polecenia sklepu internetowego znajomym (służące do wyliczenia wskaźnika NPS), co powoduje analizę zachowań z podziałem na Krytyków, Pasywnych i Promotorów (patrz: przykładowa analiza).
   • Data -> Segment to wariacja powyższych agregacji. Zobaczysz rozkład według segmentu z podziałem na wybrane okresy.
   • Segment -> Data przedstawi poszczególne segmenty oraz zmiany zachowań w wybranych okresach czasu w ich obrębie.
2. Komórki danych przetwarzać możesz na dwa sposoby:
   • Osobno: w każdej kolejnej kolumnie otrzymasz osobny wskaźnik konwersji lub wizyt.
   • Zsumowane: w każdej kolejnej kolumnie sumujemy wskaźnik konwersji lub wizyty, dzięki czemu otrzymujesz pełny obraz wpływu poszczególnych czynników na zachowania.
3. Dane w komórkach to informacje, które analizujemy:
   • Unikalne udziały to wartość procentowa dotycząca poszczególnych zachowań (konwersji – jaki % użytkowników danego typu dokonał zakupu przed lub po wypełnieniu badania);
   • Średnia z metryki to alternatywna wartość przekazywana w badaniu, na przykład średnia wartość zamówienia. W tym ustawieniu prezentujemy także próby dla poszczególnych okresów.
   • Średnia z metryki (bez ilości) to ustawienie analogiczne do powyższego, ale bez uwzględnienia prób dla poszczególnych grup.

 

Na podstawie zaprezentowanych wyżej konfiguracji narzędzia możemy dokonać przykładowej analizy wyciągniętych danych:

1. Widzimy jaka część ludzi dokonała zakupu w tym samym miesiącu przed wypełnieniem badania.
2. Jaka część dokonała zakupu we wcześniejszym miesiącu przed wypełnieniem badania.
3. Jaka część ludzi dokonała zakupu w tym samym miesiącu po wypełnieniu badania.
4. W związku z tym, że operujemy na danych zsumowanych widzimy, że w przeciągu dwóch kolejnych miesięcy 15,68% Promotorów dokonało zakupu.
5. Widzimy znaczącą różnicę między zachowaniami Krytyków i Promotorów jeszcze przed wypełnieniem badania.
6. Pozytywne doświadczenia jeszcze bardziej wzmocniły chęć kolejnych zakupów (19,43% Promotorów dokonało zakupu w ciągu 3 kolejnych miesięcy), a negatywne zmniejszyły tę szansę.

Segmentacje danych według innych segmentów pomogą udzielić odpowiedzi na pytanie: jakie czynniki wpłynęły negatywnie na chęć ponownego zakupu?

 

Przykład I – wpływ problemów na konwersję

Analizy konwersji w kontekście negatywnych doświadczeń pozwalają na oszacowanie skali ich wpływu na CX. Jak widać powyżej, każdy z problemów wpływa na odroczone zakupy w decydującym stopniu. Jedynie osoby, które nie napotkały problemów wracając w kolejnych tygodniach dokonywały zakupów. Na prawym wykresie widać, że problemy nie mają większego wpływu na ponowne wizyty w serwisie. Najwyższą odroczoną konwersję (zakupy / powrotów) widać dla braku problemów, zaś najniższą dla błędnych wyników wyszukiwania.

Przykład II – wpływ doświadczeń na zakupy

Na tym przykładzie jasno widać, że osoby uważające teraz, że jest coś do poprawy, przed wypełnieniem badania częściej dokonywały zakupów niż osoby nie widzące niczego do usprawnienia. Po wizycie w serwisie, w czasie której wypełnione zostało badanie, widać sukcesywny spadek częstości dokonywania zakupów. Osoby, które nie widzą niczego do usprawnienia kupują częściej. Negatywne doświadczenia w trakcie wizyty mają więc duży wpływ na konwersję.

Przykład III – kontakt z BOK a retencja

Analiza doświadczeń z BOK w kontekście późniejszych zachowań ukazuje realny wpływ doświadczeń na zachowania klientów. Jak wynika z powyższej analizy, rozwiązanie sprawy przez konsultanta nie ma wpływu na częstotliwość odwiedzin, za to ma znaczący na chęć zakupową. Pozytywny wpływ rozwiązania sprawy przez konsultanta widać przez kolejne 4 tygodnie.

Przykład IV – opuszczenie serwisu i powroty

Analiza ponownych odwiedzin wg. powodów opuszczenia serwisu wskazuje problemy wpływające na brak powrotu. Podany przykład potwierdza, że faktycznie najchętniej ponownie serwis odwiedzają osoby, które deklarują chęć powrotu lub potrzebę zastanowienia się. Najmniejsze prawdopodobieństwo ponownej wizyty notujemy wśród osób nastawionych na zakupy offline. Na ponowne wizyty negatywnie wpływa również brak poszukiwanych rozmiarów i produktów – do nich kierować można w kolejnym kroku odpowiednie kampanie remarketingowe.