Kāpēc viņi mūs pamet?
Nesen man bija saruna ar kādu studentu, kurš bija izvēlējies interesantu izaicinājumu. Viņš vēlējās noskaidrot iemeslus, kādēļ cilvēki pamet vienu konkrētu sociālo tīklu, lai sāktu lietot citu. Mēs – reach.ly – arī pētām šādas lietas un šāds uzdevums ir diezgan līdzīgs analīzei, kuru parasti sauc par „churn prediction”. Latviski to varētu saukt par „pamešanas varbūtību”. Tā ir varbūtība, kuru piemēro pakalpojuma lietotājam, lai saprastu, cik ticams ir, ka viņš pametīs, piemēram, konkrēto mobilo operatoru. Šāda matemātiskā modeļa būvēšanas procesā izkristalizējas arī konkrēti iemesli. Mūsu sarunas laikā es uzskicēju nelielu hipotēzi par to kā mēs to darītu un kāds būtu virziens, kurā skatītos. Atspoguļotais piegājiens ir mana hipotēze par procesu un reālajā dzīvē katrs solis ir daudzu mazu hipotēžu un to pārbaužu pilns. Šis apraksts būs arī neliels ieskats datu analīzes procesā tiem, kuriem tā varbūt ir pilnīgi tumša bilde.
Tātad uzdevums – kā saprast kāpēc cilvēki mūs pamet?Vispirms ir svarīgi saprast, kas tad ir šie cilvēki, kuri pamet portālu. Un vispār, ko īsti nozīmē „pamest”. Piemēram, es lietoju dažādus portālus, bet ir tikai pāris, kurus es tiešām LIETOJU. Pārējie man ir vajadzīgi darbam un „ja-nu-mani-kāds-tur-meklē-es-tur-esmu” gadījumiem. Es definētu „pametējus” pētot apmeklējuma frekvences. Mēs visi esam cilvēki un katram no mums ir 24h diena, kuru tad mēs sadalam dažādām nodarbēm. Portālu lietošanai katram noteikti ir sava proporcija, kurā tad portāli cīnās par uzmanību. Ja tu sāc lietot kādu portālu, tad tu visticamākais pavadi stipri mazāk laika citā portālā. Tātad mūsu meklētie lietotāji būs tie, kuriem pēdējā laikā nav mūsu portālu apmeklējuši. Ok, kas pie velna varētu būt „pēdējais laiks”? Analītiski mēģināsim to identificēt. Iedomāsimies, ka ir zināma, normāla regularitāte, ar kādu cilvēks apmeklē konkrētas interneta lapas. Piemēram, 15 reizes dienā, ieiet savā mīļākajā kaķu portālā. Ja mēs gribētu atspoguļot šo apmeklējumu grafikā, tad uz x ass mums būtu laiks pa dienām un uz y ass biežums. Ideālā gadījumā mēs gribētu redzēt nepārtrauktu līnijas kāpumu, līdz tā sasniegtu plato, kur lietotājs ir nepārtraukti tiešsaitē. Jāatzīst, ka tā nav neiespējama stadija. Pateicoties mobilajām tehnoloģijām, ir iespējams pievienot „biužuku” gandrīz no vienalga kuras vietas pasaulē. Atpakaļ pie uzdevuma – kur ir mūsu pārbēdzēji? Ja cilvēks sāk lietot mazāk konkrēto sociālo tīklu, tad vienā mirklī mūsu taisne sāks liekties uz leju un, visticamākais, būs lūzuma punkts. Mirklis, kad cits portāls ir kļuvis svarīgāks. Šis ir tas „sweet spot”, kas mūs interesē.Esam atraduši veidu kā identificēt mūsu nelaimīgos pametējus. Tagad būtu vajadzīga kristāla bumba, lai saprastu, kas viņus ir novirzījis neceļos. Atbildi varētu sniegt šo lietotāju lietošanas paradumi un kopējā portāla vide laika periodā līdz viņu aiziešanai.Students savam uzdevumam šo informāciju ieguva aptaujājot 1000 sociālā tīkla lietotājus, kuri bija vienmērīgi atlasīti pa dzimumiem un vecuma grupām, lai pārstāvētu plašu spektru. Jāpiebilst, ka izvēlētie lietotāji vēl joprojām ir portāla lietotāji, līdz ar to nav gluži pametuši portālu. Kā jau minēju iepriekšējā rakstā, tad jautājumu uzdošana nav pats labākais veids kā saprast lietotājus. Cilvēki bieži vien atbild nevis atbilstoši savai rīcībai, bet gan vēlmei, kā viņi vēlētos rīkoties vai vēlas, ka tā būtu rīkojušies. Konkrētajā gadījumā, izvēlētā metode ir saprotama. Studentam nav pieejama datubāze un rīki, kas ļautu apstrādāt lielu pagātnes datu apjomu.Tā kā mēs gribam pētīt lietošanas paradumus, būtu jāsaprot, kurus datus izmantot. Katra lietotāja kustība portālā, patiesībā ir parametrs. Galerijas pievienošana, Like nospiešana, komentārs, zvaigznīte pie bildes, ieraksts forumā. Visas šīs darbības ir parametri, kas ļauj labāk saprat lietotāju. Būtiska loma būtu arī konkrētā cilvēka sociālajam tīklam – draugiem – un viņu darbībām. Draugu tīklu analīze pats par sevi ir ļoti plašs lauciņš. Vienkāršības labad, izvēlēsimies dašus parametrus. Piemēram, vai lietotājs komentē citu bildes, raksta forumos, pievieno bildes, raksta vēstules un vai citi ar viņu iesaistās līdzīgā komunikācijā. Tie ir parametri, kuri apraksta konkrēto lietotāju.Ok, tagad mums ir cilvēki, kurus uzskatām, par zudušajām avīm, un parametri, kas viņus apraksta. Tagad būtu laiks ķerties pie analīzes. Šinī solī mūsu mērķis ir izvērtēt mūsu izvēlētos parametrus un atrast kopīgas iezīmes „pametējiem” un pēcāk salīdzināt ar „normālajiem” lietotājiem. Šinī posmā noris matemātikso modeļu veidošana un pieslīpēšana, kas bieži vien noved pie iepriekšējo soļu pārskatīšanas.Šādas analīzes rezultātā mums būtu jābūt vairākiem iznākumiem. Vēlams tādiem, kuri noved arī pie konkrētiem lēmumiem un darbībām. Pirmkārt, mēs uzzinātu, kas ir iemesli kādēļ lietotājs pamet. Piemēram, izrādītos, ka cilvēkiem, kuri pamet lapu, draugi vairs nepievieno jaunas fotogalerijas. Tātad būtu jāstimulē galeriju pievienošana. Varbūt jādod albumi bez maksas? Varbūt jānopērk Instagr.am?Otrkārt, mēs būtu radījuši modeli, ar kura palīdzību mēs varam saprast, cik daudz lietotāji potenciāli mūs pametīs nākošajos trijos, sešos mēnešos. Tā teikt, kuri jau ir uz nolemto ceļa. Šie skaitļi savukārt ir diezgan labi indikatori (KPI’s – Key performance indicators), pēc kura iekšēji mērīt jebkuru jaunu projektu atdevi. Vai kādas veiktās izmaiņas uzlabo šo skaitli?Treškārt, mums tagad ir redzams arī kādēļ cilvēki paliek. No šiem datiem savukārt mēs varam uzbūvēt nelielu lietotāju vērtības modeli (citi to sauc arī par Customer lifetime value) un atklāt, kuri ir tie atslēgas lietotāji, kuri pievieno lielāko vērtību un liek citiem uzkavēties pie mums ilgāk. Varbūt šos lietotājus vajag vēl kā stimulēt?Dzīvē augstāk minēto analīzi diezgan plaši izmanto telekomunikāciju nozarē, apdrošināšanā un banku biznesa. Ne vienmēr, protams, tā ir vērsta uz servisa pamešanu. Līdzīgā veidā var aplūkot citus mērķus, piemēram, atklāt iemeslus, kāpēc cilvēki pērk galerijas vai iegādājas gudros telefonus. Galvenais mērķis ir saprast kā uzlabot dzīvi savam lietotājam.