Introduksjon av påvirkningsutforskning i Optimizely Analytics

De fleste produktteam står overfor en felles utfordring: å forstå hvilke målinger og atferder som faktisk driver deres viktigste resultater. Du kan levere en funksjon som flytter din nordstjerne-måling, men uten systematisk analyse er det vanskelig å vite om du måler de riktige tingene, eller om funksjonene du bygger har den effekten du forventer.

Vanligvis krever det enten kvalifisert gjetting eller dedikert tid fra en dataforsker til å kjøre korrelasjonsanalyser å svare på gjenværende spørsmål som «hvilken måleenhet forutsier best retensjon?» eller «hvilken brukeratferd korrelerer med konvertering?» og bestemme hvor i opplevelsen du skal kjøre ditt neste eksperiment (og til hvem).

Med påvirkningsutforskningen kan du svare på disse viktige spørsmålene med selvtillit uten å kreve bakgrunnskunnskap i statistikk eller dager med venting. Enten du er en prosjektleder, et eksperimenteringsteam eller en analytiker, lar malen for påvirkningsutforskning deg se korrelasjoner mellom viktige målinger raskt og tydelig.

Spørsmålene du faktisk prøver å svare på

«Hva forårsaker forretningsresultatene vi bryr oss om?»

Er det totalt antall timer sett eller antall titler sett som forutsier 6-måneders retensjon? Du kan gjette, eller du kan vite.

«Hvem er brukerne våre, og hvordan skiller de seg ut?»

Er det mer sannsynlig at brukere som fullfører profiltilpasning blir superbrukere enn de som kobler til sosiale kontoer? Forskjellen er viktig når du prioriterer veikartet.

«Hva skjer etter at brukerne gjør noe viktig?»

Hvilken atferd grupperer seg rundt deling av en henvisningslenke i løpet av de neste 7 dagene? Å forstå dette forteller deg hvor du bør doble innsatsen.

Dette er ikke abstrakte spørsmål. De bestemmer hva du bygger videre og om det vil fungere.

Hvordan det fungerer

Influence Exploration analyserer forholdet mellom atferd, kohorter og beregninger på aktørdatasettet ditt, for eksempel brukere, kontoer, hva som helst eller viktige ting for virksomheten din. Den støtter ni forskjellige analysetyper ved å kombinere et hvilket som helst mål (hendelse, kohort eller metrikk) med en hvilken som helst test (hendelse, kohort eller metrikk).

Malen viser fire viktige målinger:

Sannsynlighet for påvirkning:Hvor mye mer sannsynlig det er at aktører som gjennomførte testhendelsen, når målhendelsen. +50 % betyr at de har 50 % større sannsynlighet for å konvertere, beholde eller hvilket som helst resultat du måler.
Metrikkpåvirkning:Prosentforskjellen i gjennomsnittlig metrikkverdi mellom aktører som gjorde noe og de som ikke gjorde det. Når dette viser +45 %, har aktører i testkohorten 45 % høyere metrikkverdier.
% av aktører som gjennomførte testhendelsen:Rekkevidde teller. En atferd som påvirker 2 % av brukerne er forskjellig fra en som berører 40 %.
Korrelasjon (R²): Hvor tett to målinger beveger seg sammen, fra 0 (ingen sammenheng) til 1 (perfekt sammenheng). Ved 0,64 forklarer testmåleren 64 % av variasjonen i målet ditt.

Malen svarer på to kjernespørsmål: Hvis en bruker gjør X, hvor sannsynlig er det at de gjør Y (og hvor mange brukere berører dette)? Og hvor sterkt predikerer én måleenhet en annen?

Hvordan dette ser ut i praksis

1. Finne hva som faktisk driver kjøp: Hendelser → Hendelse (Retning er satt til Årsaker)

X-akse: % av aktørene som utførte testen

Y-akse:Sannsynlighetspåvirkning

Hvilke brukerhandlinger predikerer et kjøp?

Dataene viser at brukere som utførte hendelsen «Sett innhold på pause» har den sterkeste sannsynlighetspåvirkningsverdien, noe som understreker at brukere som pauser har stor sannsynlighet for å foreta et kjøp. Når det er sagt, utførte bare ~4 % denne handlingen i løpet av de siste 7 dagene.

I mellomtiden har brukere som utførte hendelsen «Bla gjennom» en 25 % lavere sannsynlighetspåvirkningsverdi, men en rekkevidde som er mer enn dobbelt så stor.

Neste trinn:Undersøk hva brukere gjør før og etter nettlesing (filtre brukt, viste elementer, tid brukt, utganger). Identifiser friksjon og øyeblikk med høy intensjon, og design deretter eksperimenter for å forbedre nettleseropplevelsen. Påvirkningsmalen forteller deg ikke hva du skal endre. Den forteller deg hvor du skal lete.

2. Forstå inntektsdrivere: Målinger → Måling

X-akse: Korrelasjonsverdi

Y-akse: Navn på metrikk

Hvilken metrikk forutsier faktisk inntekter?

Malen viser at gjennomsnittlig annonseinntekt per bruker korrelerer tett med total visningstid (R² på 0,94).

Avgjørelsen: Dette betyr at inntektsgenereringsmotoren din fungerer.

Brukere som ser på mer innhold genererer proporsjonalt mer annonseinntekter. I stedet for å optimalisere annonseplasseringer eller eksperimentere med annonseformater (noe som ville ha betydning hvis korrelasjonen var svak), bør vi prioritere funksjoner som øker seertiden: bedre anbefalinger, redusert friksjon og forbedret innholdsoppdagelse. Dette er en vekstmekanisme, ikke et optimaliseringsproblem.

3. Identifisere dine høyverdige segmenter: Kohorter → Kohort

X-akse: % av aktørene som testet

Y-akse: Sannsynlighet for påvirkning

Kohorten «Vist anbefalt innhold» viser 3,2 ganger høyere sannsynlighet for å bli med i «Lojalitetsprogram»-kohorten sammenlignet med brukere som ikke engasjerer seg i anbefalinger.

Beslutningen: Det er en mulighet til å investere mer i vår anbefalte innholdsmodul som en direkte vei til å øke antallet brukere som er medlemmer av lojalitetsprogrammet vårt (som igjen øker abonnementsinntektene våre).

4. Oppdage hva som skjer videre: Hendelse → Hendelser (Retning er satt til Effekter)

Bildekilde: Optimizely

For analyse av Hendelse → Hendelse kan du også kontrollere retningen: se på atferd som skjer før målhendelsen (hva som forårsaker den) eller etter (hva er effektene). Denne tidsmessige kontrollen hjelper deg med å skille ledende indikatorer fra konsekvenser nedstrøms. I dette eksemplet er retningen vår satt til effekter.

X-akse: % av aktører som testet

Y-akse: Sannsynlighet for påvirkning

Gjenoppta avspilling er en handling med høy frekvens (40 % av brukerne). Brukere som gjenopptar avspilling av innhold, vil sannsynligvis se innholdsdetaljer etterpå, noe som gir dette mønsteret høy rekkevidde.

Beslutning: Her tyder korrelasjonen mellom gjenopptak og visning av detaljer på at disse atferdene er knyttet sammen for en betydelig del av brukerbasen vår. Lag kontekstuelle anbefalinger på innholdsdetaljsiden basert på hva brukerne nettopp gjenopptok. Hvis noen har satt et matlagingsprogram på pause og gjenopptatt det, dukker det opp relaterte oppskrifter eller lignende serier når de navigerer til detaljer.

Hva dette muliggjør

Influence Exploration endrer hvordan produktteamene forholder seg til måling og prioritering:

Identifiser de riktige beregningene å sette mål mot: Forstå hvilke beregninger som faktisk forutsier din nordstjerne før du setter teammål eller eksperimentmål.
Prioriter arbeid med høy effekt:Se hvilken atferd som korrelerer med konvertering, retensjon eller inntekter, rangert etter både effektstyrke og rekkevidde, slik at du kan fokusere på det som betyr noe.
Forstå brukerkohortene dine:Identifiser hvilke kohorter som driver dine viktigste resultater og hvordan ulike brukergrupper oppfører seg.
Diagnostiser beregningsbevegelser:Når en beregning endres, se raskt hvilken atferd eller kohorter som endret seg for å forstå hva som driver bevegelse.

Malen rangerer automatisk resultater for å avdekke de mest meningsfulle sammenhengene: etter effektstyrke og rekkevidde for atferdsanalyser, eller etter korrelasjonsstyrke når man sammenligner målinger.

Innflytelsesmalen er nå tilgjengelig i Optimizely Analytics. Finn ut hva som faktisk driver resultatene dine.