Introduktion till inflytandeutforskning i Optimizely Analytics

De flesta produktteam står inför en gemensam utmaning: att förstå vilka mätvärden och beteenden som faktiskt driver deras viktigaste resultat. Du kanske levererar en funktion som förändrar ditt nordstjärnemått, men utan systematisk analys är det svårt att veta om du mäter rätt saker eller om de funktioner du bygger har den effekt du förväntar dig.

Vanligtvis kräver det antingen kvalificerade gissningar eller dedikerad tid från en dataforskare för att köra korrelationsanalyser att besvara ständigt återkommande frågor som "vilket mätvärde förutsäger bäst retention?" eller "vilka användarbeteenden korrelerar med konvertering?" och att bestämma var i upplevelsen du ska köra ditt nästa experiment (och för vem).

Med Influence Exploration kan du svara på dessa viktiga frågor med självförtroende utan att behöva bakgrundskunskap inom statistik eller dagar av väntan. Oavsett om du är projektledare, experimentteam eller analytiker, låter Influence Exploration-mallen dig se korrelationer mellan viktiga mätvärden snabbt och tydligt.

De frågor du faktiskt försöker besvara

"Vad orsakar de affärsresultat vi bryr oss om?"

Är det totala antalet visade timmar eller antalet visade titlar som förutsäger retentionen på 6 månader? Du kan gissa, eller så kan du veta.

"Vilka är våra användare och hur skiljer de sig?"

Är det mer sannolikt att användare som slutför profilanpassning blir avancerade användare än de som kopplar sociala konton? Skillnaden spelar roll när du prioriterar en färdplan.

"Vad händer efter att användare gör något viktigt?"

Vilka beteenden klustras kring att dela en hänvisningslänk under de följande 7 dagarna? Att förstå detta visar dig var du ska fördubbla satsningen.

Det här är inte abstrakta frågor. De avgör vad du bygger härnäst och om det kommer att fungera.

Hur det fungerar

Influence Exploration analyserar relationer mellan beteenden, kohorter och mätvärden på din aktörsdatauppsättning, såsom användare, konton, vad som helst eller vad som helst som är viktigt för ditt företag. Den stöder nio olika analystyper genom att kombinera valfritt mål (händelse, kohort eller mätvärde) med valfritt test (händelse, kohort eller mätvärde).

Mallen visar fyra viktiga mått:

1. Sannolikhetspåverkan:Hur mycket mer sannolikt det är att aktörer som genomförde testhändelsen når målhändelsen. +50 % betyder att de är 50 % mer benägna att konvertera, behålla eller vilket resultat du än mäter.
2. Mätvärdespåverkan:Den procentuella skillnaden i genomsnittligt mätvärde mellan aktörer som gjorde något och de som inte gjorde det. När detta visar +45 % har aktörer i testkohorten 45 % högre mätvärden.
3. % av aktörer som genomförde testhändelsen:Räckvidden spelar roll. Ett beteende som påverkar 2 % av användarna skiljer sig från ett som berör 40 %.
4. Korrelation (R²): Hur tätt två mätvärden rör sig ihop, från 0 (ingen relation) till 1 (perfekt relation). Vid 0,64 förklarar testmätvärdet 64 % av variationen i ditt mål.

Mallen besvarar två kärnfrågor: Om en användare gör X, hur sannolikt är det att de gör Y (och hur många användare berör detta)? Och hur starkt förutsäger ett mätvärde ett annat?

Hur detta ser ut i praktiken

1. Hitta vad som faktiskt driver köp: Händelser → Händelse (Riktning är inställd på Orsaker)

X-axel: % av aktörer som testade

Y-axel:Sannolikhetspåverkan

Vilka användaråtgärder förutsäger ett köp?

Datan visar att användare som utförde händelsen Pausa innehåll har det starkaste sannolikhetspåverkansvärdet, vilket understryker att användare som pausar är mycket benägna att göra ett köp. Med det sagt utförde endast ~4 % denna åtgärd under de senaste 7 dagarna.

Samtidigt har användare som utförde händelsen Bläddra ett 25 % lägre sannolikhetspåverkansvärde, men en räckvidd som är mer än 2 gånger större.

Nästa steg:Undersök vad användare gör före och efter att de surfar (använda filter, visade objekt, tid spenderad, utgångar). Identifiera friktion och ögonblick med hög intention och utforma sedan experiment för att förbättra surfupplevelsen. Influensmallen berättar inte vad du ska ändra. Den visar var du ska leta.

2. Förstå intäktsdrivare: Mätvärden → Mätvärden

X-axel: Korrelationsvärde

Y-axel: Mätvärdesnamn

Vilket mätvärde förutsäger faktiskt intäkter?

Mallen visar att genomsnittliga annonsintäkter per användare korrelerar starkt med total visningstid (R² på 0,94).

Beslutet: Detta betyder att din intäktsgenereringsmotor fungerar.

Användare som tittar på mer innehåll genererar proportionellt mer annonsintäkter. Istället för att optimera annonsplaceringar eller experimentera med annonsformat (vilket skulle spela roll om korrelationen var svag) bör vi prioritera funktioner som ökar visningstiden: bättre rekommendationer, minskad friktion och förbättrad innehållsupptäckt. Detta är en tillväxthävstång, inte ett optimeringsproblem.

3. Identifiera dina högvärdiga segment: Kohorter → Kohort

X-axel: % av aktörer som testade

Y-axel: Sannolikhet för påverkan

Kohorten "Visat rekommenderat innehåll" visar 3,2 gånger högre sannolikhet att gå med i kohorten "Lojalitetsprogram" jämfört med användare som inte engagerar sig i rekommendationer.

Beslutet: Det finns en möjlighet att investera mer i vår modul för rekommenderat innehåll som en direkt väg att öka antalet användare som är medlemmar i vårt lojalitetsprogram (vilket i sin tur ökar våra prenumerationsintäkter).

4. Upptäck vad som händer härnäst: Händelse → Händelser (Riktning är inställd på Effekter)

Bildkälla: Optimizely

För analys av Händelse → Händelse kan du också kontrollera riktningen: titta på beteenden som sker före målhändelsen (vad som orsakar den) eller efter (vilka är effekterna). Denna tidsmässiga kontroll hjälper dig att skilja ledande indikatorer från konsekvenser nedströms. I det här exemplet är vår riktning inställd på effekter.

X-axel: % av aktörer som testade

Y-axel: Sannolikhet för påverkan

Återuppta uppspelning är en högfrekvent åtgärd (40 % av användarna). Användare som återupptar uppspelning av innehåll kommer sannolikt att se innehållsdetaljer efteråt, vilket ger detta mönster hög räckvidd.

Beslut: Här tyder korrelationen mellan återupptagande och visning av detaljer på att dessa beteenden är kopplade för en betydande del av vår användarbas. Skapa kontextuella rekommendationer på sidan med innehållsinformation baserat på vad användarna just återupptog. Om någon pausade ett matlagningsprogram och återupptog det, dyker relaterade recept eller liknande serier upp när de navigerar till detaljer.

Vad detta möjliggör

Inflytandeutforskningen förändrar hur produktteam närmar sig mätning och prioritering:

1. Identifiera rätt mätvärden att sätta mål mot: Förstå vilka mätvärden som faktiskt förutsäger din nordstjärna innan du sätter teammål eller experimentmål.
2. Prioritera arbete med hög effekt:Se vilka beteenden som korrelerar med konvertering, retention eller intäkter, rangordnade efter både effektstyrka och räckvidd, så att du kan fokusera på det som är viktigt.
3. Förstå dina användarkohorter:Identifiera vilka kohorter som driver dina viktigaste resultat och hur olika användargrupper beter sig.
4. Diagnostisera mätvärdesförändringar:När ett mätvärde förändras kan du snabbt se vilka beteenden eller kohorter som har förändrats för att förstå vad som driver rörelse.

Mallen rangordnar automatiskt resultat för att lyfta fram de mest meningsfulla relationerna: efter effektstyrka och räckvidd för beteendeanalyser, eller efter korrelationsstyrka vid jämförelse av mätvärden.

Inflytandemallen finns nu tillgänglig i Optimizely Analytics. Ta reda på vad som faktiskt driver dina resultat.