Đây là mẫu tốt nhất mà tôi từng thấy.

Trong quá trình vận hành người dùng, tình trạng mất người dùng là hiện tượng không thể tránh khỏi, nhưng cách phân tích và xử lý vấn đề này hiệu quả là kỹ năng quan trọng mà mọi nhà điều hành cần nắm vững. Bài viết này đi sâu tìm hiểu những hiểu lầm phổ biến, những ý tưởng cơ bản và phương pháp phân tích cụ thể về phân tích tình trạng mất người dùng, nhằm giúp người đọc hiểu và nắm vững bản chất của phân tích tình trạng mất người dùng một cách có hệ thống.

Làm thế nào để phân tích tình trạng mất người dùng? Dữ liệu về tỷ lệ mất người dùng có thể được tính toán, nhưng điều gì xảy ra sau khi tính toán? Chỉ nhìn vào dữ liệu thì có vẻ như không có lý do gì cho sự mất mát này. Chúng tôi chỉ biết rằng người dùng đã không truy cập trong X tháng và chúng tôi không biết phải làm gì với thông tin này. Hôm nay chúng ta hãy thảo luận về vấn đề này một cách có hệ thống.

1. Những sai lầm thường gặp trong Phân tích tỷ lệ người dùng rời bỏ

Sai lầm 1: Cố gắng giữ chân mọi người dùng

Đây là sai lầm phổ biến nhất trong vận hành và nhiều người mới thường mắc phải. Nếu bạn không mua sắm, bạn sẽ nhận được phiếu giảm giá; nếu bạn không đăng nhập, bạn sẽ quay bánh xe. Kết quả là, tiền quỹ bị lãng phí và một nhóm kẻ ăn bám tìm kiếm lợi nhuận đã ra đời.

Trên thực tế, việc mất người dùng là điều không thể tránh khỏi và không có khả năng giữ chân người dùng 100% trên thế giới. Mọi doanh nghiệp phải tập trung vào người dùng cốt lõi của mình.

Khi nói về tình trạng mất người dùng, điều chúng ta thực sự cần làm là đưa tỷ lệ mất người dùng vào khuôn khổ và kiểm soát nó ở mức có thể chấp nhận được.

Sai lầm #2: Cố gắng hiểu mọi lý do khiến khách hàng rời bỏ

Đây là lỗi phổ biến nhất trong phân tích và nhiều người mới thường mắc phải lỗi này. Người dùng không thích nó? Chúng ta đã làm tốt phải không? Đối thủ quá mạnh? Người dùng không có tiền? ——Tóm lại, tôi muốn cho mọi người một lý do. Nhưng không có dữ liệu nào cả nên họ chỉ nhìn nhau bối rối.

Trên thực tế, chúng ta không cần phải làm như vậy và cũng không có khả năng liệt kê tất cả các lý do.

Giống như điểm trước, chúng ta chỉ cần kiểm soát các yếu tố có thể kiểm soát được và giảm thiểu các lỗi dễ thấy.

Sai lầm 3: Tập trung vào tỷ lệ hủy đơn hàng chứ không phải hoạt động.

Đây là một lỗi thường gặp khác. Chỉ bắt đầu phân tích sau khi tỷ lệ khách hàng rời bỏ thực sự tăng lên. Kết quả là, sự việc đã xong và người dùng đã rời đi, nên việc phân tích cũng không có ý nghĩa gì. Tỷ lệ hủy bỏ là một chỉ số có độ trễ tương đối cao.

Trước khi người dùng "bị mất" trong dữ liệu, họ có thể đã thoát khỏi dữ liệu và không hoạt động trong vài tháng qua. Do đó, tỷ lệ hủy bỏ nên được xem xét kết hợp với tỷ lệ hoạt động.

Hãy chú ý đến các sự kiện ảnh hưởng đến hoạt động của người dùng càng sớm càng tốt và theo dõi chặt chẽ tỷ lệ hoạt động của người dùng cốt lõi để tránh làm những việc vô ích sau đó.

2. Ý tưởng cơ bản để phân tích sự mất khách hàng

Mục tiêu của phân tích tỷ lệ người dùng rời bỏ là đưa tỷ lệ này vào khuôn khổ, do đó về mặt dữ liệu, trước tiên chúng ta tập trung vào xu hướng tỷ lệ người dùng rời bỏ, đặc biệt là ba loại vấn đề (như thể hiện trong hình bên dưới).

1. Câu hỏi dựa trên sự kiện. Biến động ngắn hạn trong tỷ lệ hủy dịch vụ do một hoặc nhiều sự kiện gây ra.
2. Các vấn đề về hệ thống. Tỷ lệ luân chuyển nhân sự chung của công ty cao hơn so với các công ty cùng ngành/có trình độ kinh nghiệm và vẫn duy trì ở mức cao.
3. Các vấn đề đang diễn ra. Tỷ lệ hao hụt đã tăng lên trong một thời gian nhất định mà không có dấu hiệu cải thiện.

Tỷ lệ hủy bỏ là một khái niệm liên quan đến tỷ lệ hoạt động. Mặc dù chúng tôi thường định nghĩa người dùng bị mất là "người dùng không đăng nhập hoặc mua bất kỳ thứ gì trong X tháng", nhưng tình trạng mất mát thực sự có thể đã xảy ra khi người dùng đó đã không hoạt động.

Để xác định tốt hơn các vấn đề về sự xáo trộn, chúng tôi thường sử dụng cả phương pháp chu kỳ tự nhiên và vòng đời, kết hợp với tỷ lệ hoạt động. Chu kỳ tự nhiên thường chỉ ra các vấn đề dựa trên sự kiện (vì các sự kiện xảy ra vào ngày tự nhiên) và chu kỳ cuộc sống thường chỉ ra các vấn đề dựa trên hệ thống (hiệu suất kinh doanh kém, vòng đời người dùng ngắn hoặc điểm dừng).

3. Phương pháp phân tích vấn đề kiểu sự kiện

Các sự kiện tiêu cực có thể dẫn đến tình trạng mất người dùng. Ví dụ, hết hàng, tăng giá, lỗi hệ thống, khiếu nại của người dùng, chương trình khuyến mãi lớn của đối thủ cạnh tranh (mà chúng tôi chưa thực hiện), v.v. Đây là loại sự kiện dễ xác định nhất. Theo dữ liệu phản ánh, tỷ lệ hoạt động của nhóm người dùng bị ảnh hưởng bởi sự cố sẽ giảm mạnh sau khi sự cố xảy ra và N tháng sau, tỷ lệ hủy dịch vụ sẽ bắt đầu tăng lên.

Khi phân tích, bạn cần

1. Thu thập và chú ý chặt chẽ đến các sự kiện có liên quan.

2. Phân loại sự kiện một cách hợp lý (nội bộ/bên ngoài, hệ thống/giá cả/sản phẩm…).

3. Xác định nhóm người dùng bị ảnh hưởng (gắn nhãn để quan sát trong tương lai).

4. Chú ý đến những thay đổi đang diễn ra của người dùng bị ảnh hưởng.

5. Quan sát tác động của sự kiện đến tỷ lệ hủy đơn hàng nói chung.

Bằng cách này, chúng ta có thể tập trung vào sự thật và dễ dàng thấy được kết quả hơn. Việc kê đơn thuốc phù hợp cũng dễ dàng hơn khi thiết kế các phương pháp duy trì. Tìm ra lý do thực sự khiến người dùng không hài lòng có khả năng giữ chân họ cao hơn là chỉ cung cấp cho họ phiếu giảm giá.

Lưu ý: Các sự kiện tích cực cũng có thể làm tăng tỷ lệ hủy đơn hàng. Đặc biệt là việc thu hút, kích hoạt, duy trì, đánh thức người dùng, v.v. Việc chỉ kích thích các chỉ số mềm không tiêu dùng rất có thể sẽ gây ra sự thịnh vượng giả tạo.

Xét về mặt khách quan, miễn là có các hoạt động khuyến mại thì sẽ thu hút được những người đầu cơ, và loại người dùng này có tỷ lệ hủy dịch vụ cao.

Xét về mặt chủ quan, để tạo ra dữ liệu đẹp, các nhà khai thác cũng sẽ giảm bớt các hạn chế và tạo điều kiện cho hoạt động kinh doanh chênh lệch giá. Kết quả là, hiệu quả của các hoạt động tích cực thường bị giảm sút. Ví dụ, khi một người dùng mới đăng ký, tỷ lệ mất người dùng do các hoạt động thu hút người dùng mới tạo ra có thể cao hơn đáng kể so với người dùng mới thông thường (như thể hiện trong hình bên dưới). Sau N tháng, tỷ lệ mất khách hàng của nhóm người dùng này chắc chắn sẽ cao.

Vì vậy, khi thực hiện các hoạt động, bạn phải cân nhắc trước những hậu quả có liên quan. Sự kiện tích cực khác với sự kiện tiêu cực. Chúng ta vẫn phải làm những gì cần làm và chỉ cần đánh giá toàn diện. Mặc dù kết quả cuối cùng có thể là điều mà những người lập kế hoạch và điều hành không muốn đối mặt, nhưng điều thực sự được thử thách ở đây chính là tính chính trực về mặt đạo đức của mọi người.

4. Phương pháp phân tích vấn đề có hệ thống

Nếu một vấn đề mang tính hệ thống xảy ra, điều đó chỉ có nghĩa là một điều: hoạt động kinh doanh của chúng ta tệ hơn so với đối thủ cạnh tranh. Ở thời điểm này, chẩn đoán các vấn đề kinh doanh và cải thiện hiệu suất kinh doanh là cốt lõi. Phương pháp chẩn đoán có thể tham khảo lý thuyết vòng đời người dùng.

Đừng sao chép sách, đây là cách phân tích vòng đời người dùng

Lý do mất người dùng ở các giai đoạn gia nhập, tăng trưởng và trưởng thành là khác nhau và trọng tâm phân tích cũng khác nhau. Để tiết kiệm không gian, sau đây là bản tóm tắt ngắn gọn như thể hiện trong hình bên dưới.

Khi giải quyết các vấn đề mang tính hệ thống, người ta sẽ xem xét nhiều trọng tâm khác nhau ở các giai đoạn khác nhau.

Thời gian nhập cảnh

Nhìn chung, sẽ không có sự khác biệt nào về sự cải thiện trong giai đoạn đầu. Trong giai đoạn đầu, người dùng chưa thực sự trải nghiệm được những điểm bán hàng cốt lõi mà chúng tôi cung cấp, vì vậy chúng tôi cần cải thiện quy trình một cách toàn diện để người dùng có thể trải nghiệm được những điểm bán hàng cốt lõi nhiều nhất có thể.

Trong ngành công nghiệp Internet, mọi người thường chú trọng vào phút đen (phút từ khi tải xuống đến khi đăng ký) và quá trình hướng dẫn cho người mới bắt đầu. Trong các ngành công nghiệp truyền thống, người ta thường chú trọng vào việc chào đón khách hàng và cho phép người dùng trải nghiệm và dùng thử sản phẩm càng nhanh càng tốt.

Sự phát triển

Sau khi bước vào giai đoạn tăng trưởng, chúng cần được xử lý theo nhiều cách khác nhau. Sau khi bước vào giai đoạn tăng trưởng, những người dùng biên và người dùng tự do sẽ bị loại bỏ và giá trị người dùng sẽ bắt đầu phân hóa. Người dùng không phải là người dùng cốt lõi nên được phép rời đi. Cố gắng giữ chân họ chỉ là lãng phí tiền bạc và cũng làm giảm giá trị thương hiệu do thường xuyên giảm giá.

Lúc này, chúng ta cần đặc biệt chú ý đến tình trạng mất đi người dùng cốt lõi, sự suy giảm tỷ lệ hoạt động của người dùng cốt lõi, sự rút ngắn vòng đời của họ và sự suy giảm tỷ lệ người dùng cốt lõi trong số những người dùng mới. Đây đều là những vấn đề lớn cần được phân loại và giải quyết cẩn thận. Có thể hành động đã được thực hiện trước khi tỷ lệ hủy bỏ thực sự tăng lên.

Các vấn đề mang tính hệ thống có thể không được giải quyết chỉ trong một bước mà là một quá trình lặp đi lặp lại liên tục. Chúng ta có thể chẩn đoán được vấn đề, nhưng giải pháp không dễ sử dụng và không cải thiện được dữ liệu. Do đó, nếu bạn phát hiện ra vấn đề mang tính hệ thống, bạn cần phải:

1. Chọn một chuẩn mực tham chiếu tốt và xác định khoảng cách

2. Thiết kế các giải pháp và thử nghiệm chúng

3. Ghi lại kết quả thử nghiệm và quan sát sự thay đổi dữ liệu

4. Tích lũy kinh nghiệm và giữ lại các phương pháp hiệu quả

Cuối cùng, chúng ta thấy rằng đường cong giữ chân người dùng của chúng tôi đang ngày càng gần hơn với các đối thủ cạnh tranh và tỷ lệ hủy dịch vụ tiếp tục giảm. Vào thời điểm này, chúng ta có thể nói rằng vấn đề mất khách hàng có hệ thống đã được giải quyết. Điều này có thể đòi hỏi nhiều thử nghiệm và nỗ lực, vì vậy bạn cần phải quan sát, ghi chép lại thật kỹ và chiến đấu trong thời gian dài.

5. Phương pháp phân tích cho các vấn đề dai dẳng

Những vấn đề đang diễn ra thường là những vấn đề khó giải quyết nhất. Bởi vì trên thực tế, dữ liệu như tỷ lệ hủy đơn hàng, tỷ lệ hoạt động và tỷ lệ duy trì khách hàng thường cho thấy những biến động nhỏ không đều thay vì tăng trưởng lớn và liên tục.

Đây là vấn đề thực sự vô ích: dù có ít chú ý đến nó đến đâu thì người lãnh đạo vẫn sẽ luôn hỏi về nó. Tôi muốn chăm sóc nó nhưng tôi không biết phải làm sao. Thậm chí còn có trường hợp tỷ lệ hủy đơn hàng tăng trong vài ngày, nhưng sau đó lại giảm xuống trước khi báo cáo phân tích được viết. Thật sự rất xấu hổ.

Thứ tự xử lý là loại sự kiện > loại hệ thống > loại liên tục. Bởi vì các sự kiện lớn đơn lẻ dễ nhận biết nhất và có thể dễ dàng nhìn thấy thông qua dữ liệu. Đồng thời, một loạt các sự kiện thường là nguyên nhân gốc rễ của các vấn đề mang tính hệ thống và dai dẳng, và việc xác định các sự kiện cụ thể cũng có thể giúp giải quyết các vấn đề khác. Các vấn đề mang tính hệ thống tương đối dễ xử lý nếu phía doanh nghiệp có kinh nghiệm và có thể tìm ra chuẩn mực phù hợp.

Vấn đề khó khăn nhất là vấn đề dai dẳng. Thông thường, sự thay đổi trong tỷ lệ hủy dịch vụ không kéo dài đến mức quá nghiêm trọng mà chỉ dao động liên tục trong một phạm vi nhỏ (như thể hiện trong hình bên dưới). Do thiếu kinh nghiệm và tích lũy dữ liệu nên rất khó để xác định đầy đủ những biến động nhỏ này, do đó, chúng được giải quyết vào cuối cùng.

Nếu vấn đề thực sự không thể giải quyết được, hãy thiết lập các chỉ số quan sát và theo dõi chúng trước. Khi bạn đạt đến một cấp độ nhất định, bạn có thể tìm ra manh mối.

VI. Sự khác biệt trong việc xử lý tình trạng mất khách hàng ở các loại hình kinh doanh khác nhau

Vì vấn đề churn liên quan chặt chẽ đến doanh nghiệp nên hướng phân tích churn của các doanh nghiệp khác nhau cũng khác nhau. Theo góc nhìn rộng về phạm trù, có hai chiều phân biệt quan trọng nhất.

Sản phẩm tần số thấp đắt tiền VS hàng tiêu dùng nhanh giá rẻ

Sản phẩm càng đắt tiền (ô tô, nhà cửa, đồ nội thất gia đình lớn, đám cưới, v.v.), thì quá trình ra quyết định của người dùng càng dài, họ càng có xu hướng phán đoán trước và không có chuyện mua hàng lặp lại. Loại quyết định của người dùng doanh nghiệp này có thời hạn rõ ràng và càng gần thời hạn thì khả năng người dùng đưa ra phán quyết cuối cùng càng cao.

Do đó, tỷ lệ mất người dùng đối với loại hình kinh doanh này giống như đồng hồ cát đếm ngược. Khi lần đầu tiên tiếp xúc với người dùng, bạn phải hiểu rõ tình trạng của người dùng: nhu cầu của người dùng là gì, những sản phẩm cạnh tranh nào đã được so sánh và liệu việc mặc cả đã bắt đầu hay chưa.

Bằng cách này, chúng ta có thể ước lượng sơ bộ được mình còn bao nhiêu thời gian. Điều này sẽ giúp bạn nắm bắt cơ hội giao dịch tốt hơn và theo dõi nhanh chóng. Thay vì dại dột giới thiệu và theo dõi từng bước mà không cân nhắc đến nhu cầu, bạn sẽ mất đi cơ hội.

Người dùng hàng tiêu dùng nhanh hoặc các sản phẩm tiêu dùng có tần suất mua cao (như quần áo, giày dép và điện thoại di động) thường ít trung thành hơn và thái độ của họ có thể dễ dàng thay đổi bởi các xu hướng và chương trình khuyến mãi phổ biến. Hoàn toàn có thể áp dụng chiến lược giữ chân nhân viên mà không có bất kỳ khoảng trống nào. Dù sao đi nữa, ngay cả khi người dùng không mua lần này, họ cũng sẽ quay lại mua sau một thời gian.

Do đó, khi kinh doanh những sản phẩm như vậy, các công ty Internet thường phân biệt giữa hai loại tổn thất: tổn thất nền tảng và tổn thất sản phẩm.

Miễn là người dùng vẫn ở trên nền tảng, hãy tiếp tục thức dậy. Các công ty truyền thống thường sử dụng các thay đổi theo mùa, ra mắt sản phẩm mới, lễ kỷ niệm định kỳ, sự kiện ngày lễ và các phương tiện khác để kích hoạt người dùng nhiều lần. Tóm lại, miễn là giá trị người dùng đủ lớn thì đừng bỏ cuộc.

Ngành công nghiệp truyền thống VS ngành công nghiệp Internet

Lượng dữ liệu tích lũy của hai bên trong suốt vòng đời người dùng là khác nhau. Ngành công nghiệp Internet có rất nhiều dữ liệu, thường có thể ghi lại toàn bộ quá trình của người dùng từ việc nhấp vào liên kết khuyến mại - trang đích - đăng ký - duyệt - đặt hàng.

Do đó, phương pháp phân tích phễu thường được sử dụng để xem người dùng bị mắc kẹt ở bước nào và xác định các điểm có vấn đề cần cải thiện. Đặc biệt trong giai đoạn đăng ký người dùng mới, thường có sự tối ưu hóa bừa bãi.

Các ngành công nghiệp truyền thống thường chỉ có dữ liệu tiêu thụ nên người dùng chỉ có thể được đo lường theo tần suất tiêu thụ và khoảng thời gian tiêu thụ. Nhìn chung, sau khi người dùng sử dụng n lần, những người không thích sản phẩm sẽ rời đi, trong khi những người thích sản phẩm sẽ tiếp tục mua. Đây chính là con số kỳ diệu.

Bằng cách so sánh kích thước của con số kỳ diệu, bạn có thể biết được khoảng cách giữa mình và đối thủ. Đối với các khía cạnh về hành vi như người dùng đến cửa hàng - chào đón khách hàng - trải nghiệm - dịch vụ - đánh giá, không có dữ liệu nào cả, cần phải bổ sung thông qua nghiên cứu thị trường và các phương tiện khác.

Lời nhắc nhở chính ở đây là có sự khác biệt rất lớn giữa các doanh nghiệp, mặc dù định nghĩa về tỷ lệ khách hàng rời bỏ có thể được hiểu là không đăng nhập/không mua hàng trong XX tháng. Tuy nhiên, tình huống mất mát thực tế có thể đã xảy ra và các hành động chính để ngăn chặn mất mát có thể không có hồ sơ dữ liệu. Sẽ hiệu quả hơn khi nghĩ ra các giải pháp dựa trên nhu cầu kinh doanh cụ thể thay vì sử dụng các mã cơ học.

VII. Bản tóm tắt

Nhiều sinh viên thấy vấn đề mất người dùng rất khó giải quyết. Trên thực tế, lý do là vì có ít dữ liệu về tình trạng mất người dùng và chúng ta không biết người dùng đang nghĩ gì.

Nhưng về bản chất, lý do dẫn đến tình trạng mất người dùng liên quan đến nhiều yếu tố như vòng đời người dùng, phân khúc người dùng, quy trình ra quyết định của người dùng, lộ trình tăng trưởng người dùng, quy trình chuyển đổi người dùng mới, trải nghiệm người dùng, MOT của người dùng và ảnh hưởng của các sản phẩm cạnh tranh.

Bất kỳ chủ đề nào ở đây đều có thể được đưa vào một bài viết riêng. Khi bạn hiểu được tất cả những điều này, về cơ bản bạn sẽ hiểu toàn bộ quy trình vận hành của người dùng. Về cơ bản, việc phân tích tình trạng mất người dùng rất khó khăn vì rất ít người thực hiện phân tích hiểu được hoạt động kinh doanh của người dùng.

Gọi một người bạn cùng lớp chuyên phân tích ra và hỏi:

● Vòng đời nên kéo dài bao lâu?

● Tỷ lệ giữ chân nhân viên trong ngành là bao nhiêu?

● Nhóm người dùng nào là người dùng cốt lõi?

● Điểm bán hàng cốt lõi của trải nghiệm là gì?

● Các đối thủ cạnh tranh khác nhau như thế nào?

● Hoạt động gần đây có gì diễn ra?

● Có những lỗi bất ngờ nào xảy ra?

● Những thay đổi mới nhất có tác động như thế nào?

● ……

Câu trả lời là: Tôi thực sự không biết. Hoặc thậm chí là: Tôi không biết gì cả. Bạn hỏi anh ấy biết những gì? Anh ấy chỉ biết cách tính toán dữ liệu về tỷ lệ hủy dịch vụ, sau đó thực hiện một loạt bảng phân tích chéo dựa trên các chỉ số như độ tuổi, giới tính, kênh đăng ký, tần suất mua hàng, v.v. của người dùng. Sau đó, tôi nhìn chằm chằm vào sự khác biệt 1%, 2% hoặc 3% trong các tập dữ liệu và tự hỏi: Những sự khác biệt này có ý nghĩa gì?

Câu trên chỉ là một câu đùa. Nói tóm lại, phân tích không chỉ là chạy dữ liệu và lập bảng mà còn là đi sâu vào vấn đề và tìm ra nguyên nhân gốc rễ thực sự của vấn đề kinh doanh.