Блог про аналитику

На днях я прочитал интересную статью от крутой аналитической компании Amplitude. В статье рассказывалось про 3 способа расчета Customer Retention. Сегодня я хочу подробнее изучить результаты применения этих способов на реальных данных. Итак, Amplidude определяет 3 способа расчета Customer Retention: retention at X day Классический подход. Мы формируем когорту клиентов. Затем смотрим, кто из когорты сделал покупку в день Х. retention since X day Более продвинутый подход. Мы формируем когорту клиентов. Затем смотрим, кто из когорты сделал покупку после дня Х. retention in Period Кастомный подход. Мы формируем когорту клиентов. Затем формируем шкалу retention периодов (например, p1 = {d1...d3}, p2 = {d4...d7}, p3 = {d8...d30}). Затем смотрим, кто из когорты сделал покупку в каждом периоде. retention by X day Мой дополнительный вариант. Мы формируем когорту клиентов. Затем смотрим, кто из когорты сделал покупку в периоде {d1...dX}.  Основная идея появления разных расчетов исход

Я раньше рассматривал продукт Google Analytics как нечто большое и негибкое. В свое время сам Avinash Kaushik писал о GA как о системе с большом количеством слабо организованных отчетов. Действительно в GA записывается огромное количество интересных данных о поведении пользователей. Писать такие данные к себе в БД накладно, а в GA - ничего не стоит, но выжать инсайты из GA на практике получается редко. Сегодня я попробую объяснить почему так было с GA и что изменилось. Начну с начала. GA состоит из 3-х подсистем: клиентский JS-скрипт, который собирает данные о действиях и перемещениях пользователя на сайте и передает их на GA back-end; GA back-end, который парсит все данные от клинского JS и аккуратно раскладывает эти данные по таблицам (dimensions), создает связи между таблицами, а также делает пред-расчеты; GA front-end (собственно сайт GA), который мы все хорошо знаем и используем, чтобы отфильтровать данные, рассчитать метрики и затем их как-то визуализировать. На мой

Итак, тема оценки удержания клиентов оказалась довольно сложной. Разные подходы ( экспресс-анализ и анализ периодов в 30d ) обладают своими сильными и слабыми сторонами и каждый из них можно использовать лишь с определенными оговорками. Продолжая тематику удержания клиентов, сегодня я попытаюсь ответить на два важных вопроса: может ли % one-time buyers выступать в качестве прокси фактора, который позволяет спрогнозировать будущее качество когорты клиентов? насколько такой фактор м.б. устойчив со временем (например через 13 месяцев)? Чтобы ответить на эти два вопроса я снова сформирую 12 когорт клиентов, каждая из которых сделала свою первую покупку в соответствующем месяце (1-й месяц, 2-й и т.д.). Для каждой такой когорты я рассчитаю две метрики: % ret 30d (% удержания с шагом в 30 дней) % F1 (% one-time buyers или говоря по-другому - клиентов на одну покупку).  Чтобы оценить зависимости этих двух метрик я построю два scatter-чарта: часть чарта  слева : это сравнение