Поэтому я хочу рассказать про долгосрочные эффекты. Одно еще очень важное слово, которое фигурировало в первой части — это лояльность. А лояльность — это долговременные отношения. Лояльность — это не сиюминутный восторг, который часто видно на фокус-группах («ух какая классная фишка!»). Та фишка, которая первые пятнадцать секунд вызывает сиюминутный восторг, через пять дней может начать вызывать сильно негативную реакцию.
Очень часто такие же вещи происходят с тестированием. Одно дело тестировать сиюминутные реакции и делать на основе их долгосрочные выводы. Другое дело — следить за лояльностью пользователей. И вот здесь сhurn rate (который далеко не интернетовское и современное изобретение, а давным-давно известный метод, изобретенный еще в докомпьютерные времена) становится очень и очень важен.
Почему сейчас я говорю о churn rate, связанным именно с залогиненными сервисами? Конечно, можно измерять статистику своих пользователей, применяя более привычные, массовые, универсальные методы. Однако пользоваться ими на длинных временах сейчас невозможно. Cookie живут все меньше, «кук» на пользователей все больше, cookie все реже становятся способом пометить человека надолго, чтобы за ним следить. Это плохая новость.
Есть и хорошая. Сервисы с регистрацией все больше распространяются, все больше людей относительно спокойно относится к тому, чтобы пройти этот процесс. Особенно если сервисом планируется пользоваться долго, и для регистрации не нужно заполнять длинную анкету.
Получается, что всё больше людей имеют аккаунты на ваших сервисах. Плюс — сечас можно использовать открытую авторизацию на сторонних сервисах, где ещё у большего числа пользователей есть учётные записи. Ну и самое главное — то, что маркетологи (а я твердо убежден, что маркетологи и юзабилисты — это единая команда) всё лучше понимают, что они работаю с людьми.
Задача маркетолога в интернете — такая же как и в любом другом оффлайновом бизнесе. Это обеспечить любовь, и желательно долгосрочную, людей к тому сервису, который они продвигают. Это совсем не то же, что называется «залить трафика». «Заливать трафик» — это такой отголосок той эпохи, когда об успешности сервиса судили по его позиции в рейтинге «Рамблера». Сейчас последнее далеко не так актуально.
Я почти не знаю людей, которые гордились бы тем, что они имеют высокие позиции в рейтинге «Рамблера». Зато люди, которые говорят «моя задача как маркетолога налить больше трафика на сайт», продолжают встречаться — спасибо оптимизаторам. К счастью, это тоже становится все более редким явлением.
Формальных определений churn rate, о котором хочу рассказывать, много. Они все примерно одинаковые и сводятся к тому, что это отношение числа клиентов (подчеркиваю, что речь всегда идет именно о живых людях), которые на данный момент сервису сказали «пока», по отношению к числу, тех, кто пользовался сервисом за этот период.
Это тот самый отток пользователей, который, вообще говоря, присущ традиционным сервисам с подпиской. Мобильные операторы, к примеру, об этом говорить не любят — как и о любой отрицательной метрике. Даже если churn rate уменьшился, этим хвалиться стесняются — видно, что люди все-таки уходят. И очень важно понять почему. Как они уходят?
Когда смотришь на динамику какого-нибудь сервиса, иногда видишь катастрофическую картинку (я привожу пример в линейном масштабе). Прошло больше месяца, и мы потеряли больше половины пользователей из тех, которых привели рекламные компании, и люди продолжают разбегаться.
На самом деле не нужно пугаться — нужно это прогнозировать. Для начала нарисовать все в логарифмическом масштабе. Если это нарисовать в полулогарифмическом масштабе (то есть оставить линейной шкалу времени) и здесь единицы (либо недели, либо месяцы), получится «длинное время».
Вот данные, взятые с некого сервиса, с которым мне приходилось работать. Это недельная статистика.
Оказывается, что тут график становится суммой двух экспонент. Так себя ведет радиоактивный изотоп — они распадаются при экспоненте. То есть за одно и тоже время одна и та же оставшаяся доля изотопа на что-то распадается. Есть такие же графики: если пытаться аппроксимировать двумя экспонентами, то совпадение будет практически идеальное.
Есть две экспоненты (в полулогарифмическом масштабе экспоненты представляются прямыми): быстро падающая прямая и медленно падающая прямая. Это классическая история из физики: два изотопа смешанные в разных пропорциях и с резко отличающимся временем жизни.