Fluxo de usuários

Jan 06 2023
Em postagens anteriores, analisamos como diferentes recursos do produto podem afetar a retenção e a monetização do usuário. Essas informações podem nos ajudar a priorizar os recursos do produto e focar nos mais impactantes.

Em postagens anteriores, analisamos como diferentes recursos do produto podem afetar a retenção e a monetização do usuário. Essas informações podem nos ajudar a priorizar os recursos do produto e focar nos mais impactantes.

Mas, como geralmente acontece, o contexto de uso pode mudar muito nosso entendimento. É por isso que é bastante razoável aprender o contexto de uso:

  • o que aconteceu antes de um determinado recurso do produto ser usado (será abordado neste post)
  • o que aconteceu depois que um determinado recurso do produto foi usado
Coeficiente MCC — o coeficiente para medir o impacto na retenção.

Os recursos do produto são classificados por [# usuários] decrescentes. Para cada recurso do produto, calculamos o coeficiente MCC — como esse recurso específico do produto afeta a retenção do usuário no produto.

Alguns exemplos da tabela acima:

  • feature41 é muito popular ( [# users] = 11.598 ) e tem um impacto quase natural na retenção de usuários ( [MCC = -0,0093] ).
  • feature24 é frequentemente usado ( [# users] = 5.121 ) e tem um impacto positivo bastante forte na retenção de usuários ( [MCC = 0,0954] ).
  • feature18 é muito popular ( [# users] = 10.571 ), mas tem um impacto negativo bastante forte na retenção de usuários ( [MCC = -0,1532] ).
  • feature43 é usado com menos frequência ( [# users] = 2.541 ), mas tem um impacto positivo muito forte na retenção de usuários ( [MCC = 0,1593] ).
  • recurso41
  • feature41: análise de fluxo.
  • feature41 na etapa atual = -0,0093
  • feature41 na etapa anterior = -0,0251

Mas o aprendizado mais importante é este:

Os coeficientes MCC para recursos de produtos independentes são diferentes dos MCC para recursos de produtos no contexto de uso.

Se tomarmos coeficientes MCC independentes da tabela acima , obteremos estes números:

  • recurso4 = -0,1319 (negativo, forte)
  • feature42 = 0,0352 (positivo, leve)
  • recurso2 = -0,0996 (negativo, forte)
  • feature4 = 0,0079 ( positivo , leve )
  • feature42 = 0,0938 (positivo, forte )
  • recurso2 = 0,0495 ( positivo , médio )
  • recurso24 / recurso18
  • feature24: análise de fluxo.
feature18: análise de fluxo.

Gostaria de salientar aos leitores que o impacto do recurso18 na retenção é negativo , pois quase todos os 4 principais casos de uso anteriores são negativos .

A experiência positiva do usuário anterior (humor positivo) geralmente é seguida por uma experiência positiva do usuário e, inversamente, a experiência negativa do usuário anterior geralmente é seguida por uma experiência negativa do usuário.

  • recurso43
  • feature43: análise de fluxo.

O nível de experiência do usuário é o valor cumulativo das experiências anteriores do usuário.

RESUMO:

Os fluxogramas de usuário que apresentei acima devem demonstrar dois aspectos importantes do desenvolvimento de produtos:

  • a experiência do usuário não é apenas um pacote de recursos do produto, é um fluxo.
  • a experiência do usuário em seu produto é acumulativa .