För att förbättra kundupplevelsen och intäkterna måste företag förstå kundernas beteende. Kohortanalyser kan hjälpa er att förstå engagemang och retention, vilket kan leda till åtgärder som att förbättra kontoskapande och skapa kampanjer för månader med stora volymer.

Att analysera digitala prestanda är avgörande för att förstå hur kunderna interagerar med ett företag och vilka åtgärder som kan vidtas för att förbättra deras upplevelse. I den här artikeln ska vi titta närmare på hur man använder kohortanalyser för att bättre förstå kundbeteenden.

Del 1: Jämföra digitala prestanda mellan första besök och returbesök

Förbered scenen

En kund vill förstå digitala prestanda under de senaste två åren och funderar på att utveckla ett lojalitetsprogram för att höja den digitala prestandan. Till att börja med kan vi titta på den aktuella webbplatsmixen mellan nya och återkommande användare för att förstå hur de två besökargrupperna uppför sig idag.

Aktuella digitala prestanda

1. 2022 kom 62 % av beställningarna från förstagångsbesök jämfört med 38 % från återbesök (föremål för cookies, flera enheter).
2. Förstagångsbesökare konverterar något mer än returbesökare, 11,6 % jämfört med 11,4 %.
3. Jämfört med 2021 minskade konverteringsgraden i båda segmenten.

Del 2: Kohortanalys – besök Edible Arrangements Global Prod

För att förstå hur klibbig den digitala kanalen är och möjligheten att få fler återkommande köpare är nästa fråga: Hur många besökare återvänder till webbplatsen varje månad under 2022?

Vi presenterar kohortanalys

Kohortanalys är ett användbart verktyg för att förstå hur kohorter interagerar med ett varumärke över tid. Till att börja med har vi bestämt vilka frågor vi ska besvara:

1. Hur lång är den genomsnittliga retentionsperioden per månad under ett visst år?
2. Hur många besökare återvänder till webbplatsen varje månad under ett visst år?
3. Hur påverkar inloggningar retentionen?
4. Finns det specifika produkter som ökar retentionen?

Så här ställer du in kohorttabellen

1. Ange datumintervall från jan till dec 2022

2. Inkluderingskriterier:  Besök

3. Returkriterier:  Besök

4. Granularitet:  Månad

5. Inställningar:  Rullande beräkning
   **Gör att vi kan beräkna retentionen baserat på den föregående kolumnen, inte den inkluderade kolumnen. Det innebär att en användare inkluderas i var och en av månaderna**

6. Segment:  du kan välja specifika segment för att utveckla analysen

   1. Specifika landningssidor
   2. Enhetstyp
   3. Marknadsföringskanaler
   4. osv.

Tolka resultaten

År 2022:

1. Månaderna med högsta retentionsgrad +1 månad är januari, april och november
2. Månaderna med störst volym är februari och maj
3. Det finns cirka 1 000 besökare som återvänder till webbplatsen varje månad

År 2021:

1. Månaderna med högsta retentionsgrad +1 månad är april, januari och mars
2. Månaderna med störst volym är februari och maj

Åtgärdsobjekt:

Skapa ett segment baserat på ~1 000 besökare och lär dig mer om dem:

• Var finns de?
• Vilka produkter köper de under året?
• Vilka butiker köper de från?

Viktiga månader visar på möjligheter att öka retentionen baserat på volym:

• Finns det någon särskild taktik som kan leda till ökad klibbighet under februari och maj för att dra nytta av volymen?

Upprepa analysen för beställningar för att förstå återkommande köpare

• Är de högsta retentionsgraderna +1 månad samma månad?
• Är månaderna med flest besök desamma som för beställningar?

Del 3: Lägga till två mätvärden i inkluderingskriterierna

Förstå påverkan av inloggning

Eftersom den här kunden vill förstå värdet av ett lojalitetsprogram inkluderade nästa steg i analysen att lägga till händelsen inloggning som ett inkluderat mått i kohorten.

Varning: Kohortanalys kan inte användas för beräknade mätvärden (t.ex. konverteringsgrad) eller icke-heltalsvärden (t.ex. intäkter). Endast mätvärden som kan användas i segment kan användas i kohortanalyser och de kan bara ökas med >1 åt gången.

Är det troligare att webbplatsen behåller användare som loggar in?

Vad skulle resultatet bli om vi kunde få fler användare att logga in? Blir det en klibbigare upplevelse?

Konfigurera kohorttabellen

1. Ange datumintervall:  från jan till dec 2022
2. Inkluderingskriterier:  Besök + inloggningshändelse
3. Returkriterier:  Besök
4. Granularitet:  Månad
5. Inställningar:  Rullande beräkning
   **Gör att vi kan beräkna retentionen baserat på den föregående kolumnen, inte den inkluderade kolumnen. Det innebär att en användare inkluderas i var och en av månaderna**

Tolka resultaten

År 2022:

1. Månaderna med de högsta retentionsgraderna +1 månad är januari, april och november (samma månader som den första kohorttabellen)
2. Månaderna med störst volym är februari, maj och december
3. Det finns cirka 2 500 besökare som återvänder varje månad **mer än dubbelt**

Åtgärdsobjekt:

Undersök webbplatsens användarupplevelse för att få användare att skapa ett konto i kassan

Del 4: kohort med anpassad dimension

Kohort med anpassad dimension: skapa kohorter baserat på den valda dimensionen i stället för tidsbaserade kohorter (standard). Många kunder vill analysera sina kohorter med något annat än tid, och med den nya funktionen för kohorter med anpassade dimensioner kan du skapa kohorter baserat på dimensioner de själva väljer. Använd dimensioner som marknadsföringskanal, kampanj, produkt, sida, region eller någon annan dimension i Adobe Analytics för att visa hur retentionen ändras baserat på de olika värdena för dessa dimensioner.

Segmentdefinitionen för en kohort med anpassad dimension använder bara dimensionsobjektet som en del av inkluderingsperioden, inte som en del av returdefinitionen.

När du har valt alternativet för en anpassad dimension kan du dra och släppa vilken dimension du vill i släppzonen. På så sätt kan du jämföra liknande dimensionsobjekt under samma tidsperiod. Du kan till exempel jämföra prestanda för städer sida vid sida

eller produkter, kampanjer med mera. Den returnerar de 14 viktigaste dimensionsobjekten. Du kan emellertid använda ett filter (öppna det genom att hålla muspekaren till höger om dimensionen som du dragit) för att bara visa önskade dimensionsobjekt. Det går inte att använda en kohort med en anpassad dimension med funktionen latenstabell.

Vilka produkter driver webbplatsens klibbighet?

En kohorttabell med en anpassad dimension visar produkter som ger högre retention än genomsnittet. Tabellen hjälper er att identifiera era främsta produkter för att driva interna och externa marknadsföringskampanjer med de bästa och mest intressanta produkterna.

Februari:  3 produkter sticker ut med högre retentionsgrad

1. Produkt 1
2. Produkt 2
3. Produkt 3

Mars:

1. Produkt 1
2. Produkt 2
3. Produkt 3 – presterar ofta bättre med en högre retentionsgrad jämfört med den genomsnittliga retentionen.

Slutsats

Kohortanalyser och kohorter med anpassade dimensioner är kraftfulla verktyg för att förstå kundbeteenden och förbättra den digitala prestandan. Genom att analysera retentionsgrad, inloggningsfrekvens och påverkan på specifika produkter kan företag fatta datadrivna beslut för att förbättra kundupplevelsen och öka tillväxten.