Casi di utilizzo dell’Cohort Analysis

NOTA

Stai visualizzando la documentazione per Analysis Workspace in Customer Journey Analytics. Le funzioni disponibili sono leggermente diverse da quelle di Analysis Workspace in Adobe Analytics tradizionale. Ulteriori informazioni…

Esempi di utilizzo di Cohort Analysis.

Caso di utilizzo per il livello di engagement generato da un’app

Immagina di voler analizzare in che modo gli utenti che installano la tua app si comportano nel tempo. La installano ma poi non la usano? La usano solo per un po’? O la usano con continuità nel tempo?

Puoi creare una Cohort Analysis di sei mesi:

Unità: mensile, da gennaio 2015 a giugno 2015

Metrica di inclusione: installazioni dell’app

Metrica di ritorno: sessioni o avvii

I visitatori non vengono considerati engaged nei mesi successivi a meno che non abbiano sessioni attive o abbiano almeno avviato l’app. Cohort Analysis mostrerebbe quindi i pattern di utilizzo in cui App Install si verifica sempre nel mese 0. Potresti notare dei cali di utilizzo dell’app nel mese 2, indipendentemente da quando gli utenti l’hanno installata. (Per coloro che hanno installato l’app a gennaio 2015, il mese 2 è marzo 2015. Per coloro che hanno installato l’app a febbraio 2015, il mese 2 è aprile 2015, e così via). A seguito di questa analisi, potresti ad esempio inviare un’e-mail o un messaggio push a tutti gli utenti nel corso del mese due per ricordare loro di utilizzare l’app.

Caso di utilizzo: abbonamento

Supponiamo che lavori in Adobe.com e che offri un’iscrizione gratuita a Creative Cloud. L’obiettivo è quello di spingere gli utenti ad effettuare l’aggiornamento dalla versione gratuita alla versione di prova di 30 giorni o, meglio ancora, alla versione a pagamento.

Granularità: mensile

Metrica di inclusione: collegamento di download

Metrica di ritorno: acquisto della versione a pagamento di Creative Cloud

Utilizzando questa Cohort Analysis, potresti notare ad esempio che un 8-10% degli utenti della versione gratuita di Creative Cloud effettua l’aggiornamento nel mese uno, indipendentemente da quando è stata effettuata l’installazione. Un 12-15% effettua l’aggiornamento nel mese due. In seguito, gli aggiornamenti subiscono un calo significativo: 4-5% nel mese tre, 3-4% nel mese quattro e 1-2% nel mese cinque.

Riconoscendo la necessità di non perdere potenziali clienti nel mese tre, imposti una campagna e-mail progettata per uscire a metà del mese tre per un campione di utenti, offrendo un coupon di 50 $ agli utenti che non hanno ancora effettuato l’aggiornamento.

Effettua nuovamente un’analisi per coorte qualche mese dopo. Per le coorti formate dopo il lancio della campagna, la conversione alle versioni a pagamento di Creative Cloud nel mese tre sono aumentate dal 4-5% al 13-14%, con conseguenti entrate per centinaia di migliaia di dollari per coorte, per ogni coorte mensile che raggiunge il mese tre da quel momento in avanti.

Caso d’uso dei filtri coorte complessi

Una grande catena di alberghi indirizza delle promozioni a più gruppi di clienti e tiene traccia delle prestazioni. Per identificare le coorti di gruppi di utenti migliori a cui rivolgersi, verranno creati gruppi di coorti molto specifici. Utilizzando i criteri ottimizzati per Inclusion e Return nelle tabelle Cohort , è possibile definire con precisione i raggruppamenti per coorte con più metriche e filtri, al fine di identificare i gruppi di clienti con prestazioni meno soddisfacenti, al fine di indirizzarli a promozioni e offerte per aumentare le prenotazioni.

Caso di utilizzo: adozione di una versione di un’app

Una grande compagnia di assicurazioni utilizza la propria app mobile per incentivare il coinvolgimento dei clienti. Tuttavia, sono state aggiunte all’app alcune nuove funzioni ed è importante che i clienti effettuino l’aggiornamento alla nuova versione dell’app. È possibile analizzare e confrontare tutte le versioni dell’app in uso tramite una coorte con Custom Dimension per capire a quali clienti rivolgersi, in base alla versione dell’app. Inoltre, è possibile tenere traccia sia della fidelizzazione che dell’abbandono degli utenti, per vedere se specifiche versioni incidono sulla probabilità di abbandono nel tempo. Tramite messaggi inviati a dispositivi mobili, è possibile coinvolgere nuovamente tali clienti invitandoli a passare all’ultima versione dell’app e a usufruire delle nuove funzioni.

Caso di utilizzo: successo delle campagne

Una multinazionale nel settore dei media usa campagne mirate per incentivare gli utenti a visitare le sue diverse piattaforme e aumentarne il coinvolgimento. La spesa per annunci per piattaforma si basa sul livello di coinvolgimento e fidelizzazione dei clienti. Una campagna di successo è quindi un fattore chiave. In questo caso, la nuova funzione per coorti con Custom Dimension nelle tabelle Cohort viene usata per confrontare varie campagne e individuare quelle più efficaci nell’acquisizione e nella fidelizzazione degli utenti per aumentarne il coinvolgimento. È quindi possibile individuare gli aspetti che contribuiscono al successo di una campagna e applicarli ad altre campagne a beneficio delle varie piattaforme.

Caso di utilizzo: lancio di prodotto

Un grande rivenditore di abbigliamento ha molti filtri specifici del cliente che guidano grandi porzioni di ricavi per la loro attività. Ogni filtro ha prodotti specifici progettati e creati tenendo presente il filtro. Con ogni lancio di nuovi prodotti, vuole sapere in che modo il nuovo prodotto incrementa le vendite per varie coorti nel tempo. Utilizzando la nuova impostazione Latency Table in Cohort Analysis, è possibile analizzare il comportamento e il ricavo generato da un filtro cliente specifico nei periodi precedente e successivo al lancio. Utilizzando tali informazioni si possono individuare i prodotti che generano nuovi ricavi e quelli che invece non risultano convincenti.

Utenti più fedeli – Caso d’utilizzo

Una grande compagnia aerea deve il suo successo e il suo fatturato soprattutto ai clienti fedeli che ritornano nel tempo. In molti casi, i viaggiatori più fedeli rappresentano la maggior parte del fatturato e per il successo a lungo termine è quindi fondamentale assicurare di mantenere tali clienti nel tempo. Può essere difficile individuare i clienti più fedeli e coerenti. Tuttavia, utilizzando la nuova impostazione Rolling Calculation in Cohort Analysis, è possibile analizzare i filtri fedeli dei clienti e individuare i viaggiatori che hanno effettuato più acquisti, mese dopo mese. La compagnia può quindi riservare a tali viaggiatori premi ed altri bonus come riconoscimento della loro fedeltà. Inoltre, cambiando il tipo di coorte da Retention (Fidelizzazione) a Churn (Abbandono), è stato anche possibile identificare i clienti che non hanno effettuato più acquisti, mese dopo mese, e indirizzare tali filtri con promozioni in modo da coinvolgerli nuovamente e garantire che rimangano clienti fedeli in futuro.

In questa pagina