【Data x UX】UJM -1 先建立大節點模型 for AARRR,觀察 conversion rate,建立大指標
指標建立
先建立大節點模型 for AARRR,觀察 conversion rate,建立大指標及Funnel 視覺化.
執行原則
這邊我們先談 UJM 基於資料基礎上的實作部分,先不考慮使用者分群,以整體在平台上的數字加總及轉換率作為現實依據狀況,再從大處開始再往細部看
UJM -1.1
先建立大節點模型 for AARRR
以 AARRR 進行
Acquire (A1):來訪的使用者
A1 — A2 Convertion Rate:檢視on boarding 體驗順暢,可以找到想要的東西
Active (A2):嘗試體驗的紀錄
A2 — R0 Convertion Rate:檢視當期體驗是否滿意
Retention (R0):當期體驗良好的紀錄,行為會因使用者型態而有所區分:
- 自學生:自學內容超過十分鐘
- 任務型:任務後,願意自己去多做任務以外的內容
Retention (R1~R30):後續幾天願意再來的紀錄
這邊要注意的是:AAR 會需要分新舊人,因為這兩群人的體驗及行為對應的 action 是不一樣的,新人的 AAR 會表現出即時 onboard 的體驗是否良好,是短期的表徵,而對舊人來說,後續的來訪活動紀錄,則代表是否感受到長期價值
Acquire:
使用 GA 資料
- 我們使用 dauGA 這個工具,將GA 資料倒入 BigQuery,因此我們可以掌握來訪的紀錄(即使他沒註冊或沒有任何使用紀錄)
- 利用 ga_user_cookie_map 進行資料清理,分辨出 cookie_id 與 均一 id的配對,同時也辨別「公用電腦」,讓我們明確的知道不同載具的使用者分別是誰,避免數據過份膨脹
- 利用 ga_page_view 搭配 資料庫備份,找出每個使用者(含訪客)的首次來訪記錄 first_visit_date
- 但均一資料庫備份中,仍有部分使用者不在 GA 資料裡,一個選擇是捨去這些資料,一個選擇是補齊,我們選擇後者,因為GA 沒記錄到的,可能是技術上的缺失,而這些使用者有明確的使用紀錄,可以向 Active 串連,是真實存在的使用者,因此需要在 Acquire 這個節點將 GA miss data 補齊
我們發現身份為null(大部分為訪客)
Active:
存取使用資料庫各個行為特徵
在這個階段,我們不只考慮使用內容(習題或影片)作為 Active 的主要特徵,而是建立更大的 scope,包含使用任務、徽章、檢視紀錄、討論區等等,讓我們的 Active 有更大的討論空間,畢竟此時在跟UX persona 合併前,我們還不知道 UX 希望置入在Jouney 的 active 定義是什麼
Active table 建立時,需要有一些原則框架去做 data transfer,例如:人、事、時、地、物,以便讓不同的 activity 有辦法在一張表格內呈現,同時維持解析度,這邊會考驗到資料工程師、分析師在結構上的編排能力
Acquire → Active 轉換率學生身份較高,訪客身份相當低,其中老師與家長身份的用戶在2017 的暑假後,開始走下坡,估計是當時的改版,將用戶使用情境從首頁開始就區分開來,因此老師及家長會被導入班級管理頁面,減少使用內容的觸及機會
Retention:
根據 Active table 定義 retention
Retention (R0):當期體驗良好的紀錄,行為會因使用者型態而有所區分,我們想知道來的當下,除了 active 之外,這次的 active 是否有好的體驗,因此分為兩個 mode:
- 自學生:自學內容超過十分鐘
- 任務型:任務後,願意自己去多做任務以外的內容
UJM -1.2
觀察 conversion rate
因為我們的視覺化包含 Acquire to Active, Active to Retention, 因此conversion rate 可以看兩個部分,這裡的 active 我們抓第一天造訪就能激活,以提升其轉換率當作我們 on boarding 體驗的標準
我們先觀察 Acquire to Active,簡稱 A1 — A2
因此我們可以看到逐月的 A1、A2 的數量,以及其轉換率。同時,如果我們要做 AB test 等實驗,可能可以轉成 weekly 以快速驗證
20190223 討論後,決定將TA 以「新舊人」分群,新舊人區別 by 來訪天數,大於一天就是舊人,有幾個發現:
新舊人Acquire → Active 的轉換率,相差 0.5
舊人轉換率有 0.7以上,目前我認為不是很要緊,要 focus on 新人
- 疑問1:找出第一次來,但不active 的新人,到底怎麼了?
- 疑問2:那這些不active 的新人,幾次之後來才會 active 呢? 還是通常就不會再來了?
- 疑問3:如果一般人都有慢熱期,那這段期間有沒有機會持續誘導,直到 active 發生?
先觀察 Active 當天的體驗 Retention,簡稱 R0,我們認為當天的體驗不應該只有激活,還應該讓使用者感受到完整價值,進而提高後續的再訪留存
我們發現,用戶在兩種 mode 下,留存率大概在0.5~0.6 之間,表示大概有一半的人使用上有符合我們的期待,但人數上自學 mode 大概是任務 mode 的兩倍
因為一個人一週內可能會同時存在有兩種 mode,因此我們將兩種mode 交叉比對,發現一個「假說」,隨著自學行為在當週比例的提升,任務行為的留存會越高,如果後續驗證這兩者存在有因果關係,那我們可能可以在產品運營上利用獎勵自學行為,進而提高任務留存率
此時,我們可能還在等 Persona 整合,但我們已經可以根據既有數據事實,在產品上進行一些實驗,不用等完整的 Journey map 完成才開始動作
UJM -1.3
建立大指標及 Funnel 視覺化
系列文章
Product
- 大分群,從過去資料及組織共識,確認重點 TA
- 大分群收尾 > UX、UJM 分工開跑
- 根據組織使命、共識,產出理想路徑
- 利用 Persona +Ideal Path 的產出挑機會點,建立假說及解法
- Persona 機會點+UJM+AARRR 設定目標
- 設計 or MVP,驗證假說
- 整合實作
UJM
- UJM -1 先建立大節點模型 for AARRR,觀察 conversion rate,建立大指標
- UJM -2 利用persona 分群對照資料,觀察是否存在分群關鍵行為
- UJM -3 找出不同分群在 UJM 對於 AARRR 的個別影響點
UX
- 先想好目標、 TA
- Persona 先著手訪談,整理質性分群,建立 V0.1
- 找專家、現場、訪談者一起參與編碼,整理出現況,建構 Persona V0.2
- 建構理想學習旅程
- 數據比對實際使用旅程,必要時取得帳號,用使用者行為資料 double check
- 找出機會點