Growth Retention
Fitur Killer Firebase Prediction untuk Meningkatkan User Retention
Hallo semuanya. Kali ini saya akan sharing mengenai hasil implementasi the hook framework yang digunakan untuk meningkatkan user retention.
Sebelum ke materi pembahasan, saya akan sharing terlebih dahulu tentang Key Metric AARRR yang digunakan untuk mengukur tingkat keberhasilan.
Key Metric AARRR
ACQUISITION: users downloading from a variety of channels
ACTIVATION: users enjoying their first ‘happy’ experience on apps
RETENTION: users coming back and using KESAN multiple times
REFERRAL: users loving KESAN so much they refer others to download it
REVENUE: users completing actions on KESAN that we are able to monetize
Dari metric tersebut, dapat dibagi menjadi beberapa batch agar lebih fokus, seperti berikut:
Q1 yaitu meningkatkan ACQUISITION dan ACTIVATION. Artinya, target awal adalah mendapatkan installer dan memberikan first impression yang baik bagi user. Pada step in, lebih fokus untuk menyiapkan MVP bagaimana produk dapat memenuhi kebutuhan dasar pelanggan — dalam konteks ini untuk memenuhi kebutuhan santri, aswaja, dan umat islam pada umumnya.
“The minimum viable product is that version of a new product which allows a team to collect the maximum amount of validated learning about customers with the least effort.” by Eric Ries
Batch Q2, fokus utamanya adalah menjaga loyalitas user untuk aktif dan kembali menggunakan aplikasi. Pada step ini, key metric RETENTION dan REFERRAL-lah yang digunakan. Strateginya dengan mengimplementasikan konsep the hook framework yang berisi 4 point utama yaitu:
- Triger : pemicu yang membuat user menggunakan apps.
- Action : aksi user untuk meningkatkan partisipasi.
- Reward : reward yang membuat pengguna menginginkan lebih untuk berinteraksi dengan aplikasi.
- Invesment : menyimpan sesuatu yang kemungkinan besar membuat user kembali.
Hook Model KESAN
Tujuan dari perancangan model tersebut ialah untuk menekan angka user churn — “user pasif dan berpotensi uninstall aplikasi”. Caranya, kami memanfaatkan salah satu fitur Firebase yaitu “Firebase Prediction”.
Firebase Predictions applies machine learning to your analytics data to create dynamic user segments based on your users’ predicted behavior. These predictions are automatically available for use with Firebase Remote Config, the Notifications composer, Firebase In-App Messaging, and A/B Testing.
Model yang diimplementasikan sebagai berikut:
Trigger : Send notif to user churning
Poin pertama adalah membuat trigger bagi user pasif untuk kembali menggunakan apps. Untuk mengumpulkan data user churning, melalui fitur firebase prediction (machine learning), kita dapat mengelompokan user berdasarkan behaviour mereka. Caranya:
- Tambahkan fitur firebase analytic pada aplikasi.
- Enable fitur analytic dan prediction pada firebase console.
- Definisikan user prediction.
- Machine learning akan mengumpulkan segment user sesuai yang sudah didefinisikan.
Dari data tersebut, terdapat sekitar 25K user churning yang memiliki behaviour pasif dan diprediksikan akan uninstall aplikasi di kemudian hari.
Setelah mendapatkan segment user churning, selanjutnya kita dapat mengirimkan notifikasi berupa ajakan agar kembali menggunakan aplikasi menggunakan fitur FCM.
Contoh ajakannya adalah: “hallo sahabat kami merindukanmu, login dan dapatkan e-book doa & salawat perlidungan dari penyakit”.
Pada langkah ini, kita sudah membuat trigger untuk menarik user pasif agar kembali menggunakan aplikasi.
Action : Login apps
Notifikasi akan dikirimkan secara berkala sesuai scope time yang ditentukan. Pada case ini, diatur setiap 3 hari sekali. Alasannya? Agar dapat meningkatkan angka user aktif.
Diruntut dari poin pertama yang mana triggernya berupa penawaran e-book doa maupun sholawat perlindungan penyakit, maka untuk mendapatkannya user harus melakukan login apps (action) terlebih dahulu.
Reward : download e-book
Konsepnya adalah give and take. Untuk mendapatkan sesuatu, maka berikanlah sesuatu pula. Seperti halnya pada games, user akan semakin maju setelah mendapatkan reward.
Invesment : e-book
Skema ini akan terus diulang hingga user dapat mengoleksi banyak e-book. Ketika user telah melakukan investasi pada aplikasi, maka ini yang akan menjadi magnet untuk menarik user agar kembali menggunakan aplikasi.
Seperti pada sebuah games, ketika user telah mendapatkan level atau pangkat tinggi pada player-nya, sayang rasanya untuk menghapus atau mengulang lagi dari awal. Begitu pun Facebook, user yang sudah melakukan investasi sharing moment, menjalin banyak pertemanan, atau berjualan produk secara online, maka akan sangat berat bagi user tersebut untuk menghapus akun atau meninggalkan platform tersebut.
Conclusion
Dari model hooked yang telah diimplementasikan pada Q2 2020 ini, hasilnya memperoleh peningkatan 5 – 10% retention pada week 1 dari user active.
Pada Q1 retention berada dikisaran angka 35 — 45 %.
Dan untuk Q3, akan saya share pada lain kesempatan.
Terimakasih
Referensi: https://firebase.google.com/docs/predictions
