Как количественно искать Aha-моменты
Из прошлых постов вы узнали, что такое Aha-момент и почему его поиски стоит начинать качественно. Теперь давайте перейдем к количественному анализу. Он поможет выявлять и подтверждать закономерности на практике.
На основании глубинных интервью мы определили гипотезы, которые потенциально ведут к достижению Aha-момента. Среди них, выделим предположительные условия X и проверим следующее:
♦️ Пользователи, выполнившие условие X, с высокой долей вероятности становятся «успешными». То есть, например, продолжают регулярно пользоваться продуктом.
♦️ Пользователи, не выполнившие условие X, с высокой долей вероятности не становятся «успешными».
Теперь можно начинать закапываться в данные и определять точные критерии выполнения условий.
Например, гипотеза для сервиса музыки – пользователь становится «успешным» после некоторого числа понравившихся песен. Условие – пользователь добавил N песен в течение M дней в сохраненные. Точные критерии, т. е. конкретные N и M предстоит определить из данных. И это при условии, что такая закономерность действительно имеет место быть.
Определив критерии достижения Aha-момента, можно теперь провалидировать их с помощью а/б тестов на пользователях. В рамках экспериментов нужно «помогать» пользователям быстрее выполнять критерии.
К примеру, если мы знаем, что пользователь становится «успешным» после знакомства с некоторой функциональностью, мы можем подтолкнуть его к ней с помощью пушей или сторис.
Если «помогать» не удаётся, возможно в полученном aha-моменте и «успешностью» нет причинно-следственной связи. Тогда стоит переходить к другим гипотезам. Если же удаётся – можно праздновать.)
На этом с серией постов про Aha-момент у меня всё. Пусть он будет одним из ваших инструментов для роста продукта и его метрик.
Из прошлых постов вы узнали, что такое Aha-момент и почему его поиски стоит начинать качественно. Теперь давайте перейдем к количественному анализу. Он поможет выявлять и подтверждать закономерности на практике.
На основании глубинных интервью мы определили гипотезы, которые потенциально ведут к достижению Aha-момента. Среди них, выделим предположительные условия X и проверим следующее:
♦️ Пользователи, выполнившие условие X, с высокой долей вероятности становятся «успешными». То есть, например, продолжают регулярно пользоваться продуктом.
♦️ Пользователи, не выполнившие условие X, с высокой долей вероятности не становятся «успешными».
Теперь можно начинать закапываться в данные и определять точные критерии выполнения условий.
Например, гипотеза для сервиса музыки – пользователь становится «успешным» после некоторого числа понравившихся песен. Условие – пользователь добавил N песен в течение M дней в сохраненные. Точные критерии, т. е. конкретные N и M предстоит определить из данных. И это при условии, что такая закономерность действительно имеет место быть.
Определив критерии достижения Aha-момента, можно теперь провалидировать их с помощью а/б тестов на пользователях. В рамках экспериментов нужно «помогать» пользователям быстрее выполнять критерии.
К примеру, если мы знаем, что пользователь становится «успешным» после знакомства с некоторой функциональностью, мы можем подтолкнуть его к ней с помощью пушей или сторис.
Если «помогать» не удаётся, возможно в полученном aha-моменте и «успешностью» нет причинно-следственной связи. Тогда стоит переходить к другим гипотезам. Если же удаётся – можно праздновать.)
На этом с серией постов про Aha-момент у меня всё. Пусть он будет одним из ваших инструментов для роста продукта и его метрик.