Технологический скачок понемногу стирает эти ограничения. Редакторы могут получать нужные им данные о поведении мобильных пользователей в реальном времени, чтобы принимать точные и быстрые решения в конкурентной информационной среде. Сегодня уже не стоит вопрос, какие данные можно добыть. Важно, насколько эффективно вы можете их использовать.
В отчёте мы рассказываем о выводах из исследования миллиона пользователей более чем 150 мобильных приложений. Узнайте, как анализ контента и поведения аудитории могут направлять действия редактора и увеличивать эффективность приложения.
Исследование:
1. Дизайн, основанный на данных
2. Четыре класса контента
3. Издержки средних значений
4. Поведение новостной ленты
5. Заключение
1. Дизайн, основанный на анализе данных
Важная задача приложения для медиа — найти способ увеличить вовлеченность пользователей. Для этого полезно измерять показатель «плотности контента» (content density), связанный с количеством контента, с которым взаимодействует пользователь.
Плотность контента — это количество новостных заметок, статей и видеофайлов, которые отображаются на конкретном экране приложения. Логично предположить, что чем больше записей отображается на экране, тем у вас больше возможностей вовлечь читателя во взаимодействие. Но только с помощью аналитики можно точно определить, насколько плотность контента влияет на вовлечённость.
Изучив 150 мобильных приложений, Rumble выявил интересную статистику. В среднем на экране приложения одновременно отображаются 2,3 превью статей. Пользователь прокручивает такую ленту 3,2 раза. Таким образом, в среднем имеется 7,3 возможности заинтересовать читателя. Ленту приложения, на экране которого одновременно отображаются превью пяти статей (то есть, плотность контента равна 5), прокручивают в среднем 2,5 раза. Такое приложение даёт 12,5 возможностей вовлечения.
Издатель одного приложения, на экране которого отображалось 2,3 статьи, протестировал вариант дизайна с пятью статьями. Анализ результатов эксперимента показал, что увеличение плотности контента привело к росту вовлечённости пользователей, поэтому теперь измененный дизайн используют на постоянной основе. Вовлечённость пользователей приложения увеличилась на 12%.
Скорость подобных экспериментов критически важна, чтобы использовать их с выгодой для себя. Мобильное приложение должно быть изначально спроектировано с расчётом на гибкость изменений и возможности для тестов. Если каждый раз такие эксперименты будут проходить через всю команду разработки (от дизайнеров до тестировщиков), вы потеряете драгоценное время, пользователей и выручку.
2. Четыре класса контента
Общее правило: 20% контента приносят 80% трафика. В ходе исследования Rumble убедился в том, что это правило выполняется, а также обнаружил несколько других закономерностей насчёт оставшихся 80% контента.
Rumble определил четыре класса контента с разным влиянием на трафик приложения. Класс 1, наиболее эффективный, создаёт 80% трафика. Класс 2 — менее эффективный, дополнительные 13% контента создают только 10% трафика. У классов 3 и 4 эффективность значительно ниже, и класс 4 (33% контента) создаёт лишь 1% трафика.
Наблюдение: Анализ данных подтверждает правило 80/20, 17% контента создают 80% трафика. Далее наблюдается спад, требуется уже 13% контента, чтобы создать 10% трафика. 33% контента (класс 4) создают только 1% трафика.
Контент верхних классов требует от редакторов пристального внимания. Его оптимизация может иметь наибольшее влияние на вовлечённость пользователей и выручку.
Что делать с контентом четвертого класса? Несмотря на минимальную эффективность, он открывает возможности для экспериментов. Редакторы могут использовать автоматическую оптимизацию для этого класса контента, а основное внимание сфокусировать на более ценном контенте.
3. Издержки средних значений
Будучи редактором, вы хорошо знаете свою аудиторию. Интуиция и опыт помогают вам принимать решения, которые притягивают и вовлекают аудиторию. Механизмы анализа данных могут дать более четкую картину о сильных и слабых сторонах контента.
Даже самая развитая интуиция не поможет избежать ошибок. Их не поможет избежать и типичная аналитическая платформа, потому что она рассматривает читательскую аудиторию как единое целое. Легко упустить какие-то тенденции и возможности оптимизировать приложение, если не сегментировать аудиторию более скрупулёзно.
Чтобы продемонстрировать это, Rumble определил четыре сегмента читателей: мужчины с высоким доходом, мужчины с низким доходом, женщины с высоким доходом, женщины с низким доходом. Группы сравнили со «Среднестатистическим Пользователем» более 150 мобильных приложений.
А. Количество просмотров статей в зависимости от пола и дохода пользователей
Если сравнивать показатель «Количество прочитанных статей» у пользователей, то прослеживается интересная статистика. У женщин этот показатель зависит от дохода. Женщины с доходом выше 75 тыс. долларов в год читают больше статей, чем женщины с низким доходом.
Наблюдение: Женщины с высоким доходом читают больше, чем мужчины и женщины с низким доходом. Размер дохода незначительно влияет на склонность мужчин к прочтению контента.
Б. Влияние пола и дохода пользователя на готовность делиться статьями в социальных сетях
Rumble сравнили «коэффициент перепостов» для мужчин и женщин с разным достатком. По сравнению со «среднестатистическим пользователем» женщины на 12% активнее делятся статьями в социальных сетях. Для пользователей с высоким доходом этот показатель на 22% выше среднестатистического.
Наблюдение: По сравнению со «среднестатистическим пользователем» женщины на 12% активнее делятся статьями в социальных сетях. Наибольшую склонность к перепостам демонстрируют пользователи с высоким доходом (на 22% больше, чем «среднестатистический пользователь»).
С. Зависимость эффективности каналов от поведения пользователей
Мы видели, что учитывая пол и доход пользователей, вы можете увеличить эффективность приложения. Анализ поведения аудитории может открыть еще больше возможностей.
В следующем примере Rumble исследовали каналы привлечения трафика одного из приложений. В случае, когда аудитория рассматривалась как единое целое, самый популярный канал (Канал 1) привлекал больше всего трафика.
Однако, в исследовании разделили данные по двум группам пользователей: новым и повторным. Оказалось, что приложение активнее всего вовлекало новых пользователей, пришедших из Канала 3. Это наблюдение открыло ценную возможность для оптимизации и роста.
Вывод: Из Канала 1 приходит больше всего трафика, но новые пользователи из Канала 3 вовлекаются эффективнее всего. Поэтому именно Канал 3 может дать наибольший вклад в рост суммарного трафика приложения.
Это лишь несколько примеров того, как сегментация аудитории и сравнение показателей по сегментам может помочь редакторам понять динамику приложения. Но понимание — только половина успеха. Издатели должны уметь сегментировать свою аудиторию и непрерывно оптимизировать приложение, персонализируя пользовательский опыт под каждый сегмент.
4. Поведение новостной ленты
Если «content is the king», то лента приложения — это королевство контента. Издатели должны следить за статистикой взаимодействия пользователей с лентой новостей, чтобы понимать поведение аудитории. Rumble изучили более 150 приложений и определили самые распространенные сценарии.
Сценарий 1: Стабильный
В стабильной ленте порядок новостей определяет силу их вовлечения. Верхние новости генерируют наибольший трафик, а следующие за ними — всё меньше и меньше.
Сценарий №2: Скачкообразный
Этот сценарий следует структуре новостных лент, которые пролистываются экранами по пять превью статей. На графике показано, как на каждом экране всплеск вовлечённости соответствует верхней статье экрана. В таких условиях издателям нужно ориентироваться не на позицию статьи в целой ленте, а на её позицию внутри текущего экрана.
Сценарий 3: Аномальный
Редакции должны отслеживать исключения в поведении пользователей. На графике ниже вы видите скачок активности на Статье 8. Это странно, потому что она идёт третьей на втором экране. Редактор может воспользоваться этим и оптимизировать ленту, передвинув Статью 8 выше.
В этом случае также очень важна скорость работы. Чтобы использовать аномалии в интересе читателей, издатель должен иметь техническую возможность чтобы оперативно менять порядок статей в ленте.
5. Заключение
С анализом данных в индустрии СМИ знакомы все. Однако, для своих мобильных приложений аналитический подход стали использовать совсем недавно. При этом он позволяет эффективно управлять контентом и оптимизировать приложения на основе информации в «реальном времени». В сфере с такой жесткой конкуренцией анализ контента и пользовательских данных является ценным оружием в руках быстрых редакций.
Бережно переведено компанией Touch Instinct
Полная перепечатка возможна только с разрешения автора