Yeni Kullanıcıların Sürekli Elde Tutması Nasıl Sağlanır?

Trafik kar payı azalırken, APP, kullanıcı büyümesini istemek için nereye gidebilir? Bazı APP süper kullanıcılardan dönüştürmeyi seçer; Bazı APP, daha fazla yeni trafik elde etmek için pazarı batırmayı seçer; bazı APP, kullanıcı bölünmesi karşılığında kullanıcı paylaşımının teşvik çipini artırır ...... ancak APP çalışmasının kaygısı asla durmaz, bu yöntemler büyümeyi ne kadar sürdürebilir? Kullanıcı operasyonunun bir sonraki büyüme noktası nerede?

Geliştirilmesi gereken kaynaklar

Günümüzde hedef kullanıcıları edinme ve daha sonra onları kendi ürünlerinin kullanıcılarına dönüştürme sürecinin maliyeti çok pahalı hale gelmiştir. Ve böylesine acımasız bir rekabet ortamında, veri zekasının yardımıyla yeni kullanıcı operasyonlarında başarılı olmak sektörde tanınan bir eğilimdir. Bununla birlikte, büyüme etkisini en üst düzeye çıkarmak için veri zekası teknolojisinin nasıl kullanılacağı bir öğrenme eğrisidir.

Kullanıcı kaynakları henüz geliştirilmedi

Personal Push, uygulama operatörlerinin kaygısını anlamak için bilgi, video ve araçlar gibi piyasadaki popüler uygulamaların aktif kullanıcıları üzerinde büyük bir veri analizi yaptı. Analiz sonuçları, kullanıcı bölünmesi için nakit ödül kullanan bazı uygulamalar dışında, üç ana uygulama kategorisinin ortalama aylık aktif kullanıcılarının stokun %27,8'i olduğunu gösteriyor. Başka bir deyişle, uygulama hala geliştirilecek kullanıcı kaynaklarının %70'inden fazlasına sahiptir.

Uygulama neden kullanıcıların bu %70'inin değerine dokunmuyor? Kişisel bilgi, veri içgörülerine dayanarak bazı uygulama işlemleri üzerinde de araştırma yaptı. Araştırma, çoğu uygulamanın, rafine kullanıcı işleminin geliştirilmesini kısıtlayan yetersiz kullanıcı portresi yeteneğine sahip olduğunu buldu.

Örneğin, bu uygulamalardaki eski kullanıcıların yaklaşık %60'ı eksik veya geçersiz portre tercihlerine sahipken, yeni kayıtlı etkin olmayan kullanıcıların tercihleri ​​tamamen bilinmiyor. Başka bir deyişle, uygulamalar kullanıcı kaynaklarının bu %70'inden yararlanmak istemiyor, ancak bu etkin olmayan kullanıcıları anlama konusunda yetersizler ve anlamanın iyi bir yolu ve iyi bir yolu yok.

ASO World uygulama tanıtım hizmetiyle uygulama ve oyun işinizi yürütmek için " Daha Fazla Bilgi Edinin " seçeneğini tıklayın.

APP personel sisteminin çalışmasıyla sonuçlanan veri ve teknoloji engelleri

Uygulama, kullanıcıları canlandırmak istiyorsa, öncelikle onları gerçekten anlamalıdır. Bu nedenle, kullanıcı portresi, uygulamanın kullanıcıları anlaması için önemli bir yoldur ve aynı zamanda iyileştirme işlemi için gerekli bir araçtır. app, kullanıcı portresi aracılığıyla kullanıcıların farklı özelliklerini keşfedebilir, kullanıcılara farklı etiketler yerleştirebilir ve ardından kullanıcıları etiketlerin kombinasyonuna göre gruplandırabilir ve ardından grup işlemini gerçekleştirebilir.

Şu anda, birçok uygulama kullanıcı portrelerinin uygulanmasına dikkat etmeye başlıyor ve bazı büyük şirketler, doğru kullanıcı portreleri aracılığıyla işlemleri iyileştirmek amacıyla kendi kullanıcı portre sistemleri temelinde yardımcı olmak için üçüncü taraf veri araçlarını kullanacak. . Ancak, uygulama kullanıcı portresinin yeterince doğru olmasını istiyorsa, çözülmesi gereken hala birçok sorun var.

Uygulama kullanıcı portresinin optimizasyonu, zaman çökeltme, veri toplama ve algoritma modeli iyileştirme gibi birden fazla gerekli koşulu gerektiren aşamalı bir süreçtir. Örneğin, uygulama, yeni kaydolan kullanıcıların tercihlerini doğru bir şekilde anlayamaz, bunun özü, kullanıcılarla etkileşim kurmak için zamanın olmaması, kayıt sırasında kullanıcılar tarafından doldurulan bazı bilgilere dayanarak ve yeterince doğru olmamasıdır.

Sessiz kullanıcıların eksik uygulama portresi sorunu, kullanıcı gereksinimlerindeki geçiş değişikliklerini anlayamayan etkin olmayan kullanıcılar için uygulama veri birikiminin sürekliliği ve istikrarının olmamasında yatmaktadır. Başlangıç ​​dönemindeki uygulama, fonlar ve insan gücü ile sınırlıdır ve kullanıcı portrelerinin geliştirilmesi yeterince güçlü değildir, bu da kullanıcı portrelerinin yararlı olması için zayıf farklılaşmasına neden olur. Bunlar uygulama için bir gecede yapılabilecek şeyler değil ve aynı zamanda şu anda darboğazlar.

Kullanıcı kaynaklarının kalan %70'ini etkinleştirmek için kişileri kullanın

Uygulama, doğru kullanıcı portresi sorununu çözmek istiyor, bir yandan sabırlı olması ve kullanıcı portresini sürekli olarak yineleyebilmesi ve güncelleyebilmesi gerekiyor; diğer yandan, kendi kullanıcı portresinin kısa panosunu oluşturabilir ve tam boyutlu, iyi süreklilik ve güçlü stabilite ile üçüncü taraf veri hizmeti sağlayıcılarının avantajı ile kullanıcı portresinin doğruluğunu artırabilir; son olarak, uygulama çalışmasının kullanım senaryosu ile de birleşmesi ve kendi kullanıcı portresine yenilik yapması gerekiyor. Son olarak, uygulama operasyonunun kullanım senaryosu ile birlikte kendi kullanıcı profilinin uygulamasına da yenilik yapılması gerekmektedir.

Derinlemesine araştırma yoluyla personel uygulama yöntemlerini özetleyin

Yeni kullanıcı tahmin modeli

Uygulama işlemleri, soğuk başlangıçlı yeni kullanıcılarda iyi bir iş çıkarmak için genellikle üçüncü taraf veri hizmetlerini kullanır, ancak bunları kullanırken, üçüncü taraf veri hizmetleri tarafından sağlanan etiketlerin kendi kullanıcı etiketleriyle düşük bir eşleşmeye sahip olduğunu ve yapamayacağını göreceklerdir. tam miktarı karşılayın. Örnek olarak tüketim seviyesi etiketini alın, farklı uygulamaların kullanıcı tüketim seviyesi etiketi için farklı tanımları vardır. 300'den fazla harcama yapan grup satın alma uygulaması yüksek tüketimli insanlar olarak kabul edilirken, araba uygulamasındaki 100.000 model düşük kaliteli modellere aittir.

Bu nedenle, üçüncü taraf verileri için uygulama doğrudan kullanılamaz, her iki tarafın veri modellemesi yoluyla kendi etiketleme sistemlerine uyan özelleştirilmiş etiketler oluşturmak en iyisidir.

Kişisel Push Kullanıcı Portresi bir bilgi uygulamasıyla işbirliği yaptı ve her iki taraf da ortak veri modelleme yoluyla eksiksiz ve özelleştirilmiş yeni bir portre etiketi çıkardı ve testten sonra etiket tahmininin doğruluğu %70'e ulaştı. Soğuk başlangıç ​​sürecinde, uygulama özelleştirilmiş etiketler aracılığıyla yeni kullanıcılara ilgili içerikler önerdi ve ertesi gün yeni kullanıcıların elde tutma oranı %18 arttı.

Sessiz kullanıcının portre tamamlaması

Günümüzün azalan trafik payında, bir uygulamanın sessiz bir kullanıcıyı etkinleştirmesi, yeni bir kullanıcı çekmekten daha değerlidir. Bunu yapmak yalnızca büyüme maliyetlerinden tasarruf sağlamakla kalmaz, aynı zamanda uygulama verisi birikiminin sürekliliğini ve istikrarını kolaylaştırır ve uygulama verisi geliştirme ve uygulama için değerli veriler sağlar.

Sessiz bir kullanıcıyı uyandırmak için uygulama, kullanıcıyı vahşice geri almakla kalmaz, aynı zamanda farklı çalışma yöntemleri ve çözümleri yapmak için farklı kullanıcılara ve farklı durumlara karşılık gelen kullanıcı kaybının dahili ve harici nedenlerini ayırt etmesi gerekir. Dahili nedenler uygulamanın dahili verilerinden bulunabilir, ancak kullanıcı sessizliğinin harici nedenleri için, sessiz dönem boyunca kullanıcıların çevrimiçi davranış tercihlerindeki değişiklikleri anlamak için üç taraf verilerini kullanmamız ve uyandırılması gereken kullanıcılar. Uyandırılması gereken bu kullanıcılar için, uygulamada birkaç gün önce bıraktıkları verileri kullanmaları yeterli değil, aynı zamanda seçim yoluyla dış veriler, kullanıcı ihtiyaç ve ilgi alanlarının göçüne ilişkin içgörü ile birleştirmeleri gerekiyor. kullanıcıların hayata geri dönebilmesi için kanallar ve özelleştirilmiş içerik.

Özelleştirilmiş kullanıcı portresi özellikleri

Kullanıcı ilgi tercihlerinin sürekli olarak insanın hayal gücünü zorladığı günümüz dünyasında, kullanıcı portrelerinin inceliği ile uygulama oluşturma maliyeti arasında bir denge bulmak zordur. Etiket çok kaba, farklılaşma derecesi kullanıcıları doğru bir şekilde hedeflemek için yeterli değil. Daha ince etiketlerle, biriktirmek için daha fazla veri ve daha uzun süre gerekir ve maliyet kontrol edilemez. Böyle bir ikilemde, uygulama çalışması, kullanıcı portrelerini optimize etmeye yardımcı olmak için belirli bir alanda kendi derinlemesine araştırmalarıyla birleştirilmiş üçüncü taraf veri hizmeti sağlayıcılarının veri modelleme yeteneği aracılığıyla gerçek zamanlı olarak ayırt edici özellikler oluşturabilir ve güncelleyebilir.

Örneğin, basketbol taraftarları etiketi için, geleneksel ayırt edici özellikler, kullanıcının basketbol uygulama tercih derecesine dayanmaktadır. app etiketinin daha doğru olmasını istiyorsanız, özellikleri özelleştirmek ve daha doğru kullanıcı etiketleri oluşturmak için kullanıcının belirli oyunu izleme davranışını, belirli çevrimdışı sahneleri birleştirebilirsiniz.

Kısacası, mobil İnternet içe doğru büyüme çağına girmek üzere, uygulamanın rafine operasyon gereksinimleri giderek artacak ve rafine operasyonda kullanıcı portrelerinin rolü giderek daha belirgin hale gelecek.

Uygulama, kullanıcıların ihtiyaçlarını gerçekten anlamak ve kavramak, iyi bir ürün ve hizmet işi yapmak, süper kullanıcıların %30'unda iyi bir dönüşüm elde etmek ve kalan %70'ini yeniden canlandırmak için yalnızca iyi ve iyi kullanıcı portreleri yapar. kullanıcı kaynakları Uygulama, süper kullanıcıların %30'unun dönüşümünü sağlamak ve kullanıcı kaynaklarının kalan %70'ini canlandırmak için yalnızca kullanıcıların ihtiyaçlarını anlama ve kavrama ve ürün ve hizmetlerde iyi bir iş çıkarma konusunda iyi bir iş çıkarabilir.