Стек: Python, maplotlib, seaborn.
На маркетплейсе, который недавно появился на рынке появилась проблема: выручка уже стоит на месте несколько месяцев. Цель проекта - проанализировать данные с маркетплейса и ответить на ряд вопросов, а именно:
- Оценить месячный retention в оформление заказа с помощью когортного анализа;
- Определить, существует ли pmf у маркетплейса;
- Определить 5 основных метрик, чтобы максимизировать прибыль компании;
- Используя фреймворк ICE, выявить одну из трех основных гипотез;
- Сформулировать нужные метрики, на которые ваша гипотеза должна повлиять;
- Сформулировать выводы и рекомендации.
Шаги по достижению цели:
- Создал график месячного retention в оформление заказа с помощью когортного анализа.
По созданному графику становится понятно, что самый высокий retention пришел на 3 месяц, январь 2017 года.
- Определил, существует ли pmf у маркетплейса.
Медиана Retention на пятый месяц будет составлять 0.0168, что говорит о снижении Retention. На основе этих данных, плюс учитывая продукт, с которым мы работаем - маркетплейс, предполагающий частое возвращение клиента в продукт для совершения покупок, можно сделать вывод, что PMF в данном случае отсутствует.
Причин отсутствия PMF могут быть несколько:
- Одна из главных причин - это проблемы маркетплейса с доставкой, так как 8714 товаров были доставлены с задержкой;
- 609 заказов отменены из-за отсутствия товаров на складе - проблема с обновлением данных? Еще 625 заказов отменены пользователями. Соответственно, есть событие, которое заставляет пользователей отменить заказ. Нужно более детальное рассмотрение.
- Проанализировал несколько основных метрик, чтобы максимизировать прибыль компании.
Первая метрика (Revenue) должна отражать рост объёма продаж маркетплейса - метрика объема продаж. Метрика должна показывать какой объем продаж у маркетплейса и сколько пользователи тратят средств на покупки. Revenue = SUM(стоимость товаров * кол-во товаров в заказе) Учитывая, что заказы могут быть отменены или могут возникнуть проблемы с доставкой, буду рассчитывать метрику с учетом доставленных товаров в июне 2017 года.
Вторая метрика (Active Users) — показывает объем аудитории, которой продукт доставляет ценность. Учитывая, что наш продукт - это маркетплейс, соответственно, ценность продукта проявляется в том, чтобы клиент возвращался в наш продукт делать новые заказы. Соответственно, метрикой может быть аудитория маркетплейса, которая делает повторные заказы. Active Users = Количество уникальных пользователей с повторными заказами.
Третья метрика (Conversion Rate) должна показывать заинтересованность новых клиентов в продукте. В рамках нашего продукта, это может быть как отношение новых пользователей, которые совершили повторный заказ ко всем пользователям. Conversion Rate = Кол-во пользователей с повторными заказами / Общее кол-во новых пользователей.
Четвертная метрика(Retention Rate) - отражает вовлеченность клиента в продолжение использования продукта. Показывает, какая доля пользователей возвращается и продолжает использовать продукт после первого заказа. Это ключевой показатель удовлетворенности и вовлеченности пользователей. Retention Rate = Кол-во пользователей, вернувшихся в следующий период / Кол-во пользователей в текущем периоде.
Пятая метрика (ARPU) - отражает денежное выражение вовлеченности клиента (сколько в среднем приносит один пользователь прибыли). ARPU = Общий доход / Кол-во уникальных пользователей.
- Использовал фреймворк ICE, чтобы выявить одну из трех основных гипотез.
При анализе трех гипотез и использовании фреймворка ICE было принято решение взять в работу первую гипотезу, отвечающую за исправление бага. Учитывая, что устранение бага имеет первостепенный характер, необходимо обратить в первую очередь внимание на него.
Результат: По проведенному анализу выявлены проблемы, с которыми столкнулся продукт. Представлены метрики для повышения прибыли - Revenue, ARPU, Active Users, CR, RR. Так же представлены рекомендации:
- на данный момент, с низким retention и следствие - отсутствием PMF, начинать масштабирование - плохая идея. Плохая в том плане, что может возникнуть эффект "дярявого ведра", так как проблемы с доставкой и отменой заказов не будут решены и люди не будут задерживаться в продукте. Соответственно, когда эти проблемы будут решены, тогда можно после анализа эффективности каналов, говорить о масштабировании продукта;
- стоит так же подумать о том, чтобы ввести рейтинг удовлетворенности пользователей, который поможет отслеживать ситуации, когда пользователь сталкивается с опытом, который стоит доработать;
- пересмотреть и расширить поиск партнеров по доставке, чтобы снизить уровень заказов, доставленных с опозданием. В том числе, думать о том, как можно сократить время доставки до пользователя, возможно открыть новые точки в городах.