Аналитика мобильных приложений что это

Что такое мобильная аналитика?

Мобильные приложения необходимы бизнесу, поскольку они привлекают внимание и обеспечивают более высокий уровень удержания пользователей, чем веб-сайты. Компании используют собранные данные о приложениях, чтобы вовлечь пользователей в маркетинговые воронки и оптимизировать производительность своих приложений. Но что именно такое мобильная аналитика?

Чтобы упростить задачу, давайте сначала разберемся, что такое «аналитика». Аналитика — это способ анализа и измерения пользовательской базы данных для получения «более широкой картины» поведения пользователя и производительности веб-сайта или приложения.

Таким образом, если этот процесс выполняется в мобильных приложениях, он называется мобильной аналитикой. Mobile analytics собирает и анализирует взаимодействие пользователей с установленными приложениями на их устройствах. Существует много типов данных, которые анализируются в ходе мобильной аналитики.

Собранные данные могут включать общее количество установок, запусков приложений, количество кликов, удержание приложений, события, анализ воронки продаж и т.д. Показатели аналитики мобильных приложений аналогичны стандартным показателям веб-сайтов, таким как количество новых пользователей и их страна, версии устройств, ссылки, используемые для регистрации, и т.д.

Конечная цель состоит в том, чтобы превратить собранные данные в ценную информацию и использовать эту информацию для оптимизации приложений и маркетинговых целей.

Собранные данные ценны тем, что они дают представление об использовании приложения и формируют основу для маркетинговых исследований и моделей роста бизнеса. Теперь, когда вы знаете, что такое мобильная аналитика, давайте обсудим некоторые важные ключевые термины, связанные с ней, чтобы получить лучшее представление о том, как работает мобильная аналитика.

4 полезных показателя аналитики мобильных приложений для привлечения пользователей.

Существуют наиболее широко используемые показатели мобильных приложений для анализа и измерения данных приложений:

Атрибуция приложения.

Атрибуция приложения — это измерение активности пользователя на платформе приложения. Он использует файлы cookie и пиксельные теги для измерения таких данных, как общее количество установок или деинсталляций приложений, покупок в приложении, новых пользователей и т.д.

Вы можете использовать этот параметр для проверки успешности маркетинговой кампании. Он показывает, приобрел ли кто-либо новых пользователей по маркетинговой или партнерской ссылке. Вы можете определить, какие маркетинговые кампании эффективны и стоят ваших инвестиций.

Средний доход на одного пользователя (ARPU).

Средний доход на одного пользователя, или ARPU, сообщает вам о среднем доходе, полученном за каждого приобретенного пользователя.

Это интеллектуальный параметр, позволяющий проверить, находитесь ли вы на правильном пути к достижению желаемых показателей дохода. ARPU — это один из применимых показателей аналитики мобильных приложений, настоятельно рекомендуемый компаниям, которые хотят оценить свою бизнес-модель получения доходов.

Значение времени жизни (LTV).

Значение продолжительности жизни, или LTV, оценивает общий доход, полученный пользователем за весь срок его службы до того, как он перестанет работать. Следовательно, он вычисляет, как долго пользователь должен быть активен в приложении, чтобы получать максимальный доход.

LTV также дает точную оценку доходов, полученных в ближайшие недели или месяцы. Все это делает LTV одним из самых полезных показателей аналитики мобильных приложений.

Стоимость одного приобретения.

Стоимость приобретения дает вам оценку общего объема ресурсов, затраченных на приобретение каждого пользователя. Математика, лежащая в основе этого, — это просто отношение общей стоимости, потраченной на кампанию, к общему количеству пользователей, принятых в рамках кампании.

Это помогает рассчитать окупаемость инвестиций (ROI), что в дальнейшем помогает исследовать наиболее экономически эффективные способы привлечения новых пользователей.

Как работает аналитика мобильных приложений?

Прежде всего, мобильные аналитические инструменты встраиваются в проектный код мобильного приложения в виде библиотеки или набора инструментов разработки программного обеспечения (SDK). Эта библиотека инициализирует код, который отслеживает использование приложения и время показа на экране.

SDK отличается для iOS, Android, ОС Windows и т.д. Библиотека SDK настроена для отслеживания конкретных показателей аналитики мобильных приложений, таких как версия устройства, операционная система, количество кликов, IP-адрес, сбой приложения, событие и т.д.

Мобильная аналитика немного отличается от веб-аналитики с точки зрения ее инструментов. Инструменты мобильной аналитики зависят не только от файлов cookie или пиксельных тегов, но и используют индивидуальные SDK для каждого мобильного устройства для анализа поведения пользователей. Именно так обычно собираются ключевые показатели эффективности аналитики мобильных приложений для роста бизнеса и маркетинга.

Мобильная аналитика является относительно новой и постоянно обновляется в связи с быстрыми изменениями ожиданий пользователей и последними тенденциями.

Самая большая проблема, с которой сталкиваются компании мобильной аналитики, — это высокая вероятность неправильной интерпретации данных, которая может нанести вред всей кампании или даже бизнесу. Неверные данные равносильны неправильной оптимизации приложения и ложным отчетам. В конечном счете, это сводит на нет всю цель, стоящую за мобильным анализом.

Проблемы мобильной аналитики.

Еще одна проблема, с которой сталкиваются компании мобильной аналитики, заключается в том, что критически важные пользовательские данные требуют надлежащей сегментации, чтобы получить «общую картину» поведения пользователей на мобильных устройствах.

Часто неправильная сегментация данных приводит к неправильному пониманию поведения пользователей, что может обернуться катастрофой для любого бизнеса. Следовательно, поиск подходящего инструмента мобильной аналитики, который измеряет и анализирует необходимые показатели и ключевые показатели эффективности, имеет решающее значение для того, чтобы маркетинговые воронки двигались в правильном направлении.

Одним из таких высоко оптимизированных инструментов является Appflow.ai . Он предоставляет услуги инструментов мобильной аналитики, которые помогают вам управлять платформами iOS и Android.

Вы получаете полностью сегментированные и анализируемые в режиме реального времени данные о показателях, таких как пробные версии, подписки в приложении, A / B-тестирование paywall и отправка push-уведомлений в одном месте. Поток приложений.искусственный интеллект также предлагает предложения на основе искусственного интеллекта, которые помогут вашему бизнесу развиваться в правильном направлении.

Аналитика в мобильном приложении

Или как начать анализировать мобильное приложение.

Аналитика мобильных приложений должна стать вашим лучшим другом, если вы планируете или уже разрабатываете приложение под iOS или Android. Она поможет вам понять, что необходимо оптимизировать и в каком направлении двигаться для достижения целей проекта.

Без аналитики вы можете достаточно долго пробовать новые фичи, играть с оптимизацией или проводить эксперименты, не понимая, как все это влияет на ключевые метрики мобильного приложения.

Прочитав эту статью, вы получите общее представление о том, что такое аналитика мобильных приложений, с чего надо начинать и куда двигаться, а чего делать точно не стоит.

Mobile vs Web

Если вы когда-либо пользовались Яндекс.Метрикой, то дальнейшая аналогия поможет вам лучше понять почему мобильной аналитике нужно уделять много времени и внимания и почему нельзя обойтись просто установкой привычного для сайтов «счетчика».

Установка системы аналитики в приложение

Все начинается с установки системы аналитики в приложение.

Даже банальная установка кода аналитических систем в приложение — достаточно трудоемкий процесс, который потребует привлечения разработчиков. Подводных камней здесь немало. А если учесть, что любое изменение требует еще и перемодерации приложений в Google Play и App Store, то процесс получается не только трудоемким, но и длительным.

Сложность аналитических сервисов

Интерфейсы сервисов для сбора и анализа данных зачастую довольно сложны. Разобраться в них за один день не получится.

И если Яндекс.Метрика для сайтов — это массовый продукт с интуитивно понятным интерфейсом, то все сервисы аналитики для Mobile ориентированы в первую очередь на специалистов и требуют многодневного изучения документации.

Функциональность мобильных приложений

Сайты в большинстве своем однотипны: лендинг, корпоративный сайт, интернет-магазин и т. п. Подходы к анализу также шаблонны, в связи с чем можно просто установить счетчик на сайт, в пару кликов настроить цели и начать получать данные для анализа.

С приложениями все не так. Каждое мобильное приложение специфично и имеет свой набор функциональных элементов. Большой зоопарк вариантов технологического стека, специфика функционала, различные задачи… Все это не позволяет унифицировать системы аналитики. Именно поэтому каждое приложение — это новый проект для анализа данных.

Для анализа необходим комплекс сервисов

Сегодня ни один сервис не может закрыть все задачи по анализу данных в мобильном приложении — приложения слишком сложны, а задачи анализа специфичны.

Для анализа необходима связка нескольких сервисов, баз данных, интеграций и др. Этот комплекс сервисов и приложений необходимо тщательно спроектировать, затем правильно реализовать и обслуживать.

Как построить систему аналитики в приложении

Аналитику мобильного приложения не получится осуществить в один момент. Просто «прикрутить» аналог Яндекс.Метрики не выйдет. Пригласив специалиста за неделю до планируемого релиза, вы можете сильно удивиться, получив ТЗ для разработчиков на пару недель.

Рассмотрим, что нужно сделать, чтобы все работало как надо. Но так как это самое «как надо» в каждом случае индивидуально, предлагаю рассмотреть 3 основных варианта развития аналитики в вашем мобильном приложении.

Отмечу, что в рамках данной статьи я планирую обозначить только суть каждого из вариантов, детали реализации — это темы для отдельных статей.

Базовая аналитика

На начальном этапе можно обойтись установкой в приложение одной из имеющихся систем аналитики и разметкой событий, которые вы планируете отслеживать. Этот хороший вариант, если вы только запускаете приложение или у вас ограниченный бюджет на разработку.

На рынке представлены несколько систем трекинга данных в мобильных приложениях. Они бывают бесплатные, условно бесплатные и платные.

Наиболее популярные системы мобильной аналитики в русскоязычном сегменте:

• Yandex AppMetrica (бесплатно)
• Google Firebase (условно бесплатно)
• Amplitude (бесплатно до 10 млн событий в месяц)
• AppsFlyer (платно, от $500 в месяц)

1. Определиться с системой трекинга данных.
2. Подготовить ТЗ на установку SDK аналитической системы для разработчиков.
3. Подготовить карту событий для разметки в приложении.
4. Внедрить аналитику в приложение.
5. Протестировать сбор данных.

Стоимость складывается из затрат на сервис трекинга данных (если вы выберете платный сервис), стоимости работы программистов по внедрению системы аналитики и услуг аналитика, который выполнит пункты 2 и 3.

В самом экономном варианте вы можете попробовать обойтись без аналитика. Тогда внедрение системы будет стоить в пределах 10–15 часов работы разработчика и вашего времени на подготовку всех необходимых ТЗ.

Какие задачи поможет решать?

Отслеживание действий пользователей в приложении и источников установок на начальном этапе позволит понимать такие базовые вещи, как:

• Источники трафика (какие из них эффективны и какова по ним конверсия)
• Активность пользователей. Информация о DAU, MAU, Retention и других метриках, основанных на действиях пользователя в приложении.
• Доходность. Если ваше приложение предполагает встроенные покупки, то возможно будет оценить Revenue, ARPU, ARPPU и т. д.
• Аудитория и поведение. Какие пользователи приходят к вам в приложение и каковы их паттерны взаимодействия с продуктом.

Расширенная аналитика (больше данных)

Если ваше приложение функционирует уже некоторое время и в целом успешно развивается, есть смысл подумать и о развитии системы аналитики. Для дальнейших доработок потребуются дополнительные ресурсы, но при правильном подходе потраченные средства с лихвой окупятся за счет получаемых из аналитики инсайтов.

Если у вас уже реализована Базовая аналитика, можете начинать добавлять в вашу систему новые данные или обогащать уже существующие. Это могут быть данные о ваших пользователях из собственной БД, расходы из рекламных кабинетов, данные из внешних систем и т. д.

Как можно усилить систему аналитики?

1. Настроить единое хранилище аналитических данных (DWH). БД, в которую будут собираться данные о действиях пользователей из разных источников.
2. Настроить сбор данных из разных систем (рекламные системы, система трекинга данных в приложении, данные о пользователях и др.) в единую базу DWH.
3. Построить мощную и удобную систему представления данных для разных категорий пользователей внутри компании.

• Настройка сбора и хранения данных в своей или облачной БД потребует написания ряда собственных интеграций или привлечения сторонних сервисов.
• Проектирование и настройка хранилища данных. Базу данных необходимо спроектировать и учесть много нюансов, чтобы данные в дальнейшем можно было использовать.
• На данном этапе будет сложно обойтись без специалиста аналитика, потому как самостоятельно разобраться во всей архитектуре сбора, хранения и использования данных затруднительно.

За счет подключения новых источников данных вы сможете объединить информацию о поведении пользователей с их клиентским профилем из приложения, построить сквозную аналитику по пользователям, точно понимать, каких пользователей из каких каналов вы привлекаете и во сколько вам это обходится.

Если оценивать соотношение Базового и Расширенного варианта по закону Парето, то Базовый вариант — это те самые 80%, которые могут дать основной результат. Но когда вы имеете стабильно работающий продукт, приносящий деньги, дополнительные 20% роста за счет аналитики способны значительно повысить эффективность вашего приложения.

Безграничные перспективы

Этот вариант следует рассматривать, если у вас есть успешный проект и достаточный объем пользовательской базы. На данном этапе вы выходите за рамки простого анализа данных с целью поиска инсайтов и переходите к использованию данных в самом продукте.

С помощью накопленных данных можно начать строить предиктивные модели, рекомендательные системы, то есть использовать уже накопленные данные для того, чтобы прогнозировать поведение и повышать ценность привлекаемых пользователей.

Развитие в эту сторону выходит за рамки продуктовой аналитики и плавно перетекает в область Data Science.

Использование данных

Во всех вариантах мы рассматриваем только подходы к сбору данных. Но данные собираются ради того, чтобы использовать их с пользой для проекта.

Наиболее распространенный вариант — визуализация данных с помощью BI систем. Сводные таблицы, графики и диаграммы — это то, что чаще всего используется в компаниях для принятия бизнес-решений. Это может показаться тривиальной задачей, ведь мы все умеем строить графики в Экселе, но задача не столь проста, если изучить ее более детально. Поэтому проектное привлечение специалиста по BI-системам для первичной разработки позволит избежать многих ошибок.

Однако аналитика не ограничивается только лишь визуализациями, графиками и выгрузками данных в виде сводных таблиц. Если вы собираете достаточный объем данных по своим пользователям, вы сможете спроектировать достаточно эффективные рекомендательные системы для пользователей, что повысит средний чек, увеличит удержание пользователей и т. д.

Помимо использования данных в текущем моменте, при наличии достаточных данных можно задумываться и о построении моделей, которые смогут с определенной степенью вероятности предсказывать те или иные события в будущем — это предиктивная аналитика.

И это только малая часть того, как данные могут помочь вам развивать ваш бизнес.

Тезисно о статье

Если у вас мало времени, то вот краткое саммари:

1. Представляете, как работает Яндекс Метрика? Так вот, система аналитики для мобильного приложения — это гораздо более сложная система, для построения которой лучше привлечь специалиста.
2. Начать построение системы можно с небольшими вложениями, но важно все спроектировать, чтобы в дальнейшем не пришлось переделывать. В лучшем случае это грозит дополнительными расходами, в худшем — невозможностью использовать накопленные данные.
3. Затраты на аналитику — это инвестиции, которые при правильном подходе смогут приносить в разы больше, чем стоимость внедрения и обслуживания системы.
4. Данные — это далеко не только красивые графики и диаграммы. Применений данным очень много и это может стать новым вектором развития вашего бизнеса.

• аналитика мобильных приложений
• mobile analytics
• firebase
• appsflyer
• яндекс метрика
• google analytics

Аналитика мобильных приложений — простыми словами для бизнеса

Долгое время наша команда People Data Design занималась исключительно разработкой мобильных приложений. Мы были классической dev командой. Но проходило время и задачи становились на столько привычными и обыденными, что мы начали понемногу скучать. В этот момент мы поняли что хотим большего, хотим развиваться и наращивать вокруг нашей разработки дополнительные услуги. Но услуги те, которые будут приносить бизнесу реальную пользу и которыми нам будет интересно заниматься. Одной из таких услуг стала аналитика мобильных приложений. Направление, которое заставляет твой мозг постоянно быть в фокусе, продумывать метрики, генерировать гипотезы и проверять их, принося непоправимую пользу всем.

Продуктовая и сквозная аналитика, data driven подход — красивые слова, вдохновляющие, когда ты понимаешь какой профит это дает, и внушающие ужас, когда ты подступаешься к этому в первый раз. Но, что важно, малопонятные для бизнеса.

В этой статье я попробую объяснить, как устроена аналитика мобильных приложений максимально простыми словами. Детали я буду обходить стороной дабы не усложнять описание. Давайте начинать. За основу для анализа возьмем мобильное приложение интернет-магазина. утюгов.

Основные блоки

Верхнеуровнево, я думаю, можно разделить аналитику на несколько блоков:

1. аналитика трафика;
2. аналитика продаж;
3. аналитика эффективности приложения и его отдельных блоков.

Что мы должны считать в аналитике трафика?

Да все тут просто. Нужно считать платный и бесплатный трафик. Сколько и откуда людей приходит в наше приложение. В платном трафике нам надо видеть эффективность рекламных компаний, которые запускают наши таргетологи и директологи. Какие из них конвертируются в загрузку/посещение, а какие нет. В бесплатном трафике нам соответственно нужно анализировать бесплатные источники.

Как это считать? Настроить схему UTM меток. Передать во все отделы, чтобы они их использовали. Далее настроить интеграцию системы аналитики. Допустим Google Analitics и настроить интеграцию с рекламными кабинетами. И вуаля, вы видите откуда, какой трафик идет и сколько денег тратится на платные каналы. Так было бы, если бы мы настраивали аналитику на сайт, но в мобильном приложении чуть-чуть по-другому. Нам нужно подключить и настроить APPSFLYER, который позволит нам посчитать весь трафик.

Да, конечно же в настройке есть много нюансов и деталей. Но с ними легко разобраться почитав мануалы. Скажу честно, детально анализировать трафик я не люблю. А вот в разрезе всей цепочки — это круто. Но об в конце статьи.

Что мы должны считать в аналитике продаж

Для того, чтобы провести аналитику продаж в мобильном приложении, нужно правильно разметить его событиями и параметрами.

Если мы берём в анализ наше приложение, продающее утюги, то начинаем с того, что обвешиваем событиями базовую воронку продажи товаров от захода пользователя в приложение до оформления заказа, в которую могут входить следующие экраны:

• Главная;
• Категории товаров;
• Список товаров;
• Карточка товара;
• Добавление товара в корзину;
• Корзина;
• Оформление заказа;
• Спасибо за заказ

Либо отталкиваясь от действий пользователей:

• Открытие приложения;
• Просмотр листинга;
• Просмотр карточки товара;
• Добавление товара в корзину;
• Просмотр корзины;
• Оформление заказа

Таким образом мы сможем увидеть конверсию пользователей на каждом этапе. И делать простейшие выводы. Например, у нас был такой кейс, что около 25% пользователей добавляли товары в корзину, около 15% пользователей переходили на экран корзины. Но оформляли заказ в итоге менее 1% пользователей. Это был сигнал что, что-то мешает пользователям оформить заказ на наши утюги на экране оформления заказа. Мы сформировали гипотезы, о причинах подобного поведения пользователей. Сформировали предполагаемые решения, внедрили их через А/Б тест и помогло. Конверсия подскочила до 3,5%. В масштабах проекта и его оборотки это был колоссальный рост. Такие кейсы, конечно, бывают не часто и при наличии очень большой проблемы в проекте.

Далее мы можем к этим событиям добавить параметры. Какую конкретно категорию мы смотрели. Какие товары смотрели. Какие списки товаров смотрели. Какие товары добавили в корзину и т.д.. То есть все подробности к событиям добавляем в виде параметров.

Что получим? К аналитике конверсии пользователей мы сразу получим и аналитику по товарам, товарным группам или торговым предложениям:

• какие товары чаще смотрели;
• какие товары чаще добавляли в корзину;
• товары из каких категорий чаще смотрели;
• товары из каких категорий чаще покупали;
• конкретные цифры и суммы покупок по товарам и категориям;
• соотношение просмотра товара/категории к добавлению в корзину и выкупу;
• статистика в разрезе времени для анализа влияния изменений. Например изменения описательной части товара, его очередности вывода или цены.
• LTV — общая ценность клиента;
• APRU — средняя выручка с посетителя;
• ARPPU — средняя выручка на платящего пользователя;
• DAU/MAU/WAU — уникальные пользователи в день/месяц/неделю;
• и еще куча-куча показателей, которые можно получить благодаря этой простейшей настройки

При желании мы можем добавить информацию о пользователе в аналитику. Хотя аналитика и сама собирает базовую информацию, но мы можем ее расширить. Чтобы в последующем можно сегментировать пользователей и анализировать все указанное выше уже по сегментам.

Что мы должны считать в аналитике эффективности продукта

Далее начинается более интересная история. Мы начинаем прописывать отдельным функциям события, чтобы померить их эффективность. Например, мы хотим проверить эффективность системы лояльности, а точнее на сколько удобно пользователям ей пользоваться в приложении. Мы можем построить такую же микро-воронку по добавлению бонусной карты в приложение и понять так же, где пользователи сталкиваются с проблемами. Или можем проанализировать систему добавления/выбора адреса доставки, и увидеть, что большое количество пользователей (более 40%) не доводят добавление адреса до конца и уходят из мобильного приложения не оформив заказ.

Найдя проблемное место, нужно провести анализ и выстроить гипотезы, а с чем же все-таки это может быть связано. Предложить решение на сформированные гипотезы. Провести А/Б тесты, снять показатели и утвердить лучшее решение. И вот эта работа по-настоящему интересная. Для нашей команды уж точно. В этой работе в роль вступают и технические компетенции и продуктовые, и аналитические и много творчества.

Важно понимать, что за определенные показатели кто-то должен отвечать. То есть кто-то должен контролировать их динамику, делать выводы, строить гипотезы и предлагать решения. Без этого, нет никакого смысла обвешивать все событиями, как делают некоторые команды. В крупных компаниях на отдельные блоки мобильного приложения ставят ответственными отдельных продукт менеджеров, чья задача как раз отслеживать показатели и развивать свой блок.

Дополнительный блок

Блок аналитики продаж мы уже затронули. Но именно в рамках МП. Важно так же считать аналитику продаж и после того, как заказ был оформлен. То есть выкупили ли его или нет. Так как может быть такое, что заказы оформляют, но в последующем не выкупают. Соответственно аналитика по выручке у нас будет не точная.

Итог всей работы

Мы рассмотрели каждый блок отдельно. Соединив эти блоки, в результате мы получим полноценную сквозную и продуктовую аналитику, которая покажет нам эффективность каналов трафика в разрезе уже не просто перехода/скачивания мобильного приложения, а в разрезе выкупа товара. Увидим какой трафик именно сколько денег приносит в компанию.

P.S. это мой первый пост на Хабре, надеюсь он будет кому то полезный.

• аналитика мобильный приложений
• firebase
• firebase analytics

Аналитика в мобильном приложении

Или как начать анализировать мобильное приложение.
Аналитика мобильных приложений должна стать вашим лучшим другом, если вы планируете или уже разрабатываете приложение под iOS или Android. Она поможет вам понять, что необходимо оптимизировать и в каком направлении двигаться для достижения целей проекта.

Без аналитики вы можете достаточно долго пробовать новые фичи, играть с оптимизацией или проводить эксперименты, не понимая, как все это влияет на ключевые метрики мобильного приложения.

Прочитав эту статью, вы получите общее представление о том, что такое аналитика мобильных приложений, с чего надо начинать и куда двигаться, а чего делать точно не стоит.

Mobile vs Web

Если вы когда-либо пользовались Яндекс.Метрикой, то дальнейшая аналогия поможет вам лучше понять почему мобильной аналитике нужно уделять много времени и внимания и почему нельзя обойтись просто установкой привычного для сайтов «счетчика».

Установка системы аналитики в приложение

Все начинается с установки системы аналитики в приложение.

Даже банальная установка кода аналитических систем в приложение — достаточно трудоемкий процесс, который потребует привлечения разработчиков. Подводных камней здесь немало. А если учесть, что любое изменение требует еще и перемодерации приложений в Google Play и App Store, то процесс получается не только трудоемким, но и длительным.

Сложность аналитических сервисов

Интерфейсы сервисов для сбора и анализа данных зачастую довольно сложны. Разобраться в них за один день не получится.

И если Яндекс.Метрика для сайтов — это массовый продукт с интуитивно понятным интерфейсом, то все сервисы аналитики для Mobile ориентированы в первую очередь на специалистов и требуют многодневного изучения документации.

Функциональность мобильных приложений

Сайты в большинстве своем однотипны: лендинг, корпоративный сайт, интернет-магазин и т. п. Подходы к анализу также шаблонны, в связи с чем можно просто установить счетчик на сайт, в пару кликов настроить цели и начать получать данные для анализа.

С приложениями все не так. Каждое мобильное приложение специфично и имеет свой набор функциональных элементов. Большой зоопарк вариантов технологического стека, специфика функционала, различные задачи… Все это не позволяет унифицировать системы аналитики. Именно поэтому каждое приложение — это новый проект для анализа данных.

Для анализа необходим комплекс сервисов

Сегодня ни один сервис не может закрыть все задачи по анализу данных в мобильном приложении — приложения слишком сложны, а задачи анализа специфичны.

Для анализа необходима связка нескольких сервисов, баз данных, интеграций и др. Этот комплекс сервисов и приложений необходимо тщательно спроектировать, затем правильно реализовать и обслуживать.

Как построить систему аналитики в приложении

Аналитику мобильного приложения не получится осуществить в один момент. Просто «прикрутить» аналог Яндекс.Метрики не выйдет. Пригласив специалиста за неделю до планируемого релиза, вы можете сильно удивиться, получив ТЗ для разработчиков на пару недель.

Рассмотрим, что нужно сделать, чтобы все работало как надо. Но так как это самое «как надо» в каждом случае индивидуально, предлагаю рассмотреть 3 основных варианта развития аналитики в вашем мобильном приложении.

Отмечу, что в рамках данной статьи я планирую обозначить только суть каждого из вариантов, детали реализации — это темы для отдельных статей.

Базовая аналитика

На начальном этапе можно обойтись установкой в приложение одной из имеющихся систем аналитики и разметкой событий, которые вы планируете отслеживать. Этот хороший вариант, если вы только запускаете приложение или у вас ограниченный бюджет на разработку.

На рынке представлены несколько систем трекинга данных в мобильных приложениях. Они бывают бесплатные, условно бесплатные и платные.

Наиболее популярные системы мобильной аналитики в русскоязычном сегменте:

• Yandex AppMetrica (бесплатно)
• Google Firebase (условно бесплатно)
• Amplitude (бесплатно до 10 млн событий в месяц)
• AppsFlyer (платно, от $500 в месяц)

Что потребуется сделать?

1. Определиться с системой трекинга данных.
2. Подготовить ТЗ на установку SDK аналитической системы для разработчиков.
3. Подготовить карту событий для разметки в приложении.
4. Внедрить аналитику в приложение.
5. Протестировать сбор данных.

Какие будут затраты?

Стоимость складывается из затрат на сервис трекинга данных (если вы выберете платный сервис), стоимости работы программистов по внедрению системы аналитики и услуг аналитика, который выполнит пункты 2 и 3.

В самом экономном варианте вы можете попробовать обойтись без аналитика. Тогда внедрение системы будет стоить в пределах 10–15 часов работы разработчика и вашего времени на подготовку всех необходимых ТЗ.

Какие задачи поможет решать?

Отслеживание действий пользователей в приложении и источников установок на начальном этапе позволит понимать такие базовые вещи, как:

• Источники трафика (какие из них эффективны и какова по ним конверсия)
• Активность пользователей. Информация о DAU, MAU, Retention и других метриках, основанных на действиях пользователя в приложении.
• Доходность. Если ваше приложение предполагает встроенные покупки, то возможно будет оценить Revenue, ARPU, ARPPU и т. д.
• Аудитория и поведение. Какие пользователи приходят к вам в приложение и каковы их паттерны взаимодействия с продуктом.

Правильно подобранная и настроенная система аналитики позволит вам закрыть до 80% аналитических задач, которые могут возникнуть у вас в первые месяцы и даже годы работы приложения.

Расширенная аналитика (больше данных)

Если ваше приложение функционирует уже некоторое время и в целом успешно развивается, есть смысл подумать и о развитии системы аналитики. Для дальнейших доработок потребуются дополнительные ресурсы, но при правильном подходе потраченные средства с лихвой окупятся за счет получаемых из аналитики инсайтов.

Если у вас уже реализована Базовая аналитика, можете начинать добавлять в вашу систему новые данные или обогащать уже существующие. Это могут быть данные о ваших пользователях из собственной БД, расходы из рекламных кабинетов, данные из внешних систем и т. д.

Как можно усилить систему аналитики?

1. Настроить единое хранилище аналитических данных (DWH). БД, в которую будут собираться данные о действиях пользователей из разных источников.
2. Настроить сбор данных из разных систем (рекламные системы, система трекинга данных в приложении, данные о пользователях и др.) в единую базу DWH.
3. Построить мощную и удобную систему представления данных для разных категорий пользователей внутри компании.

Какие будут затраты?

• Настройка сбора и хранения данных в своей или облачной БД потребует написания ряда собственных интеграций или привлечения сторонних сервисов.
• Проектирование и настройка хранилища данных. Базу данных необходимо спроектировать и учесть много нюансов, чтобы данные в дальнейшем можно было использовать.
• На данном этапе будет сложно обойтись без специалиста аналитика, потому как самостоятельно разобраться во всей архитектуре сбора, хранения и использования данных затруднительно.

Какие задачи поможет решать?

За счет подключения новых источников данных вы сможете объединить информацию о поведении пользователей с их клиентским профилем из приложения, построить сквозную аналитику по пользователям, точно понимать, каких пользователей из каких каналов вы привлекаете и во сколько вам это обходится.

Если оценивать соотношение Базового и Расширенного варианта по закону Парето, то Базовый вариант — это те самые 80%, которые могут дать основной результат. Но когда вы имеете стабильно работающий продукт, приносящий деньги, дополнительные 20% роста за счет аналитики способны значительно повысить эффективность вашего приложения.

Безграничные перспективы

Этот вариант следует рассматривать, если у вас есть успешный проект и достаточный объем пользовательской базы. На данном этапе вы выходите за рамки простого анализа данных с целью поиска инсайтов и переходите к использованию данных в самом продукте.

С помощью накопленных данных можно начать строить предиктивные модели, рекомендательные системы, то есть использовать уже накопленные данные для того, чтобы прогнозировать поведение и повышать ценность привлекаемых пользователей.

Развитие в эту сторону выходит за рамки продуктовой аналитики и плавно перетекает в область Data Science.

Использование данных

Во всех вариантах мы рассматриваем только подходы к сбору данных. Но данные собираются ради того, чтобы использовать их с пользой для проекта.

Наиболее распространенный вариант — визуализация данных с помощью BI систем. Сводные таблицы, графики и диаграммы — это то, что чаще всего используется в компаниях для принятия бизнес-решений. Это может показаться тривиальной задачей, ведь мы все умеем строить графики в Экселе, но задача не столь проста, если изучить ее более детально. Поэтому проектное привлечение специалиста по BI-системам для первичной разработки позволит избежать многих ошибок.

Однако аналитика не ограничивается только лишь визуализациями, графиками и выгрузками данных в виде сводных таблиц. Если вы собираете достаточный объем данных по своим пользователям, вы сможете спроектировать достаточно эффективные рекомендательные системы для пользователей, что повысит средний чек, увеличит удержание пользователей и т. д.

Помимо использования данных в текущем моменте, при наличии достаточных данных можно задумываться и о построении моделей, которые смогут с определенной степенью вероятности предсказывать те или иные события в будущем — это предиктивная аналитика.

И это только малая часть того, как данные могут помочь вам развивать ваш бизнес.

Тезисно о статье

Если у вас мало времени, то вот краткое саммари:

• Представляете, как работает Яндекс Метрика? Так вот, система аналитики для мобильного приложения — это гораздо более сложная система, для построения которой лучше привлечь специалиста.
• Начать построение системы можно с небольшими вложениями, но важно все спроектировать, чтобы в дальнейшем не пришлось переделывать. В лучшем случае это грозит дополнительными расходами, в худшем — невозможностью использовать накопленные данные.
• Затраты на аналитику — это инвестиции, которые при правильном подходе смогут приносить в разы больше, чем стоимость внедрения и обслуживания системы.
• Данные — это далеко не только красивые графики и диаграммы. Применений данным очень много и это может стать новым вектором развития вашего бизнеса.