Як продуктовій команді утримувати користувачів завдяки network effects

💡 Усі статті, обговорення, новини про Mobile — в одному місці. Приєднуйтесь до Mobile спільноти!

Усім привіт! Мене звати Олексій Шевченко, я Chief Product Officer Taimi — інклюзивного застосунку для ЛГБТІК+ знайомств в appflame. Задача моєї команди полягає в тому, щоб створити застосунок, який буде якісним Growth-бізнесом. А це можливо зробити лише через побудову продукту, який приносить цінність користувачам і досяг омріяного product-market fit.

Українські IT-продукти можуть похвалитись широкою лінійкою успішних cash-generator продуктів, проте на «довгі» гроші з високим рівнем утримання користувачів (далі — retention) для своєї ніші орієнтовані лише одиниці продуктів. Задача нашої команди — «виростити» такий продукт, тому нашою стратегічною ціллю є ріст Daily Active Users (DAU) передусім шляхом збільшення retention показників.

У цій статті я хочу розкрити тему складності побудови таких продуктів та бар’єрів, які виникають на шляху, а також яким способом можна долати ці бар’єри. Я сподіваюсь, що ця стаття буде корисна для Product-менеджерів, Product та Data-аналітиків, Back-end та Front-end-розробників, які працюють в Growth-командах або їхніх аналогах.

Що таке network effects

Усі у світі продукти (ІТ-продукти та offline-продукти) ми можемо умовно поділити за бінарною класифікацією на такі типи:

• network products — продукти, цінність від яких для користувача зростає зі збільшенням кількості інших користувачів цього продукту. Наприклад, стаціонарний телефон, кредитна картка, Twitter/X, Tinder, Uklon, TikTok, YouTube;
• non-network products — продукти, які не підпадають під визначення вище. Наприклад: шампунь, філіжанка Starbucks, здебільшого фітнес-застосунки, VPN-застосунки, сalm та mental-health застосунки.

Розгляньмо, у чому ідея на прикладі Uklon. Користь від продукту для клієнтів зростає з кількості активних водіїв у певному місті, адже ціна поїздки та час очікування знижуються. Водночас користь для водіїв зростає з кількістю клієнтів: більше замовлень, менший час очікування замовлення, більше попиту, вищі ціни та бонуси. Такий самий висновок ви можете зробити для решти network-продуктів. Уся п’ятірка FAANG — це компанії, у суті яких лежать network-зв’язки.

Зайдіть у рейтинг «100 найкращих Free Apps» і побачите, що більша частина продуктів у цьому списку є саме network-продуктами. Є багато продуктів, які не мають органічних network-ефектів у своїй суті, але намагаються додати їхні елементи. Можемо взяти для прикладу годинники Garmin: загалом вони не мають network ефектів, але застосунок для синхронізації дає можливість законектитися зі своїми друзями та ділитися результатами тренувань, тим самим збільшуючи для власників годинників їхню цінність, даючи додаткові стимули для тренувань.

Наслідком міцних network-ефектів продукту є «броньована» конкурентна перевага, яку складно обійти конкурентам. Цю річ неможливо скопіювати, на неї непотрібні патенти та вона посилюється з часом. Для прикладу, Facebook на стадії свого росту мав метрику оцінки «Aha moment», яка називалась 7F10D — конверсія в додавання семи друзів протягом перших десяти днів користування продуктом — типова метрика, яка показує ефективність та масштаб їхнього нетворку.

Своєю чергою, ,networks умовно можна поділити на три види:

• біполярні й найпопулярніші — коли є два типи nodes (якщо дуже спрощено, то node — це елемент мережі) у мережі та користь для nodes типу А зростає лише з ростом nodes типу B. Наприклад, у Tinder це жінки та чоловіки, а у Wikipedia — читачі та автори;
• монополярні — коли є лише один тип nodes і кожен новий користувач у мережі додає користь усім наявним користувачам (наприклад, Grindr, Paypal, Zoom, Goodreads);
• мультиполярні, на мою суб’єктивну думку, найскладніші для розвитку — коли є n-типів nodes (де n > 2). Наприклад, Amazon та Ebay: як покупцю прального порошку вам однаково, скільки продавців столів є в цьому маркетплейсі. До цієї ж категорії належить і наш дейтинг-застосунок, адже ми також маємо декілька типів nodes: lesbian, gay та bisexual+.

Не буду навантажувати вас теорією, лише скажу, що це той випадок, коли вона справді важлива, бо ознайомлення з нею допоможе вам краще нарощувати network ваших продуктів. Теорія дає практичні інсайти для росту networks, такі як:

• найкраща стратегія росту свого нетворку шляхом нетворку конкурентів. У вас nodes стає більше, а в конкурента нижче — порівняно з конкурентом ваша мережа отримує подвійний increment;
• у бінарних network завжди є «складний» тип nodes, і треба концентрувати свої зусилля саме на ньому (наприклад, жінки в straight dating або водії в таксі-сервісах) тощо.

Наприкінці статті лишу для вас шорт-ліст літератури, яку раджу почитати, а зараз перейду до нашого досвіду.

Як оцінюємо retention користувачів

Перед тим як перейти до практичних прикладів, я уточню, яким боком у цій статті про network effects постає термін retention. Retention є одним з ключових індикаторів користі продукту, тому що, якщо ваш продукт справді приніс цінність користувачу, то наступного разу під час виникнення органічної потреби в цього користувача у сервісі він відкриє саме ваш продукт, а не продукт конкурентів чи продукт-замінник. Утримання в продукті є одним з основних факторів під час оцінки вартості компанії для інвесторів.

Наш застосунок є дейтингом для ЛГБТІК+ аудиторії, тобто наш кейс є прикладом мультиполярного геоцентричного нетворку, адже для більшості користувачів географічна близькість є найважливішим фактором у пошуку партнера. Побудова нетворків у дейтингах є складною «у квадраті», бо що краще ми робимо нашу роботу і знаходимо партнерів нашим користувачам, то більше користувачів ми втрачаємо. І не одного користувача, а одразу двох.

Ми почали свій аналіз із визначення того, чи справді в нас є кореляція в продукті між ліквідністю мережі, у якій перебуває певний користувач, та утримання користувача. Виділивши 56 найбільших мегаполісів США, ми поділили активних користувачів у продукті згідно з належністю до одного з цих 56 геополігонів. Для оцінки ліквідності в географічному розрізі ми можемо брати загальну кількість активних користувачів у полігоні. Вийшло 55 полігонів у континентальній частині США + Пуерто-Ріко.

Для оцінки утримання користувачів ми обрали метрику, яку називаємо всередині команди Next Day Retention (NDRT%). Це комплексна метрика, яка показує відсоток користувачів серед тих, що були вчора в продукті та повернулись у нього сьогодні. Наприклад, якщо показник становить 90%, це значить, що зі ста користувачів, які сьогодні були в продукті, завтра повернуться девʼяносто. Ми обрали саме її, щоб краще розуміти рівень утримування користувачів у різних лайфтаймах (ми не намагаємось зробити корисним продукт лише для нових когорт чи навпаки).

Недоліком метрики є те, що вона показує лише current retention — утримання активної аудиторії, і не показує такі елементи утримання, як реактивація продуктом старих користувачів. Утім, для наших цілей NDRT% цілком підходить.

На графіку ви можете бачити scatter plot chart, кожна точка якого показує окрему агломерацію. Х — це кількість активних користувачів (або «ліквідність»), Y — RTND% (показник утримання). На графіку також побудована лінія, що показує модель логістичної регресії, у якій видно, наскільки залежна змінна RTND% підпорядковується незалежній змінній кількості активних користувачів. Це досить проста модель, лише з однією незалежною змінною, але коєфіцієнт детермінації (R-squared) маємо досить непоганий — 52,1%.

Графік 1

Думаю, що неозброєним оком на цьому графіку помітно, що є вплив ліквідності на утримання користувачів. Звичайно, я не буду порушувати легендарне правило «correlation does not mean causation». Насправді частково воно тут є правильним, бо що вищий показник retention у групи користувачів, то більше активних користувачів ми отримуємо. А більше активних користувачів дадуть вищий показник утримання, що і є певним законом network effects, а саме: «мережа годує сама себе». Значення самої моделі розкривати не буду через конфіденційність даних.

Думаю, ви уважні й помітили, що ми побудували саме логарифмічну, а не лінійну залежність, бо логарифмічна показала значно кращий R-squared (52,1% vs 33,1% у лінійної). Висновок, який ми можемо зробити із цього досить очевидний, — для користувача користь від продукту швидко зростає в міру початкового насичення аудиторії навколо нього. Цінність збільшується, якщо поруч із вами не десять потенційних партнерів, а 100. Так, навіть зі 100 сервіс, очевидно, не ідеальний, але він значно кращий, ніж із десятьма. Але цінність не так швидко зросте, якщо поруч не 100, а 200 користувачів.

Тобто є саме логарифмічна залежність — гранична користь постійно зменшується від додаткової одиниці ліквідності. Якраз це і є причиною, чому метою компаній є довести ліквідність на ринку до певної точки й лише потім впускати в продукт користувачів.

Для прикладу, Uber масштабувався не лише в межах одного міста, а поступово виходив на нові ринки, у нові міста та продовжує це успішно робити. У рамках цієї експансії в них є правило — вони не запускають сервіс для пасажирів у місті, допоки в них немає в цьому місті умовно 300 активних водіїв. Так само вчиняють і дейтинги. Той самий Tinder починав свою роботу не просто в містах, а точково в університетських кампусах, концентрував свої зусилля там, а далі виходив у нові локації.

Знов таки, природа network effects каже про те, що ріст мережі не завжди приносить користь користувачам, і є точка «насичення», коли користь від мережі спадає з її ростом. Це, а також теорію сурикатів та ще багато цікавого, залишу в літературі наприкінці статті.

Як ми підіймаємо retention шляхом насичення «ліквідністю»

Повертаючись до залежності між розміром полігону та RTND, ми бачимо, що є певні точки, які погано пояснює модель. Тут настає момент, коли ви можете мене звинуватити в cherry-picking даних, але, як на мене, такий висновок буде справедливим. Цінність для користувачів залежить не лише від кількості потенційних партнерів у їхній агломерації, але й від густоти населення в суміжних агломераціях. Тому точки, які йдуть суттєво нижче логарифмічної кривої, — це географічно віддалені агломерації, а точки, що віддалені вгору від кривої, — це ті, поруч з якими є густонаселені території США. Це знову ж таки лише підтверджує сталий зв’язок між ліквідністю мережі та утриманням користувачів.

Графік 2

Маючи певне підтвердження того, що є зв’язок між ліквідністю та утриманням користувачів, ми перейшли до формування гіпотез, і всі наші гіпотези можна було поділити на два блоки:

1. Як швидше насичувати певні сегменти мережі ліквідністю.
2. Як мінімізувати бар’єри між користувачами в рамках мережі для того, аби мережа приносила більше цінності користувачам.

Щоб не розтягувати цю статтю, зупинимось лише на двох тестах, які ми провели — по одній гіпотезі в кожному з напрямів. Яким способом ми можемо насичувати певні сегменти мережі активною аудиторією? Ми є freemium-продуктом — суттєва кількість наших користувачів не має преміум доступу й користується застосунком безплатно. У них є певні обмеження в користуванні застосунком (певні функції доступні лише для преміум користувачів), що зменшує їхні шанси отримати взаємний лайк та почати діалог з іншим користувачем.

Відповідно, сама наявність таких лімітів дещо погіршує UX для free користувачів, а також для їхніх потенційних партнерів. Тому наша гіпотеза полягала в тому, щоби послабити такі ліміти в декількох містах і подивитися, як це вплине на ріст активної аудиторії з метою накопичення там «ліквідності».

Де-факто така стратегія є субсидіюванням певної частини мережі за допомогою решти. Щось схоже роблять таксі-сервіси, коли входять у нове місто — роздають знижки пасажирам та роблять вигідні офери водіям. Наша ціль була в тому, щоб наситити ці локації додатковими активними користувачами й так підняти показники їхнього утримання після завершення «субсидіювання», порівнюючи з тими ринками, де такі тести не проводились.

Отже, ми запустили першу ітерацію змін, почали «субсидіювати» чотири міста в США: Нью-Йорк, Чикаго, Фінікс, Денвер. Протягом місяця ми побачили, що кількість активних користувачів у цих чотирьох містах зростає на 19% швидше, ніж у базі для порівняння. Базу для порівняння ми обирали на основі проведеного АА-тесту та динаміки поведінки до запуску тесту. Наступним нашим кроком стало вимкнення тесту, стоп першої ітерації та старт другої на пʼять нових міст: Колумбус, Індіанаполіс, Оклахома, Піттсбург, Канзас.

У другу ітерацію потрапили дещо менші міста за обсягом активної аудиторії, цю ітерацію ми тримали вже пару місяців — у два рази довше, ніж попередню. За результатами цієї ітерації активна аудиторія виросла на 28%, але динаміка відриву перестала зростати після пʼятого тижня з моменту запуску ітерації. Тоді закрили тест на другій ітерації та запустили останню, третю ітерацію. У ній ми обрали всі пʼять локацій з одного штату Техас: Даллас, Сан-Антоніо, Хьюстон, Остін, Ель-Пасо. У цей раз тримали ітерацію шість тижнів і отримали приріст у 23%.

Варто сказати, що така стратегія «точкового субсидіювання» досить негативно вплинула на метрики монетизації в цих сегментах. А через те, що не можна тримати її весь час на певній локації, вона підходить лише для тимчасового підвищення ліквідності для покращення показників утримання користувачів у локації. Після повернення бізнес-моделі монетизації до звичайного стану в групі міст, протягом наступних шести місяців майже 50% від increment активної аудиторії «з’їдалась».

Однак інша половина приросту лишалась із нами надовго. В усіх локаціях тесту показники RTND навіть після завершення ітерації залишалися на вищих рівнях, ніж до запуску тесту й у порівнянні з ринками, де тестові ітерації не запускались. Тобто нам вдалося частково досягти своєї мети.

Підсумовуючи результати тестування першої гіпотези «субсидіювання» частини мережі, ми зробили такі висновки:

• отримуємо можливість додатково наростити базу активних користувачів у певному місті в рамках 19–28%. У деяких містах increment становив девʼять відсотків, але були й такі, де мали прирости 37%. Тобто розмах дуже великий;
• така стратегія не є довгостроковою. Ми можемо довести показники протягом пʼяти тижнів до нових значень, але далі приріст перестає відбуватись. Тобто це непоганий інструмент для початкового насичення мережі ліквідністю. Окрім того, недоотримані вигоди в плані монетизації від такого «субсидіювання» негативно впливають на unit-економіку проєкту загалом;
• значно вищі прирости аудиторії вдавалося отримувати в менших локаціях, де були суттєві проблеми з ліквідністю, ніж у великих. Це важливий інсайт: краще концентруватися на тих локаціях, де більші проблеми з ліквідністю, хоч такі ринки й займають меншу частину нашої аудиторії.

Як ми підіймаємо retention шляхом посилення network effects

Перейдемо до обговорення результатів тестування гіпотези зовсім іншого виду — як можна зробити мережу певного розміру більш ефективною з погляду цінності для користувачів. Десь біля третини нашої аудиторії в США проживають у великих містах, на них ми й хотіли сконцентруватись. У цих містах уже є певний рівень «ліквідності», й наша задача — максимізувати віддачу для користувача й тим самим підвищити показники утримання користувачів у застосунку.

Концепт у цілому зрозумілий, але як ми можемо це зробити, у чому саме полягає гіпотеза? Ми даємо нашим користувачам можливість встановлювати низку фільтрів під час пошуку свого партнера, наприклад: вік, дистанція, наявність фото з обличчям тощо. У великих містах користувачі зазвичай більш схильні ставити жорсткі фільтри з дистанції, тим самим вони суттєво зменшують обсяг потенційних партнерів, що знижує ефективність мережі.

Візьмемо для прикладу таку ситуацію. Маємо користувача A та B, що перебувають у девʼяти милях одне від одного. Фільтр дистанції користувача A становить 15 миль, а користувача B — сім миль. Маємо декілька проблем: по-перше, між ними вже не може відбутись взаємодії через фільтри користувача B, хоча вони перебувають відносно поруч в одному місті та підпадають під умови фільтрації користувача A. По-друге, дистанція є проксі-метрикою географічної досяжності між користувачами, вона не є еталоном для real-life зустрічі.

Звідси й виникла наша гіпотеза: у великих містах із розвиненою інфраструктурою, доступністю власного авто та високою мобільністю населення, додаткова відстань у милях між користувачами не має великого значення. Уявімо, що ви — користувач А, живете в Києві, на Теремках, і поставили собі дистанцію пошуку партнера в 11 кілометрів. Користувач дейтинг-застосунку B, який потенційно підходить вам за всіма критеріям та вподобанням, перебуває на Оболоні, але ми його вам не покажемо через те, що він поза радіусом пошуку ваших фільтрів.

Далі ми подумали про такий парадокс: вам можуть підійти користувачі з передмість Києва, поруч із Теремками, та через специфіку інфраструктури вам зустрітися з ними може бути навіть складніше, ніж з користувачем B. До того ж є висока ймовірність того, якщо у вас буде взаємний лайк і ви сплануєте зустріч, то вона відбудеться на нейтральній території, наприклад, у центрі міста, де є багато місць для побачень. Звідси й виникла наша гіпотеза: якщо для користувачів, які проживають у межах великих агломерацій і мають встановлений фільтр дистанції, менший за розмір цієї агломерації, ми будемо шукати партнерів не лише в рамках радіуса фільтра, а й у рамках усього полігону агломерації.

Наші позитивні очікування від цього тесту полягали в тому, що ми маємо суттєво прирости кількість взаємних лайків та діалогів в агломерації і так підняти показники утримання для тих користувачів, що перебувають в агломерації. Потенційний негативний вплив цього тесту полягає в тому, що якість цих додаткових звʼязків між користувачами в агломерації може стати нижчою і приносити менше цінності, бо формально ми порушуємо межі встановлених фільтрів з дистанції.

Отже, ми запустили цей тест у низці агломерацій у США та отримали такі результати. Одразу перепрошую, що не можу назвати точні цифри з імпакту тесту, утім, самарі за результатами є:

• суттєво збільшились показники активності користувачів у межах полігонів та майже всі метрики вихідної та вхідної активності користувачів покращились;
• відсутній негативний вплив на метрики активності користувачів поза межами агломерацій;
• отримали важливі прирости в показниках retention користувачів у межах агломерацій.

Тобто за результатами цього експерименту ми отримали досить позитивні наслідки, що дало нам можливість непогано приростити показники утримання користувачів у застосунку. Подальшими кроками після цього тесту стали такі дії: ми «нарізали» додаткові агломерації (наразі маємо 60 найкращих міст у США) та оптимізували кордони цих агломерацій.

Ось чим я рекомендую не зловживати в рамках роботи над оптимізацією вашої мережі (на моєму власному досвіді та досвіді команди):

• не посилюйте network-ефекти шляхом порушення лімітів, установлених користувачами. Не рекомендуйте всіх усім, беріть до уваги очікування користувачів. Якщо підвищувати операційні метрики таким способом, то у вас буде відбуватися розрив між операційними метриками та метриками утримання користувачів;
• якщо у вас біполярний або мультиполярний нетворк, не концентруйте свої зусилля на «легкій» частині нетворку. Ваша задача — ефективно керувати попитом та пропозицією. Тому, якщо є дисбаланси в мережі — регулюйте, вирішуйте їх, а не посилюйте;
• пам’ятайте про логарифмічний зв’язок між ліквідністю та retention. Якщо у вас є можливість наростити нетворк у десяти невеликих локаціях, або в одній великій (наприклад, десять міст в 1 000 користувачів проти одного міста в 10 000 користувачів) — обирайте друге.

Висновки

Для network-продуктів мережеві ефекти є одним з ключових важелів для росту показників retention та нарощування активної аудиторії.

• Масштаб активної аудиторії продукту характеризує «ліквідність» продукту та позитивно впливає на network-ефекти.
• Ми розібрались, як можна посилювати network-ефекти з позитивним впливом на retention та на основі двох гіпотез дослідили ці зв’язки.
• Щокварталу ми формуємо та досліджуємо нові гіпотези, тому мені було б цікаво почути вашу думку в коментарях щодо того, які ви бачите варіанти подальших тестів.

Якщо ви хочете глибше зануритись у тему network effects та теорії холодного старту — дуже раджу вам ознайомитися із цими джерелами:

• The Cold Start Problem: How to Start and Scale Network Effects by Andrew Chen
• Zero to One: Notes on Startups, or How to Build the Future by Peter Thiel.

Корисною також буде література з теорії графів. Пишіть в коментарях, можу порадити великий список акаунтів в Twitter/X, які мають досвід розвитку продуктів з network-ефектами.