วิธีใช้ Retention Report

เอกสารนี้อธิบายวิธีตั้งค่าฟิลเตอร์และอ่านผลลัพธ์ใน รายงาน Retention (Retention Report) ในเมนูด้านซ้าย หัวใจสำคัญคือการแยกระหว่าง cohort criterion event (จะจัดกลุ่มใคร) กับ return event (จะวัดการกลับมาด้วยอะไร)

1. Cohort Criterion Event เทียบกับ Return Event

Retention วัดจากการผสมกันของ "จะจัดกลุ่มใครเข้าด้วยกัน และจะนับอะไรว่าเป็นการกลับมา" โดยอีเวนต์ทั้งสองมีบทบาทต่างกัน

ตัวอย่างเช่น หากตั้ง cohort criterion event เป็น install และ return event เป็น purchase จะเป็นการวัด "สัดส่วนของผู้ใช้ที่ติดตั้งแล้วกลับมาด้วยการซื้อใน D7" หากตั้ง return event เป็น Event ใดก็ได้ จะไม่ระบุพฤติกรรมเฉพาะ แต่ใช้ กิจกรรมภายในแอปทั้งหมดที่เกิดขึ้นในแอป เป็นเกณฑ์ของการกลับมาแทน

อีเวนต์ทั้งสองสามารถเลือกได้จากรายการอีเวนต์ที่แนะนำ (install, first_open, sign_up, login, purchase), อีเวนต์มาตรฐาน และอีเวนต์ที่กำหนดเอง ผ่านช่องค้นหา ชื่ออีเวนต์ที่ไม่มีในรายการก็สามารถพิมพ์ลงในช่องค้นหาโดยตรงและใช้ได้ตามนั้น

2. การเลือก Cohort Period

ที่ ช่วงเวลา Cohort (cohort period) คุณกำหนดช่วงเวลาอ้างอิงของ cohort ที่จะวิเคราะห์

ค่าเริ่มต้นคือช่วง 30 วันย้อนหลังนับจากเมื่อวาน หากต้องการดู retention ระยะยาวเช่น D30 จำเป็นต้องมีข้อมูลที่ผ่านไปอย่างน้อย 30 วันนับจากวันอ้างอิงของ cohort ดังนั้นหากดูเฉพาะช่วงเวลาล่าสุดเกินไป ค่าของ D-day ช่วงท้ายอาจดูว่างเปล่าได้

3. การเลือก Grouping Dimension

ที่ จัดกลุ่มตาม (grouping) คุณเลือกเกณฑ์ที่จะใช้แบ่งย่อยผลลัพธ์ เลือกได้สูงสุด 6 รายการ และค่าเริ่มต้นคือ ช่องทาง (channel) และ แคมเปญ (campaign)

หากเลือกหลาย dimension แถวจะถูกแยกตามหน่วยการผสม เช่น ช่องทาง × แคมเปญ × ชิ้นงานโฆษณา

4. การเลือก Retention Days

ที่ วันที่วัด Retention (retention days) คุณเลือก D-day ที่จะวัด ค่าที่เลือกได้คือ D1, D3, D7, D14, D30 และโดยค่าเริ่มต้นจะถูกเลือกทั้งหมด เฉพาะวันที่เลือกเท่านั้นที่จะแสดงเป็นคอลัมน์ D-day ในตารางผลลัพธ์

5. ฟิลเตอร์และแพลตฟอร์ม

6. ขนาด Cohort ขั้นต่ำ

ขนาด Cohort ขั้นต่ำ (ขนาด cohort ขั้นต่ำ) คือจำนวนผู้ใช้ที่ไม่ซ้ำกันขั้นต่ำที่ cohort ต้องมีเพื่อรวมอยู่ในผลลัพธ์ ค่าเริ่มต้นคือ 30

cohort ที่มีจำนวนประชากรน้อยเกินไปจะให้อัตรา retention ที่ไม่มีความหมายทางสถิติ ตัวอย่างเช่น cohort ที่มีผู้ใช้ 1 คนจะแสดงอัตรา retention ได้เพียง 100% หรือ 0% เท่านั้น ซึ่งทำให้เกิดความบิดเบือน การตั้งค่านี้ให้เหมาะสมจะตัด cohort ขนาดเล็กเช่นนั้นออกจากผลลัพธ์ หากเห็นแถวผลลัพธ์แทบจะไม่มีเลยเพราะข้อมูลน้อย ให้ลองลดค่านี้ลง และหากมีสัญญาณรบกวนมาก ให้เพิ่มค่าขึ้นเพื่อเปรียบเทียบเฉพาะ cohort ที่เสถียร

7. การรันคิวรีและการอ่านผลลัพธ์

หลังจากตั้งค่าฟิลเตอร์แล้ว ให้กดปุ่ม รัน Query (รันคิวรี) ที่มุมซ้ายบนเพื่อเรียกดูผลลัพธ์ ปุ่ม รีเซ็ต (รีเซ็ต) จะคืนค่าฟิลเตอร์ทั้งหมดกลับเป็นค่าเริ่มต้น

7.1 การ์ดค่าเฉลี่ยถ่วงน้ำหนัก

เมื่อมีผลลัพธ์ การ์ด Retention เฉลี่ยถ่วงน้ำหนักของทุก Cohort (retention เฉลี่ยถ่วงน้ำหนักของทุก cohort) จะปรากฏที่มุมขวาบน การ์ดนี้รวมทุก cohort และแสดงอัตรา retention เฉลี่ยต่อ D-day จึงทำให้คุณเห็นแนวโน้ม retention โดยรวมได้ในพริบตา แทนที่จะเป็น cohort แต่ละกลุ่ม เป็นวิธีค่าเฉลี่ยถ่วงน้ำหนักซึ่ง cohort ที่มีขนาดใหญ่กว่าจะสะท้อนในค่าเฉลี่ยมากกว่า

7.2 ตารางผลลัพธ์

คอลัมน์จะถูกจัดเรียงตามลำดับ คอลัมน์ dimension → cohort (ขนาด) → D-day (จำนวนผู้ใช้ # และอัตรา)

7.3 ข้อควรระวัง

• อย่าดูเฉพาะอัตรา retention (D{n}) เท่านั้น แต่ให้ตรวจสอบควบคู่กับขนาด Cohort (cohort) ที่อยู่ข้าง ๆ และ D{n} # (จำนวนผู้ใช้ที่กลับมา) ด้วย หากจำนวนประชากรน้อย อัตราที่ดูสูงก็เชื่อถือได้ยากแม้จะดูสูงก็ตาม
• cohort ที่ถูกกรองออกด้วยขนาด cohort ขั้นต่ำจะไม่ปรากฏในผลลัพธ์ ดังนั้นหากผลลัพธ์ว่างเปล่า ให้ขยายช่วงเวลาหรือลดขนาด cohort ขั้นต่ำลงแล้วรันอีกครั้ง
• เมื่อดูช่วงเวลาล่าสุด คอลัมน์ช่วงท้ายที่ D-day ยังมาไม่ถึง (เช่น D30) อาจมีค่าว่างเปล่าได้