اندازه گیری k-factor یا اثرات میزان هزینه برای جذب کاربر در اپلیکیشن های موبایل بر جذب کاربر بصورت ارگانیک (بدون هزینه) چگونه است؟

باوری بین مدیران بازاریابی دیجیتال وجود دارد که رابطه ای قطعی بین بدست آوردن کاربر با صرف هزینه و بدون هزینه کردن وجود دارد. بدین صورت که هرچه بیشتر برای بدست آوردن ترافیک هزینه کنید، ترافیک ارگانیک بیشتری نیز بدست خواهید آورد. همین ایده زمینه ساز مفهوم k-factor در بازاریابی اپلیکیشن های موبایل میباشد.


البته مفهوم k-factor پیش از بکار گیری در حوزه اپلیکیشن های موبایل، نیز کاربرد داشته است. در حوزه شبکه های اجتماعی مفهوم social k-factor بدین معنا به کار می رود که عرضه یک محتوا تا چه اندازه می تواند ویروسی شود و در شبکه های اجتماعی توسط مخاطبان شما بیشتر نشر شود.

مفهوم social k-factor چیست و چگونه اندازه گیری می شود!

اما در این مقاله میخواهم بررسی کنم که در اپلیکیشن های موبایل چه میزان کاربر جدید ارگانیک از کاربران جدیدی که با هزینه مستقیم بدست می آیند، حاصل می‌شود. گرچه در لحظه اول بنظر میرسد که این ارتباط وجود دارد، اما درباره چگونگی و شدت ارتباط نمی توان بدون بررسی اظهار نظر کرد.

لذا این مقاله با بررسی داده های هزاران اپلیکیشن برای پاسخ به این سوالات نگارش شده است.

۱. آیا بدست آوردن کاربر جدید که با هزینه مستقیم بدست آمده باشد، بر بدست آوردن کاربر جدید بدون هزینه مستقیم یا همان نصب برنامه بصورت ارگانیک تاثیر می‌گذارد ؟

۲. اگر این رابطه وجود دارد، چه شدتی دارد؟

مفهوم k-factor یعنی چه ؟

همانطور که پیشتر درباره مفهوم social k-factor صحبت شده بود، k-factor به معنای نشر بیشتر محتوا به دلایل مختلف توسط مشتریانی است که شما آن را هدف قرار داده اید. K-factor درخصوص اپلیکیشن های موبایل، تخمینی از این است که تا چه اندازه نصب های غیر ارگانیک، موجب نصب های ارگانیک می‌شوند. بعبارتی دیگر اگر من برای بدست آوردن کاربر جدید هزینه کنم، می‌بایستی تغییری نیز در آمار کاربران جدید ارگانیک باتوجه به فاکتورهایی نظیر آمار بازدیدها (impression) رتبه برنامه در اپ استور و وایرالیتی بودن محتوا ببینم؟!

مفهوم k-factor به زبان ریاضی!

یکی از پژوهشگران حوزه تحلیل داده، این مسئله را به شکل معادلات زیر نوشته است.

Y=F(x)
Y : تعداد نصب های ارگانیک
x : تعداد نصب های حاصل از پرداخت مستقیم هزینه

فرض میکنیم رابطه بین x و Y خطی باشد، یعنی اگر هزینه بیشتری برای جذب کاربر کنیم، ترافیک ارگانیک نیز متناسب با آن در معادله ای با درجه یک رشد خواهد کرد. پس Y=b*x و لذا ما میخواهیم b را اندازه گیری کنیم.

با توجه به اینکه می بایست در بازه های زمانی برابری، Y و x اندازه گیری شوند، با محدودیتی مواجه هستیم که اگر هردو را در یک هفته ارزیابی کنیم، ممکن است امکان تفسیر تغییرات در رشد آمار نصب ها را بدست نیاوریم زیرا تاخیرات در بازخورد از تغییرات را نیز بایستی در نظر داشته باشیم. لذا این گونه در نظر میگیریم که Y و x را از زمان اولین تغییر در روندشان مورد ارزیابی قرار خواهیم داد. پس معادله بصورت زیر بازنویسی می شود.

Y'=b*x'
Y' : تعداد نصب از زمان اولین تغییر در روند رشد نصب های غیر ارگانیک
x' : تعداد نصب از زمان اولین تغییر در روند رشد نصب های ارگانیک

برنامه های مورد تحقیق

پس داده های نصب برنامه های زیادی برای مدت یک سال در بازه زمانی نوامبر 2016 تا نوامبر 2017 برای هر برنامه مورد ارزیابی قرار گرفت و این برنامه های انتخاب شده برای تحقیق، سه ویژگی زیرا را داشتند.

  1. برنامه ها بطور مداوم برای مدت حداقل 50 هفته، جذب کاربر بصورت غیر ارگانیک و همچنین کاربر ارگانیک داشته اند.
  2. این برنامه ها حداقل متوسط 500 نصب در هفته داشته اند.
  3. برنامه هایی که فاصله زمانی بین اولین تغییرات در روند رشد کاربران غیرارگانیک با اولین تغییرات در روند رشد کاربران ارگانیکشان در طول کل دوره ثابت بوده باشد. بدین معنا که تغییرات فصلی یا سایر ترندها روی این موضوع تاثیر گذار نبوده باشد.

درنهایت 1345 اپلیکیشن، شامل 711 برنامه اندرویدی و 634 برنامه آی او اسی مورد ارزیابی قرار گرفت.

نتایج

خروجی پژوهش، نشان داد که گرچه ثابت شده که مفهوم k-factor صحت دارد، اما نمی توان آن را به اکثر برنامه های موجود در مارکت های نرم افزاری نسبت داد.

سی درصد از جامعه نمونه وجود k-factor را ثابت می کردند و مقدار متوسط k-factor برای این سی درصد برنامه ، مقدار قابل توجه 45% بود. یعنی به ازای هر 100 نصب غیر ارگانیک، 45 نصب ارگانیک دریافت شده است.

سایر مشاهدات تحقیق :

  • برنامه هایی که پیش تر نسبت کاربران ارگانیک به غیر ارگانیک بالایی داشتند، نرخ جذب کاربران جدید ارگانیک به کاربران جدید غیر ارگانیک پایین تری را تجربه می کردند.
  • برنامه هایی که در مجموع تعداد نصب های کمی را داشتند، به سختی به ازای جذب کاربران جدید غیر ارگانیک، کاربران ارگانیک بدست می آوردند و k-factor پایینی داشتند.
  • تفاوتی خاصی در نسبت k-factor در بین کاربران اندرویدی در مقایسه با کاربران آی او اس مشاهده نشد.

چه برنامه هایی k-factor دارند ؟

شما هم می توانید با ارزیابی داده های نصب برنامه خود، در صورتی که آمار نصب های ارگانیک و غیر ارگانیک تفکیک شده باشند، وجود و مقدار k-factor را برای اپلیکیشن خود بررسی کنید.
برای این کار باید توجه داشته باشید که تعداد نصب های غیر ارگانیک برنامه‌تان نسبت به آمار نصب های ارگانیک، به شکل قابل توجهی کوچک نباشد. بعبارتی حداقل به اندازه 65% از نصب های ارگانیک برنامه، نصب های غیر ارگانیک داشته باشید تا اثرات آن هزینه های مستقیم برای جذب کاربر را به درستی بتوانید اندازه گیری کنید.

ما با نگاهی دقیق به نسبت های k-factor در دسته های موضوعی مختلف اپلیکیشن ها هم به نکات جالبی دست یافتیم. در اپلیکیشن های بازی، که شامل 470 مورد از 1345 برنامه مورد تحقیق بودند، نرخ k-factor برابر با 22.5 درصد را مشاهده کردیم. در حالی که در سایر برنامه ها این نرخ برابر با 33.6 درصد بود.
در بین برنامه های غیربازی نیز، دسته اپلیکیشن های ای کامرس شامل 138 برنامه، نرخ k-factor برابر با 38.6 درصد را داشتند! در حالی که برنامه های غیر بازی و غیر ای کامرس نرخی k-factor آنها 28.5 درصد بود.

درنهایت با توجه به نتایج بیان شده فارغ از اینکه هر برنامه ای پیش تر چه اندازه کاربر ارگانیک و کاربر غیر ارگانیک داشته، وابستگی قابل توجهی بین دوره عمر برنامه و موجودیت k-factor و شدت آن مشاهده نشد! بدین معنا که در هر دوره ای از عمر برنامه، شانس k-factor وجود دارد.

راهکارهایی برای مدیران بازاریابی

مدیران بازاریابی می بایست پس از این مطالعه به فکر اندازه گیری و یا بهینه سازی معیار k-factor برای اپلیکیشن خود باشند تا از فعالیت های هزینه‌زای جذب کاربر جدید، بازدهی بالاتری را بدست آورند. سه مقوله ASO ، Virality و طراحی قابل اشتراک گذاری محصول ، زمینه های کلیدی برای بهبود معیار k-factor هستند.

در مقاله ای جداگانه به این سه موضوع می پردازم!

منبع با تصرف مترجم در مقاله! : وبسایت ادجاست دات کام

اگر علاقمند بودید، بنده را در لینکدین دنبال کنید.