Học Data Qua Case 010: Success Metrics | Product Analysis

Bài viết được tham khảo từ productanalytics.academy & bổ sung thêm các challenges phân tích dữ liệu. Case study minh họa: e-Wallet.

• Đo lường số lượng users tiềm năng biết đến e-Wallet.
• VD: Lượt xem/tải ứng dụng trên App Store/Google Play, lượt hiển thị quảng cáo, lượt truy cập website.

• Đo lường tỷ lệ users tải app và hoàn thành các bước onboarding ban đầu.
• VD: % users tải app -> đăng ký tài khoản thành công, % users đăng ký -> liên kết ngân hàng thành công.

• Đo lường tỷ lệ users đã onboarding thực hiện hành động mang lại giá trị cốt lõi đầu tiên (Aha! moment).
• VD: % users hoàn thành onboarding -> thực hiện giao dịch đầu tiên (chuyển tiền, nạp tiền điện thoại, thanh toán hóa đơn điện/nước).

• Đo lường mức độ users sử dụng sản phẩm thường xuyên (sau khi đã kích hoạt)
• VD: Số lượng giao dịch trung bình/user hoạt động (theo tuần/tháng), tần suất mở app, tỷ lệ sử dụng các tính năng khác nhau (thanh toán QR, Du lịch – Đi lại, Mua sắm…).

• Đo lường tỷ lệ users sau khi kích hoạt tiếp tục quay lại sử dụng dịch vụ sau một khoảng thời gian nhất định.
• VD: % users hoạt động trong tháng 1 -> tiếp tục hoạt động trong tháng 2 (Month-over-Month Retention), % users thực hiện giao dịch đầu tiên -> tiếp tục giao dịch sau 30 ngày, 90 ngày.

• Chỉ số tổng hợp quan trọng nhất phản ánh sức khỏe và sự phát triển của sản phẩm.
• VD: Số lượng users hoạt động hàng tháng (Monthly Active Users – MAU) thực hiện ít nhất 1 giao dịch, Tổng giá trị giao dịch (Total Transaction Value). Sự thay đổi của chỉ số này giúp đánh giá tác động tổng thể từ các chỉ số thành phần (exposure, onboarding, activation, engagement, retention).

• Phân tích phễu onboarding (registered → id_verified → bank_linked) và tỷ lệ kích hoạt core features (p2p_transfer, bill_payment, merchant_payment) (Sử dụng core features để giao dịch lần đầu tiên trong 7 ngày sau bank_linked) theo từng cohort (Tháng đăng ký).

• Funnel Analysis: Đo lường tỷ lệ chuyển đổi qua các bước onboarding (registered, id_verified, bank_linked).
• Activation Metrics: Kích hoạt core features (p2p_transfer, bill_payment, merchant_payment) – Dấu hiệu users nhận được giá trị từ sản phẩm.
• Drop-off Analysis: Xác định tỷ lệ rơi rụng giữa các bước trong phễu để cải thiện quy trình onboarding.
• Time-to-Activation: Đo thời gian từ bank_linked đến giao dịch core features đầu tiên (trong 7 ngày).

• cohort_month: Tháng đăng ký của cohort (yyyy-MM).
• registered: Tổng users đăng ký trong tháng, là điểm bắt đầu của phễu.
• id_verified: Tổng users hoàn thành bước id_verified.
• bank_linked: Tổng users hoàn thành bước bank_linked.
• activated_core_7d: Tổng users thực hiện giao dịch core features (p2p_transfer, bill_payment, merchant_payment) trong 7 ngày sau bank_linked.
• reg_to_id_pct: Tỷ lệ CVR (%) từ registered → id_verified.
• id_to_bank_pct: Tỷ lệ CVR (%) từ id_verified → bank_linked.
• bank_to_core_activated_pct: Tỷ lệ CVR (%) từ bank_linked → kích hoạt core trong 7 ngày.

• Phân khúc users dựa trên số ngày từ lúc đăng ký đến khi giao dịch core features (p2p_transfer, bill_payment, merchant_payment) đầu tiên, đo lường tỷ lệ giữ chân users ở tháng thứ 3 sau đăng ký (Month 3 Retention), và đánh giá liệu kích hoạt core sớm có dự báo retention dài hạn hay không.

• Retention: Month 3 Retention đo lường tỷ lệ users vẫn tương tác (có giao dịch) sau 03 tháng.
• Activation Speed: Phân khúc users theo thời gian kích hoạt core features (0-3 days, 4-7 days, 8-30 days, …).
• Leading Indicator: Tốc độ kích hoạt core feature là một leading indicator cho retention dài hạn, giúp dự đoán hành vi users trước khi churn xảy ra.
  

• activation_speed_bucket: Phân khúc users dựa trên số ngày từ khi đăng ký đến giao dịch core features đầu tiên: 0-3 days, 4-7 days, 8-30 days, >30 days/Never Activated.
• total_users: Tổng users trong mỗi phân khúc, đã đăng ký đủ lâu (VD: tháng 1/2025) để đánh giá Month 3 Retention (tháng 4/2025).
• retained_3M: Tổng users trong phân khúc có ít nhất một giao dịch (bất kỳ) trong tháng thứ 3 sau tháng đăng ký.
• retention_rate_3M_pct: Tỷ lệ giữ chân (%): Phần trăm users trong phân khúc vẫn hoạt động ở tháng thứ 3 (retained_3M / total_users * 100).

• Xác định nguy cơ churn dựa trên hành vi ban đầu (onboarding, kích hoạt core features, đa dạng và tần suất giao dịch trong tháng đầu) và phân loại users thành hai nhóm: High Churn Risk và Low Churn Risk. Từ đó, phân tích các đặc điểm hành vi để đề xuất chiến lược giữ chân users.
• Điều kiện phân loại:
  • High Churn Risk: Users có risk score ≥ 6, dựa trên các yếu tố hành vi ban đầu:
    • Không hoàn thành bank_linked.
    • Kích hoạt core feature chậm (>30 ngày) hoặc không kích hoạt.
    • Sử dụng ít loại giao dịch (<2 loại) trong tháng đầu.
    • Tần suất giao dịch thấp (<2 giao dịch) trong tháng đầu.
  • Low Churn Risk: Users có risk score < 6, thường có hành vi tích cực hơn (hoàn thành bank_linked, kích hoạt core nhanh, sử dụng nhiều tính năng, giao dịch thường xuyên).

• Behavioral Metrics: Các chỉ số hành vi sớm (hoàn thành bank_linked, tốc độ kích hoạt core, đa dạng và tần suất giao dịch) được sử dụng để đo lường mức độ tương tác ban đầu, thường là yếu tố dự báo churn.
• Behavioral Segmentation: Phân loại users dựa trên risk score cho phép cá nhân hóa trải nghiệm.

• risk_segment: Phân khúc users dựa trên nguy cơ churn, được tính từ risk score.
• users: Tổng users trong mỗi phân khúc (High hoặc Low Churn Risk)
• avg_bank_linked: Tỷ lệ trung bình users hoàn thành bước bank_linked.
• avg_days_first_core: Số ngày trung bình từ lúc đăng ký đến giao dịch core features đầu tiên (p2p_transfer, bill_payment, merchant_payment)
• avg_types_first_month: Số loại giao dịch (tính năng) trung bình trong tháng đầu tiên của users sau tháng đăng ký.
• avg_count_first_month: Số giao dịch trung bình trong tháng đầu tiên sau tháng đăng ký.
• churn_rate: Tỷ lệ users thực sự churn (không có giao dịch trong tháng thứ 3) trong mỗi phân khúc.