Product Analyst: 16 chỉ số quan trọng trong đo lường hiệu quả ứng dụng (App OTT)

Dưới đây là 16 nhóm chỉ số mà Product Analyst cần biết:

1. DAU (Daily Active User) / WAU (Weekly Active User) / MAU (Monthly Active User)

Nhóm chỉ số đầu tiên là các chỉ số về lượng người dùng. Đây là một trong những chỉ số quan trọng hàng đầu mà mọi doanh nghiệp đều quan tâm khi sở hữu và mong muốn có doanh thu từ ứng dụng hoặc Website. Có 3 chỉ số được sử dụng phổ biến:

• DAU (Daily Active User): Số lượng người dùng không trùng lặp truy cập ứng dụng / Website trong một ngày.

• WAU (Weekly Active User): Số lượng người dùng không trùng lặp truy cập ứng dụng / Website trong một tuần.

• MAU (Monthly Active User): Số lượng người dùng không trùng lặp truy cập ứng dụng / Website trong một tháng.

Lưu ý:

• Người dùng không trùng lặp (Unique) nghĩa là nếu một người dùng truy cập nhiều lần trong một ngày / tuần / tháng thì chỉ tính là một người dùng.
• Những người dùng này có thể đã định danh (Identified) thông qua việc đăng ký tài khoản, hoặc có thể là chưa định danh.

Ngoài việc nhìn những chỉ số về tổng số lượng người dùng, Product Analyst có thể phân loại người dùng theo 4 nhóm người dùng căn bản như sau:

• New Users (Người dùng hoàn toàn mới, lần đầu truy cập ứng dụng): Nhóm người dùng này đặc biệt quan trọng với doanh nghiệp trong giai đoạn khởi nghiệp và tăng trưởng ban đầu. Càng nhiều người dùng mới tham gia vào nền tảng thì tiềm năng tăng trưởng càng cao. Chỉ số này cũng quan trọng khi Product Analyst muốn đánh giá hiệu quả của các hoạt động Marketing, hoặc tung tính năng mới...

• Retained Users (Người dùng đã hoạt động trên ứng dụng trong quá khứ và bây giờ tiếp tục sử dụng): Đây là nhóm người dùng rất quan trọng đối với doanh nghiệp và cần đặc biệt quan tâm khi doanh nghiệp bước vào giai đoạn ổn định, sau khi tung sản phẩm. Nhóm Retained User càng nhiều và tăng trưởng qua thời gian sẽ thể hiện khả năng giữ chân người dùng của sản phẩm. Bên cạnh đó, trong khi chỉ số New User sẽ thể hiện tiềm năng mở rộng tệp khách hàng, thì nhóm Retained User sẽ thể hiện sự ổn định và là nguồn doanh thu bền vững cho doanh nghiệp.

• Resurrected Users (Người dùng quay lại sử dụng ứng dụng sau một thời gian không hoạt động trong quá khứ): Một người dùng đã đăng ký dùng thử tháng đầu tiên nhưng những tháng tiếp theo không tiếp tục đăng ký và sử dụng ứng dụng. Tuy nhiên, thông qua việc thấy quảng cáo hoặc thông báo, họ quay lại và tiếp tục đăng ký, sử dụng dịch vụ, thì được gọi là Resurrected Users.

• Churn / Dormant Users (Người dùng đã rời bỏ ứng dụng): Nhóm này càng lớn thì càng nguy hiểm cho doanh nghiệp, điều đó đồng nghĩa với việc sản phẩm không giữ chân được người dùng.

2. Retention Rate

Tỉ lệ Retention Rate thể hiện phần trăm số người tiếp tục sử dụng sản phẩm trong một khoảng thời gian nhất định. Việc theo dõi và phân tích chỉ số này sẽ giúp doanh nghiệp hiểu rõ xu hướng, hành vi của người dùng. Từ đó đánh giá hiệu quả các hoạt động, chiến lược của công ty đang ảnh hưởng như thế nào tới việc giữ chân khách hàng.

Công thức tính Retention Rate = Số lượng Retained User / Tổng số người dùng

Lưu ý:

- Số lượng Retained User và Tổng số người dùng được tính trong một giai đoạn nhất định (1 tuần, 1 tháng, 1 năm...)

- Tỉ lệ Retention Rate tăng cao thể hiện người dùng đánh giá cao sản phẩm nên đồng nghĩa với việc sản phẩm có chất lượng tốt, hứa hẹn doanh thu ổn định và đem lại tiềm năng tăng trưởng lâu dài cho doanh nghiệp.

Có 4 cách để cải thiện việc giữ chân người dùng, như sau:

• Thường xuyên tái tương tác (Re-engagement) với người dùng qua Email, thông báo, tin nhắn... Ví dụ: Thông báo (Push notification) được cá nhân hoá, gửi đến người dùng ở những thời điểm phù hợp.
• Cải thiện quy trình Onboarding (Quy trình người dùng truy cập và đăng ký sử dụng lần đầu): Tạo ra những ấn tượng tốt từ những giây phút đầu tiên khi người dùng tương tác. Ví dụ: Spotify, Apple Music hoặc Netflix khi người dùng đăng ký, họ sẽ đưa ra những gợi ý về dòng nhạc, phim mà người dùng quan tâm, yêu thích.
• Tạo thêm tính năng có giá trị cho người dùng: Khi có thêm những tính năng mà người dùng thấy hứng thú, họ sẽ tăng thời gian tương tác với App và tỉ lệ giữ chân người dùng cũng tăng lên.
• Tìm và giải quyết lỗi để tối ưu trải nghiệm người dùng: Đây có thể những lỗi nhỏ, thời gian tải App lâu, hay những thông tin không rõ ràng.

3. Stickiness

Stickiness là chỉ số đo lường mức độ gắn bó của khách hàng đối với sản phẩm.

Công thức tính Stickiness = DAU / MAU hoặc WAU / MAU

Lưu ý:

• Chỉ số Stickiness càng cao thì có nghĩa là người dùng càng tương tác, gắn bó và sử dụng sản phẩm thường xuyên.
• Chỉ số Stickiness cao hay thấp, nên sử dụng DAU hay WAU sẽ phụ thuộc vào nhiều yếu tố, trong đó có thể kể đến 2 yếu tố chủ chốt: (1) Ngành hàng / lĩnh vực hoạt động và (2) Khả năng tùy chỉnh (Customization) của sản phẩm.

Để cải thiện chỉ số Stickiness cho product, có một số cách như sau:

• Nâng cao chất lượng người dùng sản phẩm.

• Phát triển, bổ sung thêm những tính năng có thể tạo được tương tác với người dùng.

• Tạo động lực để người dùng tương tác, sử dụng sản phẩm đến một ngưỡng tần suất gọi là “aha moment”. Khi tần suất người dùng vào App đạt tới ngưỡng này, người dùng sẽ tự quay lại với sản phẩm mà doanh nghiệp không cần bỏ nhiều thời gian cho các hoạt động Marketing.

Ví dụ, với những App đặt đồ ăn, khi người dùng đã mở ứng dụng đến lần thứ 10 trong tháng, thì người dùng đã hình thành thói quen sử dụng thường xuyên rồi. Họ đã thành khách hàng trung thành, thậm chí còn có thể giới thiệu cho người khác sử dụng. Lúc này, doanh nghiệp không cần thiết phải chi tiền cho các hoạt động quảng cáo với nhóm người dùng này nữa.

Ra mắt một tính năng mới không chỉ đơn thuần là tạo ra giá trị mà còn là một hành trình đòi hỏi sự chuẩn bị kỹ lưỡng của Product Analyst. Khám phá ngay 9 checklist quan trọng và 2 bộ KPI thiết yếu mà Product Analyst không thể bỏ qua khi ra mắt tính năng mới trên ứng dụng OTT (App OTT) tại đây.

4. Adoption Rate

Feature Adoption Rate là chỉ số liên quan đến tỉ lệ người dùng sử dụng một tính năng nào đó của sản phẩm.

Công thức tính Feature Adoption Rate = Tổng số lượng người dùng không trùng lặp của một tính năng nhất định / Tổng số người dùng không trùng lặp của product trong cùng một khoảng thời gian nhất định

Chỉ số này thường được sử dụng cho những mục đích như:

• Xác định tính năng có nhiều người dùng sử dụng nhất. Ví dụ: App OTT vừa có tính năng xem phim, xem Livestream, chơi game... thì chỉ số này có thể giúp bạn xác định được tính năng được người dùng quan tâm và sử dụng nhiều nhất.

• Định hướng mới cho các hoạt động trong và ngoài App. Ví dụ: Các bạn có thể thay đổi giao diện với thứ tự, vị trí sắp xếp các tính năng, để vừa đảm bảo là không ảnh hưởng đến trải nghiệm người dùng, vừa đúng với định hướng phát triển của doanh nghiệp...

• Xác định với những nhóm người dùng khác nhau thì hành vi sử dụng các tính năng sẽ khác như thế nào? Ví dụ: Trên App OTT, thì nhóm người dùng mới sử dụng tính năng xem phim nhiều nhất, trong khi những người dùng trung thành thì thường có xu hướng chuyển dịch qua xem Livestream nhiều hơn...

Ngoài ra, chỉ số này còn được sử dụng để đánh giá tốc độ thâm nhập thị trường của một tính năng khi mới ra mắt. Để có thể tăng Feature Adoption Rate khi tung một tính năng mới, các bạn có thể bám theo một quy trình kinh điển như sau:

• Hear (Nghe / biết): Các bạn cần sử dụng các kênh, hoạt động truyền thông để người dùng biết về tính năng mới. Đó có thể là thông qua quảng cáo, Fanpage, hay những công cụ trong app như pop up, tin nhắn, Email...

• Try (Dùng thử): Cần hướng người dùng về sản phẩm (mở App, Website) để đăng ký hay mở tính năng mới lên để sử dụng thử.

• Enjoy (Sử dụng): Người dùng sử dụng tính năng mới để nhận được những lợi ích từ tính năng đó. Ví dụ: Người dùng vào xem Livestream trên các App thương mại điện tử để nhìn thấy hình ảnh sản phẩm thực tế, nghe giải thích về tính năng của sản phẩm, đồng thời nhận được những mã khuyến mãi tốt...

• Hook (Thu hút): Người dùng sử dụng tính năng liên tục và đôi khi người dùng có thể ở lại ứng dụng nhờ chính tính năng này. Ví dụ: Ứng dụng Xiaohongshu (Tiểu Hồng Thư) ở Trung Quốc có tính năng cho phép người dùng tải nội dung về thiết bị mà không có Watermark nên người dùng rất ưa thích. Chỉ cần cải thiện 1 tính năng này đã có thể tạo ra sự khác biệt cho sản phẩm của bạn với đối thủ.

5. Bounce rate

Chỉ số Bounce Rate được định nghĩa là những người dùng truy cập vào Website hoặc App nhưng rời đi mà không có tương tác (Click vào bất cứ link hay hình ảnh nào) trong một phiên truy cập. Chỉ số Bounce Rate này cho thấy hiệu quả trong việc tương tác với người dùng của sản phẩm hoặc tính năng. Nếu chỉ số Bounce Rate cao, có nghĩa là trải nghiệm của người dùng khi vào App hoặc Website không đáp ứng được kỳ vọng.

Một vài gợi ý về cách để cải thiện Bounce Rate như sau:

• Thêm hình ảnh, video để tăng tính tương tác với người dùng, từ đó giữ chân và tương tác nhiều hơn.

• Sắp xếp, đưa những nội dung, tính năng quan trọng lên đầu tiên để thu hút người dùng click vào.

• Đơn giản hóa hiển thị trên trang và tập trung vào những nội dung cần thiết, thay vì để người dùng phải dành nhiều thời gian tìm kiếm và khám phá.

• Dẫn Link trong nội bộ Website / App để đưa người dùng từ trang này sang trang khác, gợi ý những nội dung mà họ có thể quan tâm để giữ chân người dùng tốt hơn.

• Phân tích để xác định kênh nào đang khiến tỉ lệ Bounce Rate cao. Ví dụ: Khi kiểm tra Bounce Rate của các nguồn Traffic từ Google, Facebook, TikTok... chúng ta thấy TikTok đang có Bounce Rate khá cao, do nền tảng này nhìn chung vẫn còn khá mới và tập trung vào tạo nhận thức (Awareness). Như vậy, chúng ta có thể cân nhắc việc phân bổ ngân sách hoặc điều chỉnh cách chạy quảng cáo ở nguồn này.

• Cải thiện tốc độ tải App hoặc Website: Khi tốc độ tải nhanh thì đồng nghĩa người dùng ít phải chờ đợi và giảm nguy cơ người dùng thoát trang do phải chờ đợi quá lâu.

6. K-Factor

K-Factor hay còn gọi là Virality Rate, nghĩa là chỉ số thể hiện mức độ lan truyền của sản phẩm.

Công thức tính K-Factor =i*c

Trong đó:

• i viết tắt của Invitation, chỉ số lượng chia sẻ hoặc lời mời bởi một người dùng.
• c là viết tắt của Conversion, chỉ tỉ lệ chuyển đổi của những lượt chia sẻ hoặc lời mời đó.
• K-Factor cho biết khả năng giới thiệu để người dùng mới đến với sản phẩm / App.

Ví dụ:

• Bạn đang có một App xem phim, bình quân mỗi người dùng sẽ gửi 2 lời mời cho gia đình, bạn bè, người quen để giới thiệu. Như vậy, chỉ số i = 2

• Nếu bình quân cứ 5 lời mời thì sẽ có 1 người đăng ký sử dụng, vậy chỉ số c = 1/5 = 0.2 (20%). Vậy K-factor =i*c =2* 0.2 = 0.4 (40%)

• Nếu App đang có 100 người dùng, họ có thể giới thiệu cho 40 người dùng khác và tổng lượng người dùng sẽ tăng lên thành 140.

Chỉ số K-factor đặc biệt quan trọng với những ứng dụng liên quan đến tài chính, bởi lúc này uy tín của người dùng trước sẽ đáng tin cậy hơn nhiều. Nhưng nhìn chung thì ở hầu hết các lĩnh vực, lời giới thiệu từ người quen đều có mức độ uy tín, tin cậy hơn nhiều so với người lạ. Nên có nhiều App sẽ có chương trình tặng quà, thưởng cho hoạt động giới thiệu này.

Một số “bí kíp” để cải thiện K-factor cho sản phẩm là xây dựng các chương trình tiếp thị giới thiệu (Referral marketing), Gamification cũng như cho phép người dùng chia sẻ lên mạng xã hội:

• Tặng quà, thưởng cho người gửi lời mời. Ví dụ, gửi đi 10 lời mời thì sẽ nhận được 1 voucher

• Thưởng cho người nhận lời mời khi họ chấp nhận và thử dùng sản phẩm (Nhiều App sẽ thưởng cho cả người mời và người nhận khi mời thành công)

• Cho phép người dùng chia sẻ những cột mốc, thông tin thú vị về quá trình sử dụng sản phẩm lên mạng xã hội để tăng tính lan truyền:

  • Tết Giáp Thìn 2024, Momo ra mắt tính năng “Tạo QR bằng ảnh AI” để người dùng đăng lên mạng xã hội và “xin lì xì”, từ đó “cho và nhận” bằng chuyển khoản Momo.

  • Spotify, Shopee thường hay có những bảng tổng kết năm được cá nhân hóa dựa trên lịch sử nghe nhạc, đặt hàng. Khi người dùng ào ạt chia sẻ những phần “recap” này trên mạng xã hội sẽ tạo ra một làn sóng về App mà không cần tốn thêm chi phí quảng cáo

• Nhắm đến những nhóm đối tượng phù hợp trong các hoạt động thu hút người dùng mới. Bạn có thể tính K-factor cho những nhóm người dùng khác nhau, từ đó xác định được phân khúc người dùng nào có K-factor cao, và có thể tăng ngân sách cho các hoạt động thu hút người dùng cho nhóm tương tự.

7. CLV (Customer Lifetime Value / LTV (Lifetime Value)

LTV (Lifetime Value) hoặc CLV (Customer Lifetime Value) được gọi là giá trị vòng đời khách hàng. Đây là chỉ số quan trọng với doanh nghiệp cho thấy doanh thu mà một khách hàng có thể mang lại cho doanh nghiệp trong suốt khoảng thời gian họ tương tác, sử dụng dịch vụ của doanh nghiệp. Chỉ số CLV thường được xem xét chung trong mối tương quan với chi phí để thu hút và giữ chân người dùng. Về cơ bản, doanh nghiệp nào cũng muốn doanh thu mà người dùng mang lại nhiều hơn chi phí mà doanh nghiệp bỏ ra.

Để đo lường được CLV, bạn cần đánh giá được:

• Thời gian mà người dùng gắn bó với sản phẩm là bao lâu.

• Doanh thu bình quân mà một người dùng mang lại.

• Chi phí để thu hút người dùng mới là bao nhiêu.

• Các chi phí khác: Chi phí Marketing để thu hút được người dùng, Chi phí về sales và các phần mềm CRM, Chi phí về chăm sóc khách hàng để cung cấp dịch vụ và giữ chân khách hàng, Chi phí về sản phẩm.

Customer Lifetime Value = Lợi nhuận gộp của mỗi khách hàng * tỷ lệ khách hàng quay lại sau mỗi năm / (1 + tỷ lệ chiết khấu năm - tỷ lệ khách hàng quay lại sau mỗi năm)

Trong đó:

• GC (Gross Contribution per user): Lợi nhuận gộp mà mỗi khách hàng đóng góp cho doanh nghiệp trong một kỳ, thường được tính là tổng doanh thu trừ đi các chi phí trực tiếp liên quan đến việc cung cấp sản phẩm / dịch vụ cho khách hàng đó.

• M (Retention costs): Chi phí giữ chân khách hàng, đây là số tiền doanh nghiệp chi ra để duy trì mối quan hệ và làm cho khách hàng quay lại.

• n (Time period): Khoảng thời gian tính toán (thường là theo năm) để xác định giá trị lâu dài của khách hàng.

• r (Yearly Retention rate): Tỷ lệ khách hàng quay lại sau mỗi năm, thường được thể hiện dưới dạng phần trăm (%).

• d (Yearly Discount Rate): Tỷ lệ chiết khấu hàng năm, điều này được sử dụng để tính giá trị hiện tại của các khoản thu nhập tương lai từ khách hàng, do giá trị của tiền sẽ giảm dần theo thời gian.

Bài tập: Khi ra mắt tính năng chơi game, Product Analyst cần đặt KPIs như thế nào? Để trả lời câu hỏi này, mời bạn xem thêm tại đây.

8. CAC (Customer Acquisition Cost)

CAC (Customer Acquisition Cost) là chi phí bình quân để có được một khách hàng mới.

Công thức tính CAC = (MCC+ W + S + PS + O)/CA

Trong đó:

• MCC (Marketing Campaign Cost): Chi phí chạy các chiến dịch Marketing để tìm kiếm và thu hút được người dùng mới

• W (Wage): Lương của các nhân viên Marketing & Sales để chuyển đổi được người dùng

• S (Software): Các chi phí liên quan đến phần mềm hỗ trợ cho các hoạt động Marketing & Sales. Ví dụ: Các công cụ để tự động hóa các hoạt động Marketing, hay để chạy A/B testing...

• PS (Professional Services): Các dịch vụ chuyên nghiệp khác (Dịch vụ tư vấn) để hỗ trợ cho hoạt động Marketing, Sales của công ty

• O (Overhead): Các chi phí chung liên quan đến việc vận hành hoạt động của team Sales và Marketing

• CA (Customers Acquired): Tổng số lượng khách hàng mới mà doanh nghiệp có được

Ngoài ra, công thức đơn giản hơn của CAC, đó là:

CAC = MCC/CA

Cách tính này thường thấy khi các Agency tính toán chỉ số cho các chiến dịch Marketing. Lý do là các thông tin khác như lương, Overhead,... sẽ không được tiết lộ, nên các Agency thường chỉ lấy chi phí Marketing cho chiến dịch để chia cho số lượng người dùng mới có được. Còn về phía nội bộ doanh nghiệp, khuyến khích tính đầy đủ các chi phí như trên để có được mức chi phí chính xác hơn.

9. ARPU (Average Revenue Per User)

ARPU (Average Revenue Per User) là doanh thu bình quân trên một người dùng.

Công thức tính ARPU = Tổng doanh thu trong một khoảng thời gian / Tổng số người dùng trong cùng khoảng thời gian đó

Với những lĩnh vực khác nhau thì chỉ số ARPU sẽ có những biến thể khác nhau:

• Ngành thương mại điện tử có thể dùng chỉ số Average Revenue per Customer, các app OTT có thể dùng chỉ số Average Revenue per DAU (hoặc MAU, WAU).

• Với các ứng dụng sử dụng mô hình Freemium, thì họ thường dùng chỉ số Average Revenue per Paying User, nghĩa là chỉ tính doanh thu trên lượng người dùng có trả phí, để loại bỏ nhóm người dùng miễn phí trong khi tính toán.

• Một biến thể khác là Average Revenue per Account, doanh thu bình quân của một tài khoản. Cách tính này có thể áp dụng trong các trường hợp một tài khoản có nhiều người dùng, như các ứng dụng cho doanh nghiệp.

10. ARR (Annual Recurring Revenue)

ARR là từ viết tắt của Annual Recurring Revenue, nghĩa là doanh thu định kỳ hàng năm, chỉ tổng doanh thu mà doanh nghiệp dự kiến sẽ thu về được trong 1 năm.

11. MRR (Monthly Recurring Revenue)

MRR là doanh thu định kỳ hàng tháng - Monthly Recurring Revenue, đây là doanh thu mà doanh nghiệp dự kiến thu về trong 1 tháng. Chỉ số này thường được sử dụng để đánh giá doanh thu của các doanh nghiệp áp dụng mô hình kinh doanh Subscription (người dùng trả phí định kỳ). Ví dụ: Các doanh nghiệp SaaS, Netflix, Spotify...

ARR hoặc MRR = (avg revenue per recurring account)*(#recurring account)

Trong đó:

• avg revenue per recurring account: Trung bình doanh thu định kỳ trên mỗi tài khoản. Đây là doanh thu mà mỗi tài khoản (hoặc khách hàng) đóng góp hàng tháng, tính trung bình.
• #recurring account: Số lượng tài khoản định kỳ, là số lượng khách hàng đang đóng góp doanh thu hàng tháng (Recurring Accounts).

12. ROAS (Return on Ads Spend)

ROAS (Return on Ads Spend) là chỉ số đo lường hiệu quả của các chiến dịch quảng cáo.

Công thức ROAS = Tổng doanh thu có được từ quảng cáo / Chi phí của chiến dịch quảng cáo

Một số mô hình để đánh giá mức độ đóng góp của từng kênh / từng điểm chạm quảng cáo (trong tiếng Anh gọi là Attribution Model) như sau:

• Last click (Lần click cuối cùng): Mô hình tính đóng góp cho kênh / điểm chạm cuối cùng. Ví dụ: Người dùng có thể click vào quảng cáo trên Google, sau đó đến Facebook, cuối cùng là Email và tiến hành mua hàng. Khi đó, đơn hàng được tính cho kênh Email.

• First click (Lần click đầu tiên): Mô hình tính đóng góp cho kênh đầu tiên. Với cùng hành trình mua hàng như trên, đơn hàng được tính cho kênh Google.

• Linear (Tuyến tính): Mô hình tính đóng góp đồng đều cho tất cả các kênh mà người dùng từng click vào. Ví dụ: Người dùng click vào Google, Facebook và Email và tiến hành mua hàng thì doanh thu từ đơn hàng được chia đều cho cả 3 kênh.

• Time decay (Giảm dần theo thời gian): Mô hình này sẽ phân bổ đóng góp cho những điểm chạm gần thời điểm chuyển đổi cao hơn. Với các kênh hay điểm chạm nào càng xa thời điểm chuyển đổi thì càng thấp hơn. Ví dụ trên thì kênh cuối cùng là Email, kênh này sẽ được tính trọng số doanh thu cao hơn, sau đó mới đến Facebook và thấp nhất là Google.

• Position Based (Theo vị trí / thứ tự): Mô hình này sẽ phân bổ trọng số cho 2 kênh đầu tiên và cuối cùng bằng nhau và nhiều hơn, còn các kênh ở giữa sẽ chia đều phần trọng số còn lại. Với ví dụ trên, thì kênh Google và Email sẽ có trọng số cao hơn là kênh Facebook.

• Data-driven (Theo dữ liệu): Mô hình này sẽ không phân bổ theo một quy luật cố định, mà sẽ dùng dữ liệu xuyên suốt hành trình khách hàng cũng như hành vi tương tác của người dùng với quảng cáo để xác định được đâu là những điểm chạm đóng vai trò quan trọng hơn trong việc tạo ra chuyển đổi.

13. CPI (Cost per Install)

CPI (Cost per Install) là chi phí trên một lượt cài đặt.

Công thức tính CPI = Chi phí quảng cáo / Tổng số lượt cài đặt App

Thông thường trên các hệ thống quảng cáo của Google, Facebook, chỉ cần người dùng tải App về cài đặt đã tính là một lượt Install. Tuy nhiên, với một số công cụ Tracking khác, thì khi nào người dùng mở App lên sử dụng lần đầu tiên thì mới tính là một lượt Install.

• Để cải thiện chỉ số CPI, bạn có thể cải thiện ASO (App Store Optimization). Đây là một quy trình để tối ưu hóa về hiển thị và khả năng chuyển đổi cho ứng dụng của bạn trên App Store. Điều này cũng tương tự như SEO đối với Website vậy. Các bạn hãy cải thiện hình ảnh minh họa, tiêu đề, mô tả app, cải thiện rating, có nhiều review tốt,... để khuyến khích người dùng tải ứng dụng của mình về nhiều hơn.

• Ngoài ra, đôi khi chỉ số CPI có thể thấp là do chiến dịch quảng cáo đang nhắm sai đối tượng mục tiêu. Có thể là số lượt tải app cao nhưng những người dùng này chỉ tải về xem thử, rồi rời bỏ hoặc xóa app rất nhanh, thì họ không phải là những người dùng có giá trị cao với app. Các bạn cần xem thêm về Retention Rate, hoặc tỉ lệ người dùng chuyển thành khách hàng có tốt hay không để đánh giá chất lượng người dùng. Vì vậy, đôi khi CPI thấp chưa hẳn đã là tốt, mà các bạn cần chấp nhận mức CPI cao hơn, nhưng có thể tiếp cận được tệp người dùng thực sự quan tâm tới ứng dụng và có khả năng dùng trong thời gian dài.

• Ngoài ra, các bạn cũng có thể chạy A/B test trên quảng cáo với những hình ảnh hoặc mô tả, giới thiệu khác nhau. Từ đó, các bạn có thể xác định được là hình ảnh nào, nội dung nào có khả năng chuyển đổi tốt nhất để sử dụng tiếp, và như vậy chỉ số CPI cũng sẽ được giảm xuống.

14. CPA (Cost per Desired Action)

CPA (Cost per Desired Action) là chi phí trên một lượt hành động mà thương hiệu mong muốn người dùng thực hiện.

Công thức tính CPA = Chi phí của chiến dịch quảng cáo / Tổng số lượt hành động mong muốn người dùng thực hiện

Hành động mong muốn là một hành vi sau khi người dùng đã tải ứng dụng, ví dụ như đăng ký tài khoản, mua hàng... Chỉ số này thường được áp dụng trong các lĩnh vực có hành trình khách hàng dài.

Ví dụ:

Đối với các App ngân hàng, sau khi người dùng tải App thì sẽ có các bước như eKYC, thực hiện giao dịch trên App, tra cứu thông tin tài khoản... Còn nếu người dùng chỉ tải app mà không eKYC thì cũng chưa thực sự tính là họ đã trở thành người dùng của App. Vì vậy, các ngân hàng sẽ quan tâm nhiều tới chỉ số CPA khi tìm kiếm người dùng mới, trong đó hành động mong muốn là người dùng hoàn thành eKYC.

Hoặc nếu ứng dụng ngân hàng ra tính năng là thanh toán hóa đơn điện nước trên ứng dụng và chiến dịch quảng cáo là hướng đến hành vi sử dụng tính năng này, thì CPA sẽ tính bằng chi phí chiến dịch chia cho số lượt thanh toán hóa đơn điện nước đến từ chiến dịch quảng cáo đó.

15. NPS (Net Promoter Score)

Chỉ số NPS (Net Promoter Score) là chỉ số đo lường mức độ trung thành của người dùng và khả năng họ sẵn lòng giới thiệu sản phẩm dịch vụ đến với người khác cao đến mức nào.

Công thức tính NPS = %promoters - %detractors

Trong đó:

• %promoter: Tỉ lệ người dùng sẵn lòng giới thiệu sản phẩm với bạn bè, đồng nghiệp.
• %detractors: Tỉ lệ người dùng phản đối, họ không muốn giới thiệu sản phẩm đến với người khác. Thông thường, chỉ số này sẽ được đo lường thông qua các khảo sát để biết được người dùng có đang hài lòng khi sử dụng ứng dụng không.

Tuy nhiên, NPS sẽ không phản ánh đúng thực tế nếu như:

• Đáp viên chọn nhiều đáp án: Các khảo sát sẽ có thang điểm đánh giá từ 0 - 10, nếu người dùng có thể chọn 2 đáp án trở lên, thì bạn sẽ không đánh giá được là thực sự họ thích hay không thích ứng dụng và ở mức độ nào.

• Trong câu hỏi đặt ra có những giả thuyết, khiến người dùng hiểu sai câu hỏi.

• NPS có thể bị ảnh hưởng bởi những trải nghiệm khác nhau của người dùng khi tham gia khảo sát.

• Nếu có quá ít đáp viên cho khảo sát. Cụ thể, nếu tỉ lệ hoàn thành khảo sát chỉ ở mức 3%, thì kết quả sẽ không đáng tin cậy, do số người tham gia khảo sát không đủ để đại diện cho toàn bộ tập người dùng.

16. CSAT (Customer Satisfaction Score)

CSAT (Customer Satisfaction Score) là chỉ số hài lòng của khách hàng.

Công thức tính CSAT = Tổng số điểm người dùng chấm / Tổng điểm tối đa có thể đạt được

Chỉ số CSAT có thể được đo lường theo từng tính năng hoặc từng giai đoạn mà người dùng tương tác với Product/App. Bên cạnh đó, việc phân tích CSAT theo từng nhóm người dùng cũng giúp xác định rõ ràng vấn đề đang xảy ra ở nhóm người dùng nào và với tính năng nào.

Để hiểu hơn về 16 chỉ số đo lường, cách khai thác và phân tích dữ liệu nhằm tối ưu hóa trải nghiệm sản phẩm và ra quyết định chiến lược hiệu quả, mời bạn tìm hiểu chi tiết ở khoá học “Fundamentals of Product Analytics: Phân tích dữ liệu để tối ưu sản phẩm”.

Đồng hành cùng học viên trong khoá học này là giảng viên Hoàng Minh Dương, hiện anh đang là CEO của AppROI. Anh có bề dày kinh nghiệm triển khai chiến lược Product Marketing cho các doanh nghiệp lớn như Sabeco, HDBank, VUS... Trong khoá học, anh sẽ mang đến những góc nhìn thực tế về cách khai thác dữ liệu để hiểu sâu hành vi người dùng, nâng cao hiệu suất sản phẩm và xây dựng chiến lược Marketing phù hợp trong bối cảnh thị trường ngày càng cạnh tranh.