Har du lyn i en flaske? Hvordan benchmarke din sosiale app 

Når en ny sosial app begynner å "fungere", føles den som magi, men ser ofte ut som en svart boks.

Hva får et produkt til å ta av, og deretter fortsette å ta opp damp – til det punktet hvor millioner av mennesker bruker det daglig i årene som kommer? 

Dette er spesielt vanskelig fordi de fleste sosiale apper ikke ser ut som mye i de første dagene. Facebook startet som en måte for Harvard-studenter å vurdere klassekameratene sine som «hot eller ikke», og Snapchat ble sett på som bare en sexting-app i sine tidlige dager. Suksess i det sosiale forbrukerrommet kan føles tilfeldig. 

Etter år med ledende vekst hos Snap og to år med investeringer på a16z, har jeg dannet meg et annet syn på hvorfor enkelte produkter tar av. Ja, å utvikle et virkelig flott sosialt produkt kan føles som å prøve å fange lynet i en flaske. Men når et produkt først er «ute i naturen», er det litt mer vitenskapelig å vurdere ytelsen – og potensialet – enn folk tror. Noen få tidlige datapunkter har en tendens til å forutsi om en sosial app vil platå på 10,000 XNUMX aktive brukere eller gå mainstream med millioner av brukere.

Her er beregningene jeg ser etter i tidlige forbrukssosiale produkter – i tillegg til hvordan jeg kan måle dem.

INNHOLDSFORTEGNELSE

Vekst

Når du måler vekst, må du først definere kjerneberegningen din. For de fleste sosiale apper for forbrukere er dette daglige aktive brukere (DAU), da du ønsker at folk skal bruke produktet ditt hver dag. For apper med sjeldnere bruk er ukentlige aktive brukere (WAUs) også akseptable som startberegning. Du må til slutt oppgradere til DAU-er hvis du vil ha en sjanse til å sikre deg et ettertraktet spor på startskjermen, dvs. «den viktigste eiendommen på telefonen din», som Mark Zuckerberg har sagt det.

Du vil se denne kjernebrukerberegningen vokse – kanskje ikke med perfekt konsistens, men når du ser tilbake på grafen din, bør trenden være "opp og til høyre." Mange sosiale apper kan se stegendringstopper i vekst (f.eks. blir appen viral og får 50 XNUMX nye nedlastinger på en dag!), men for å virkelig låse opp oppkjøpet, vil du se vekst som lander rundt eller over et eller annet basisnivå. nesten hver måned. Denne noen ganger "piggede" veksten er også grunnen til at det er viktig å ha utmerket retensjon (mer om dette nedenfor), slik at du kan utnytte virale øyeblikk og beholde disse brukerne.

Basert på a16zs private benchmarks av hundrevis av sosiale apper i tidlig stadium, ser dette OK, bra og flott ut for månedlig brukervekst i forbrukerselskaper i første fase: 

• OK – 20 %
• Bra – 35 %
• Flott – 50 %

Ideelt sett kommer hele eller nesten hele denne veksten organisk. Det er en praktisk grunn til dette. Sosiale apper kan ofte ikke tjene penger før senere, så de har ikke så mye penger å bruke på betalt markedsføring. Mer intuitivt bør sosiale apper være iboende virale, med brukere som ønsker å invitere vennene sine for å gjøre opplevelsen enda bedre. Hvis dette ikke skjer, kan det være mer å låse opp i produktet. 

Mange sosiale apper eksperimenterer med noen betalt markedsføring i de første dagene, enten for å skaffe seg en første brukerbase eller for å teste appen med influencere eller ambassadører. Men hvis mer enn 10–20 % av brukerne dine kommer fra betalte kilder på de tidlige stadiene, vil du sannsynligvis revurdere anskaffelsesstrategien din. Ingen mengde markedsføringskroner kan fikse et produkt, så sørg for at veksten din kommer fra selve produktet. 

INNHOLDSFORTEGNELSE

engasjement

Å utvide brukerbasen din er flott, men du må også se på hvordan disse brukerne engasjerer seg i produktet ditt. Det er noen få måter vi analyserer hvor engasjert brukerbasen til en sosial app er. 

Først ser vi på engasjementsforhold, hvor den mest populære er DAU / MAU. Hvor mange av dine månedlige aktive brukere er også i appen hver dag? Jo høyere dette tallet er, jo bedre. Slik måler vi DAU / MAU: 

• OK – 25 % 
• Bra – 40 %
• Flott – 50 %+

Andre forholdstall her er daglige til ukentlige aktive brukere (DAU / WAU) og ukentlige til månedlige aktive brukere (WAU / MAU), men vi ser på DAU / MAU som de viktigste. 

Men selv om disse forholdstallene er nyttige, fanger de ikke opp en viktig nyanse: oppførselen til superbrukerne dine. Gå inn i ... L-ness-kurven! Denne beregningen ser på fordelingen av brukere etter antall dager aktive over en viss tidsperiode, og kan måles på enten ukentlig eller månedlig basis. For eksempel, på ukentlig basis, hvor mange av WAU-ene dine som er aktive én dag i uken, to dager i uken, tre dager i uken, og så videre. 

Beste sosiale apper i klassen har en L-ness-kurve som «smiler», eller enda bedre, har et «skjevt smil» som er skjevt rett. I likhet med DAU / MAU-forholdet betyr dette at brukerne gjør produktet ditt til en vanlig del av livet sitt. 

En måte å tolke L-ness-kurven på er å se på hvor mange brukere som er på eller over et visst engasjementsnivå. For en ukentlig L-ness-kurve ser vi ofte på L5+, eller hvor mange brukere som er i appen fem, seks eller syv dager i uken, da dette indikerer en nesten daglig bruksatferd. Slik måler vi L5+-ytelsen: 

• OK – 30 %
• Bra – 40 %
• Flott – 50 %+

INNHOLDSFORTEGNELSE

Oppbevaring

For sosiale apper kommer gummien på veien ved oppbevaring. Det er livsnerven til en app, og den vanskeligste beregningen å "spille". Etter å ha prøvd å øke retensjonsraten i løpet av min tid hos Snap, kan jeg forsikre deg om at det var en utrolig bragd å forbedre dag 30 (d30) retensjon med 1 % i skala.

En primær metrikk er viktig med oppbevaring: – n-dagers oppbevaring, som også er kjent som begrenset oppbevaring. Denne strenge definisjonen ser på hvor stor prosentandel av en original kohort som kommer inn i appen på hver spesifikk dag. For eksempel beregnes d7-oppbevaring for brukere i kohort A som: 

(Brukere i kohort A som gikk inn i appen spesifikt på d7) / (Brukere i kohort A) 

Alternativet til n-dagers oppbevaring er ubegrenset oppbevaring. Dette ser på hvor mange brukere som gikk inn i en app til og med en bestemt dag. Ubegrenset d7-retensjon vil bli beregnet som: 

(Brukere i kohort A som gikk inn i appen en gang mellom d1 – 7) / (Brukere i kohort A) 

Vi finner at ubegrenset oppbevaring er mindre verdifullt i kortsiktige målinger, siden det er ganske særegent mellom selskaper. For eksempel kan 50 % ubegrenset d7-retensjon bety at 50 % av brukerne kommer tilbake på d1, og ingen kommer tilbake d2 – d7. Eller det kan bety at 7 % av brukerne kommer tilbake hver dag. Begge disse er helt klart veldig forskjellige ting når det gjelder brukeratferd. 

For n-dagers oppbevaring fokuserer vi på tre primære tidspunkter: d1, d7 og d30. Disse beregningene har en tendens til å være nært knyttet. For eksempel, jo flere brukere du kan få til et "aha"-øyeblikk i onboarding (d0), jo flere vil komme tilbake på d1 – og jo mer sannsynlig er det at de fortsatt er engasjert på d7 og d30. Slik måler vi n-dagers oppbevaring: 

• OK – d1 50 %, d7 35 %, d30 20 %
• Bra – d1 60 %, d7 40 %, d30 25 %
• Flott – d1 70 %, d7 50 %, d30 30 %

Vi ser også på hvor raskt retensjonskurven din flater ut. I best mulig tilfelle beholder du alle dine d1-brukere gjennom d30, men vi har ennå ikke sett dette i ekte data, da det er nesten umulig å få til. I de fleste tilfeller ser vi at "slope of the line" begynner å flate ut mellom d7 – d14, og treffer et platå med d20. 

Hvis det er en betydelig forringelse av retensjon mellom for eksempel d7 og d30, og kohortene dine ennå ikke har flatet ut med d30, kan dette være et bekymringsområde da det innebærer at langsiktig retensjon kanskje ikke holder mål. Vi ser dette oftest for produkter som "juser" tidlig oppbevaring via store tidlige varslingsbelastninger, som kan fungere de første ukene, men har en tendens til å bli mindre effektive over tid. 

For noen sosiale apper for forbrukere ser vi også på ukentlig oppbevaring. Vi tror at de største sosiale selskapene til slutt blir produkter for daglig bruk, så indekser mye tyngre på daglige oppbevaringstall. Imidlertid kan ukentlig oppbevaring noen ganger være relevant for bedrifter som har bygget et verktøy som de overfører til et nettverk. For å bruke Chris Dixons kjent rammeverk: Kom for verktøyet, bli for nettverket. 

I likhet med daglig retensjon, måles ukentlig retensjon på en avgrenset, n-ukers basis. For eksempel vil w4-retensjon beregnes som: 

(Brukere i kohort A som kom inn i appen en gang i løpet av uke 4) / (Brukere i kohort A)

Slik måler vi ukentlig oppbevaring: 

• OK – w1 40 %, w4 20 %
• Bra – w1 55 %, w4 30 %
• Flott – w1 75 %, w4 50 % 

INNHOLDSFORTEGNELSE

Annen

Utover beregningene ovenfor, er det noen andre ting du bør huske på når du ser på beregningene dine for sosiale forbrukerapper: 

• Jo høyere n-tall er, desto mer verdifulle er beregningene dine. Samtidig som vi elsker Ved å bli med apper i TestFlight, har vi funnet ut at beregninger fra svært tidlige brukere noen ganger ikke holder mål når en app blir utgitt «i naturen» for offentlig bruk. 

Hvorfor? Tidlige brukere har en tendens til å være det høyeste engasjementet og den høyeste oppbevaringen. Dette er enten fordi de kjenner grunnleggerteamet (og ønsker å støtte deg!) eller fordi de passer best mulig for produktet ditt (det er derfor de fant deg så tidlig). Vi har en tendens til å finne at noen få tusen aktive brukere er der beregninger begynner å være prediktive for hvordan en app vil prestere i skala. 

• Tilsvarende, jo lengre tidsramme du har, desto mer verdifulle er beregningene dine. Når en app først utgis, er det ofte en tidlig støt i brukerne. Dette gjelder spesielt hvis du har bygget en venteliste på plattformer som TikTok og ser en flom av registreringer når appen åpnes. Denne spenningen har en tendens til å oversettes til sterke tidlige engasjement- og oppbevaringsmålinger, spesielt hvis du har gjort en god jobb med å bygge hypen rundt bedriften din. Brukere vil være veldig aktive de første dagene, eller til og med de første ukene. 

Imidlertid tar sosiale apper ofte noen gjentakelser før de fungerer, så det er ikke overraskende å se at oppkjøpet og engasjementet faller kraftig etter denne første toppen. Dette er et annet tilfelle der d1 til d7, eller d7 til d30, retensjonsforringelse kan være ganske sterk. Når det er mulig, liker vi å se at flere brukerkohorter treffer minst det d30-retentionsmerket, siden dette er en mye mer nøyaktig indikator enn de tidlige tallene. 

• Tidpunktstall er flotte, men kohorter er enda bedre! Når vi vurderer sosiale apper, ber vi om nesten alle beregninger over tid, slik at vi kan se hvordan trenden ser ut. For eksempel, i stedet for å se n-dagers oppbevaringsdata for den nyeste kohorten, eller blandet på tvers av alle brukere, vil vi analysere disse dataene på månedlig basis. 

Det vi ser etter er beregninger som er stabile, eller til og med forbedrer kohort for kohort. En god sosial app har sterke nettverkseffekter, som betyr at produktet bør bli mer verdifullt ettersom flere brukere blir med! Hvis du ikke ser dette, kan det bety at produktet sliter med å skalere utover tidlige brukere.

Takk for at du leste! Hvis du bygger en sosial app med beregninger som følger våre "gode" benchmarks, satt av de mest suksessrike sosiale appselskapene de siste 20 årene og sett nedenfor, vennligst ta kontakt med . Jeg vil gjerne høre fra deg. 

Og hvis beregningene dine ikke faller inn i kategorien "flott" ennå, ikke bli motløs! Vi har sett (og investert i) mange selskaper der v0 (eller til og med v5!) ikke var det ganske riktig ... men teamet fortsatte å iterere og landet til slutt på et magisk produkt. Som en påminnelse startet Facebook som en "hot or not"-side kalt FaceMash, Twitter var opprinnelig en podcasting-plattform kalt Odeo, og Instagram var en hybrid app for innsjekking og bildedeling kalt Brbn. Og før TikTok traff det stort, var det Musical.ly!

***

Synspunktene som er uttrykt her, er de fra individuelle AH Capital Management, LLC (“a16z”) personell som er sitert og er ikke synspunktene til a16z eller dets tilknyttede selskaper. Visse opplysninger her er innhentet fra tredjepartskilder, inkludert fra porteføljeselskaper av fond forvaltet av a16z. Selv om a16z er hentet fra kilder som antas å være pålitelige, har ikke a16z uavhengig verifisert slik informasjon og gir ingen representasjoner om den nåværende eller varige nøyaktigheten til informasjonen eller dens hensiktsmessighet for en gitt situasjon. I tillegg kan dette innholdet inkludere tredjepartsannonser; aXNUMXz har ikke vurdert slike annonser og støtter ikke noe reklameinnhold som finnes deri.

Dette innholdet er kun gitt for informasjonsformål, og bør ikke stoles på som juridisk, forretningsmessig, investerings- eller skatterådgivning. Du bør rådføre deg med dine egne rådgivere om disse sakene. Referanser til verdipapirer eller digitale eiendeler er kun for illustrasjonsformål, og utgjør ikke en investeringsanbefaling eller tilbud om å tilby investeringsrådgivningstjenester. Videre er dette innholdet ikke rettet mot eller ment for bruk av noen investorer eller potensielle investorer, og kan ikke under noen omstendigheter stoles på når du tar en beslutning om å investere i et fond som forvaltes av a16z. (Et tilbud om å investere i et a16z-fond vil kun gis av det private emisjonsmemorandumet, tegningsavtalen og annen relevant dokumentasjon for et slikt fond og bør leses i sin helhet.) Eventuelle investeringer eller porteføljeselskaper nevnt, referert til, eller beskrevet er ikke representative for alle investeringer i kjøretøy forvaltet av a16z, og det kan ikke gis noen garanti for at investeringene vil være lønnsomme eller at andre investeringer som gjøres i fremtiden vil ha lignende egenskaper eller resultater. En liste over investeringer foretatt av fond forvaltet av Andreessen Horowitz (unntatt investeringer som utstederen ikke har gitt tillatelse til at a16z kan offentliggjøre så vel som uanmeldte investeringer i børsnoterte digitale eiendeler) er tilgjengelig på https://a16z.com/investments /.

Diagrammer og grafer gitt i er kun for informasjonsformål og bør ikke stoles på når du tar investeringsbeslutninger. Tidligere resultater er ikke en indikasjon på fremtidige resultater. Innholdet taler kun fra den angitte datoen. Eventuelle anslag, estimater, prognoser, mål, prospekter og/eller meninger uttrykt i dette materialet kan endres uten varsel og kan avvike eller være i strid med meninger uttrykt av andre. Vennligst se https://a16z.com/disclosures for ytterligere viktig informasjon.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
• kilde: https://a16z.com/2023/03/03/how-to-benchmark-your-social-app/