مستخدمونا كانوا يختفون: كيف أنقذنا ‘تحليل الأفواج’ من جحيم تسرب العملاء؟

أذكر ذلك اليوم جيداً. كنا في اجتماعنا الأسبوعي، وننظر إلى لوحة التحكم الرئيسية (Dashboard) بفخر. أعداد المستخدمين الجدد في تطبيقنا كانت في ارتفاع مستمر، والمقاييس السطحية مثل “إجمالي عدد المسجلين” و”عدد المستخدمين النشطين يومياً” (DAU) كانت ترسم صورة وردية تبعث على التفاؤل. شعرت أننا “كسّرنا الدنيا” كما نقول. لكن زميلي، مهندس البيانات الشاب، كان وجهه عابساً.

قاطع الصمت وقال بنبرة قلقة: “يا جماعة، في إشي غلط. الأرقام هاي بتخدعنا. المستخدمين القدامى عم بختفوا بسرعة أكبر من سرعة تسجيل الجداد”. نظرنا لبعضنا البعض في حيرة. كيف ذلك والأرقام الإجمالية في صعود؟ سألته مباشرة: “وين بروحوا هالجماعة؟”.

كانت تلك هي اللحظة التي أدركنا فيها أننا نغرق في وهم “مقاييس الغرور” (Vanity Metrics). كنا كمن يملأ دلواً مثقوباً بالماء؛ كلما صببنا المزيد من المستخدمين الجدد، كان المستخدمون القدامى يتسربون من ثقب لا نراه. كنا بحاجة إلى مجهر، لا تلسكوب. وهنا، دخل البطل إلى قصتنا: تحليل الأفواج (Cohort Analysis).

لماذا المقاييس الإجمالية خادعة؟

قبل أن نغوص في أعماق تحليل الأفواج، دعونا نفهم المشكلة الأساسية. عندما تنظر فقط إلى “إجمالي المستخدمين النشطين شهرياً” (MAU)، فأنت تخلط بين ثلاث فئات مختلفة من المستخدمين:

• مستخدمون جدد سجلوا هذا الشهر.
• مستخدمون قدامى ما زالوا نشطين.
• مستخدمون قدامى عادوا بعد فترة من الخمول.

إذا كان لديك تدفق كبير من المستخدمين الجدد (بسبب حملة تسويقية ناجحة مثلاً)، فيمكن لهذا التدفق أن يخفي بسهولة حقيقة أن المستخدمين الذين سجلوا في الأشهر السابقة يغادرون المنتج بأعداد كبيرة. هذا هو “الدلو المثقوب” بعينه. أنت لا تعرف ما إذا كان منتجك “لزجاً” (Sticky) ويحتفظ بالمستخدمين، أم أنه مجرد محطة عابرة لهم.

ما هو تحليل الأفواج (Cohort Analysis)؟ البطل الذي أنقذ الموقف

ببساطة، “الفوج” (Cohort) هو مجموعة من المستخدمين الذين يشتركون في خاصية معينة خلال فترة زمنية محددة. الخاصية الأكثر شيوعاً هي “تاريخ الانضمام”.

فمثلاً:

• فوج يناير 2023: كل المستخدمين الذين سجلوا في شهر يناير.
• فوج الأسبوع الأول من مارس: كل المستخدمين الذين قاموا بأول عملية شراء في هذا الأسبوع.
• فوج حملة فيسبوك: كل المستخدمين الذين أتوا من حملة إعلانية معينة على فيسبوك.

تحليل الأفواج هو عملية تتبع سلوك هذه المجموعات (الأفواج) مع مرور الوقت. بدلاً من أن نسأل “كم عدد المستخدمين النشطين لدينا هذا الشهر؟”، نبدأ بطرح أسئلة أكثر دقة وذكاءً:

“كم نسبة المستخدمين من فوج يناير الذين ما زالوا نشطين بعد ثلاثة أشهر من تسجيلهم؟ وكيف تقارن هذه النسبة مع فوج فبراير؟”

هذا السؤال يغير قواعد اللعبة تماماً. فهو يحولك من مراقب سلبي إلى محقق نشط يبحث عن الأسباب الجذرية.

كيف طبقنا تحليل الأفواج خطوة بخطوة؟

عندما قررنا تبني هذا النهج، اتبعنا خطوات عملية واضحة كشفت لنا “المصيبة” التي كانت تحدث تحت غطاء الأرقام الإجمالية.

الخطوة الأولى: تحديد الأفواج ومقياس الاحتفاظ

قررنا أن أبسط وأقوى طريقة هي تقسيم مستخدمينا إلى أفواج أسبوعية بناءً على تاريخ تسجيلهم. “فوج الأسبوع 1″، “فوج الأسبوع 2″، وهكذا. ثم حددنا المقياس الرئيسي الذي سنهتم به: الاحتفاظ بالمستخدم (User Retention). عرفناه بأنه: “النسبة المئوية للمستخدمين في فوج معين الذين عادوا وفتحوا التطبيق مرة واحدة على الأقل في الأسابيع التالية لتسجيلهم”.

الخطوة الثانية: بناء مصفوفة الأفواج

هنا يكمن سحر هذا التحليل. قمنا ببناء جدول، أو مصفوفة، حيث تمثل الصفوف أفواجنا الأسبوعية، وتمثل الأعمدة الأسابيع التي تلت أسبوع التسجيل (الأسبوع 0، الأسبوع 1، الأسبوع 2، …).

الجدول بدا كالتالي (أرقام مبسطة للتوضيح):

الخطوة الثالثة: لحظة “وجدتها!”

عندما ظهر هذا الجدول أمامنا، صمت الجميع. كانت الحقيقة واضحة كالشمس ومؤلمة كالطعنة. انظر إلى فوج “الأسبوع 3”. رغم أنه كان أكبر فوج من حيث عدد المسجلين الجدد (2,100 مستخدم)، إلا أن معدل الاحتفاظ به انهار بشكل كارثي. في الأسبوع الأول بعد التسجيل، لم يعد سوى 15% منهم، مقارنة بـ 45% و 42% في الأسابيع السابقة. “هون المصيبة!” صرخ زميلي. لقد وجدنا الثقب في الدلو.

ماذا حدث في الأسبوع الثالث؟ عدنا إلى سجلاتنا. في بداية ذلك الأسبوع، أطلقنا تحديثاً جديداً للتطبيق (الإصدار 2.5) كان يهدف إلى “تحسين” واجهة المستخدم. لكن ما حدث على أرض الواقع أننا عقدنا عملية التسجيل وأضفنا خطوة إضافية شعر المستخدمون أنها تطفلية، فكانوا يغادرون التطبيق بانزعاج ولا يعودون أبداً. لقد كانت كارثة صامتة أخفتها أرقام النمو الزائفة.

مثال عملي باستخدام Python و Pandas

لكي لا يبقى الكلام نظرياً، دعونا نرى كيف يمكن بناء تحليل مشابه باستخدام بضع أسطر من كود بايثون ومكتبة Pandas الرائعة. هذا المثال سيعطيك القوة لفعل ذلك بنفسك.

سنفترض أن لدينا ملف CSV يحتوي على بيانات نشاط المستخدمين بالصيغة التالية: `user_id`, `registration_date`, `activity_date`.

import pandas as pd

# تحميل البيانات (استبدل 'data.csv' بملف البيانات الفعلي)
# df = pd.read_csv('data.csv')
# لغرض المثال، سنقوم بإنشاء بيانات وهمية
data = {
    'user_id': [1, 1, 2, 3, 3, 3, 4, 5, 5],
    'registration_date': ['2023-01-05', '2023-01-05', '2023-01-12', '2023-02-03', '2023-02-03', '2023-02-03', '2023-02-10', '2023-03-01', '2023-03-01'],
    'activity_date': ['2023-01-05', '2023-01-13', '2023-01-12', '2023-02-03', '2023-02-25', '2023-03-04', '2023-02-11', '2023-03-01', '2023-04-05']
}
df = pd.DataFrame(data)

# تحويل الأعمدة إلى صيغة التاريخ
df['registration_date'] = pd.to_datetime(df['registration_date'])
df['activity_date'] = pd.to_datetime(df['activity_date'])

# --- الخطوة 1: تحديد فوج التسجيل لكل مستخدم ---
# سنستخدم الشهر كفترة للفوج
df['registration_month'] = df['registration_date'].dt.to_period('M')

# --- الخطوة 2: حساب "عمر" المستخدم عند كل نشاط ---
# نحسب الفرق بين تاريخ النشاط وتاريخ التسجيل بالأشهر
activity_month = df['activity_date'].dt.to_period('M')
registration_month = df['registration_date'].dt.to_period('M')
df['cohort_index'] = (activity_month.year - registration_month.year) * 12 + (activity_month.month - registration_month.month)

# --- الخطوة 3: تجميع البيانات لبناء المصفوفة ---
# نعد عدد المستخدمين الفريدين لكل فوج وكل فترة عمرية
cohort_data = df.groupby(['registration_month', 'cohort_index'])['user_id'].nunique().reset_index()

# نحول البيانات إلى مصفوفة (pivot table)
cohort_counts = cohort_data.pivot_table(index='registration_month',
                                        columns='cohort_index',
                                        values='user_id')

# --- الخطوة 4: حساب نسبة الاحتفاظ ---
# نحصل على حجم كل فوج (عدد المستخدمين في الشهر الأول، أي cohort_index = 0)
cohort_sizes = cohort_counts.iloc[:, 0]

# نقسم أعداد المستخدمين في كل شهر على حجم الفوج الأولي للحصول على النسبة
retention_matrix = cohort_counts.divide(cohort_sizes, axis=0)

# تنسيق النتيجة كنسبة مئوية
retention_matrix_percentage = retention_matrix.applymap('{:.0%}'.format)

print(retention_matrix_percentage)

هذا الكود سينتج مصفوفة احتفاظ رائعة يمكنك من خلالها رؤية سلوك الأفواج المختلفة مع مرور الوقت، تماماً كما فعلنا في مثالنا القصصي.

نصائح عملية من مطبخ أبو عمر

بعد سنوات من التعامل مع البيانات وتحليل سلوك المستخدمين، تعلمت بعض الدروس التي أود مشاركتها معكم:

• ابدأ بالبساطة: لا تعقد الأمور. ابدأ بتحليل الأفواج بناءً على تاريخ التسجيل (أسبوعي أو شهري). هذا وحده سيعطيك 80% من الفائدة.
• اربط التحليل بالأحداث: مصفوفة الأفواج هي خريطة. ضع عليها علامات تمثل الأحداث المهمة: إطلاق تحديثات، تغيير الأسعار، حملات تسويقية. هذا هو ما يحول الأرقام إلى قصة ذات معنى.
• لا تقتصر على الاحتفاظ (Retention): يمكنك استخدام نفس المبدأ لتحليل مقاييس أخرى. مثلاً، “متوسط الإيرادات لكل مستخدم” (ARPU) لكل فوج. هل المستخدمون الجدد يدفعون أكثر أم أقل من القدامى؟
• قسّم أفواجك أكثر (Segmentation): بعد أن تتقن الأساسيات، ابدأ بتقسيم أفواجك بناءً على خصائص أخرى:
  • قناة الاكتساب: هل المستخدمون القادمون من بحث جوجل أفضل من القادمين من إعلانات انستغرام؟
  • البلد أو المنطقة الجغرافية.
  • نظام التشغيل (iOS vs Android).
• استخدم الأدوات المتاحة: لا داعي لإعادة اختراع العجلة في كل مرة. أدوات مثل Google Analytics (الذي يقدم تقرير أفواج مجاني)، Mixpanel, Amplitude, و Heap هي أدوات قوية جداً ومصممة لهذا الغرض. لكن فهمك للمبدأ الأساسي (كما في مثال بايثون) يجعلك قادراً على طرح الأسئلة الصحيحة.

الخلاصة: لا تدع مستخدميك يضيعون في الضباب 🌫️

العودة إلى قصتنا، بعد اكتشاف المشكلة، قمنا فوراً بإلغاء التغيير الكارثي في عملية التسجيل. في الأسبوع التالي، راقبنا فوج المستخدمين الجدد بحذر. وكانت النتيجة مذهلة: عادت معدلات الاحتفاظ إلى مستوياتها الطبيعية. لقد أنقذنا آلاف المستخدمين من تجربة سيئة، والأهم من ذلك، تعلمنا درساً لن ننساه.

تحليل الأفواج ليس مجرد تقنية لتحليل البيانات، بل هو تغيير في العقلية. هو الانتقال من الرؤية الضبابية الإجمالية إلى الوضوح الدقيق الذي يسمح لك بفهم سلوك المستخدمين الحقيقي واتخاذ قرارات مبنية على حقائق، لا على أوهام. إنه المجهر الذي يكشف لك ما يحدث حقاً داخل منتجك.

جربوها، وصدقوني راح تدعولي. بالتوفيق يا جماعة! 💪