Segmentering inom mobil analys — vad är det, kriterier och sätt att avgränsa grupper

Vad är användarsegmentering?

Användarsegmentering — är en analytisk metod som delar upp publiken i grupper (segment) baserat på gemensamma egenskaper för differentierad interaktion. Till skillnad från kohortanalys är segment inte bundna till tid — en användare kan samtidigt tillhöra flera segment och ändra dem allteftersom de blir aktiva.

Syftet med segmentering är att ersätta masskommunikation med riktad kommunikation: skicka olika push-notiser till nybörjare och erfarna användare, visa olika innehåll i flödet och erbjuda personaliserade rabatter. Enligt McKinsey (2024) ökar företag med avancerad segmentering sina intäkter med 15–20 % genom personalisering av interaktion.

Typer av segmentering inom mobil analys

Beteendesegmentering

Beteendesegmentering — uppdelning av användare baserat på deras handlingar i appen: startfrekvens, gjorda köp, visade skärmar, slutförda nivåer. Detta är den mest värdefulla typen av segmentering för produktbeslut eftersom den direkt speglar engagemang. Till exempel segmentet ”aktiva betalande användare” (3+ köp per månad) — grunden för lojalitetsprogram.

Demografisk segmentering

Demografisk segmentering — gruppering baserat på kön, ålder, geolokalisering, språk och intressen. Data samlas in via användarprofilen, vid registrering eller via SDK från analysplattformar. Segmentet ”användare 18–25 år från Stockholm” gör det möjligt att anpassa kommunikationston och visuell stil för en yngre publik, och geo-segment — att lokalt lansera regionala kampanjer.

Teknisk segmentering

Teknisk segmentering — uppdelning baserat på operativsystem, enhetsmodell, appversion, anslutningstyp (Wi-Fi / mobilt internet) och minneskapacitet. Avgörande för prestandatestning: om Crash Rate på Android 14 överstiger 2 % isoleras segmentet för akut reparation. Enligt Firebase Blog (2024) hjälper tekniska segment att minska tiden för buggupptäckt med 40 %.

RFM-analys i segmentering

RFM-analys — en metod för kundsegmentering baserat på tre parametrar: Recency (senaste köpets färskhet), Frequency (köpfrekvens) och Monetary (köpbelopp). Varje parameter bedöms på en skala från 1 till 5, där 5 är det bästa värdet. Kombinationen av tre siffror (R-F-M) avgör kundtypen.

Segment 5-5-5 (”mästarna”) — de mest värdefulla användarna, som köper ofta, nyligen och för stora belopp. Segment 1-1-1 (”förlorade”) — användare som inte har köpt på länge och har köpt lite. Enligt Optimove (2024) ökar RFM-segmentering ROI för marknadsföringskampanjer med 30–50 % genom exakt målinriktning.

Implementera RFM-analys i ditt CRM-system eller analysplattform. För varje segment, bestäm en strategi: ”mästarna” — behåll med lojalitetsprogram, ”förlorade” — återvinn med kampanjer, ”nybörjare” — utbilda och konvertera till återköp.

Hur man tillämpar segmentering i praktiken

Tillämpning av segmentering börjar med en hypotes: vilken användargrupp borde bete sig annorlunda? Till exempel ”användare som gjort sitt första köp kan med rätt stimulans göra ett andra köp snabbare”. Baserat på hypotesen, isolera segmentet i analysplattformen och konfigurera experimentet.

Andra steget — integration av segment i produkt- och marknadsföringskanaler: push-notiser, e-post, in-app-meddelanden och A/B-tester. Plattformar som Amplitude och Firebase gör det möjligt att exportera segment till Google Analytics, Adjust och andra annonsnätverk för riktad annonsering.

Tredje steget — iterativ kalibrering. Segment är inte statiska: efter att kampanjen lanserats, kontrollera om gruppens beteende har förändrats. Om ett segment inte svarar på personalisering, omdefiniera kriterierna eller slå ihop det med ett annat segment för att öka statistisk signifikans.

Praktiska exempel på segment för olika affärsmodeller

Segment skiljer sig beroende på appens affärsmodell. För e-handel är nyckelsegmentet ”varukorgslämnare” (användare som lagt till en produkt men inte betalat). För spel — ”betalande användare” (paying users) uppdelade efter utgiftsnivå: whales (5 % toppspelare som genererar 50 % av intäkterna) och minnows (frekventa småköp).

Varje segment kräver ett unikt kommunikationsscenario. Det är viktigt att inte bara isolera segmentet utan också ställa in pipeline: händelse → segment → åtgärd (push, e-post, in-app) med fördröjning. Enligt Braze (2024) ökar automatisering av segment med tidsfördröjning konverteringen av push-notiser med 40 %. Mät effektiviteten för varje segment via ROMI (Return on Marketing Investment) — kampanjkostnad per segment jämfört med extra intäkter från aktiverade användare. För exakt ROMI-beräkning, ta inte bara hänsyn till direkta konverteringar under första veckan utan också påverkan på LTV och Retention inom 30 dagar efter kampanjen.

Segmenteringsverktyg och kodexempel

För att skapa segment i Firebase Analytics, använd Kotlin-koden nedan. Den skickar en händelse med användarparametrar baserade på vilka målgrupper och segment byggs i Firebase-konsolen.

val firebaseAnalytics = Firebase.analytics
val bundle = Bundle().apply {
    putString("user_tier", "premium")
    putInt("purchase_count", 12)
    putString("country", "RU")
}
firebaseAnalytics.logEvent("segment_update", bundle)

Efter att ha skickat händelser, skapa en målgrupp i Firebase-konsolen baserat på parametern user_tier = ”premium” och använd den för riktade push-notiser via Cloud Messaging.

Beteendesegmentering: djupgående bearbetning

Beteendesegmentering förtjänar särskild uppmärksamhet eftersom den ger den mest exakta bilden av användarengagemang. Till skillnad från demografiska egenskaper speglar beteende direkt det värde användaren får från produkten. De viktigaste beteendemetrikerna för segmentering: startfrekvens (daily / weekly / monthly active), sessionsdjup (tid och antal skärmar), utförda målhändelser och köphistorik.

För att bygga beteendesegment, använd en kombination av handlingar och tidsfönster. Exempel: segmentet ”sovande men värdefulla” — användare som inte loggat in på 14 dagar men gjort 2+ köp under de senaste 30 dagarna. Ett sådant segment har hög potential för återkomst via remarketing. Enligt Clevertap (2024) visar kampanjer för ”sovande värdefulla” segment en ROI på 6:1 tack vare publikens redan bekräftade betalningsförmåga.

Beteendesegment delas också in efter livscykelfas: nya (0–7 dagar), aktiva (7–30 dagar), mogna (30–90 dagar) och avhoppade (90+ dagar). För varje fas, fastställ KPI och interaktionsscenario. För nya användare är prioriteten onboarding och första målhändelse, för mogna — retention och up-sell. Automatisera användarens övergång mellan faser via webhook-händelser i CRM eller CDP-system. Tillämpa throttling: skicka inte mer än ett meddelande per dag för att inte orsaka avhopp på grund av spam. Enligt Braze (2024) visar segment med begränsad kommunikationsfrekvens 25 % högre Retention tack vare minskad trötthet från push-notiser.

Vanliga segmenteringsmisstag

Första misstaget — för små segment. Ett segment med 50 användare är statistiskt insignifikant: varje A/B-test ger ett fel på över 30 %. Minsta segmentstorlek för tillförlitliga slutsatser — 500 användare. Om segmentet är litet, slå ihop det med angränsande segment.

Andra misstaget — överlappning av segment utan hänsyn till prioriteringar. En användare kan samtidigt vara ”ny” och ”betalande”. Bestäm en hierarki av segment så att kampanjen för ”nya” inte skriver över kampanjen för ”betalande”. Enligt Amplitude (2024) förlorar 35 % av teamen konvertering på grund av konflikt mellan segmenteringsregler.

Tredje misstaget — att bara använda demografi utan beteendedata. Kön och ålder utan hänsyn till handlingar i appen ger en ytlig bild. Kombinera demografi med beteende: segmentet ”kvinnor 25–35 år med 2+ köp” är effektivare än bara ”kvinnor 25–35 år”.