Рейтинг в Store
Решения
Исследования
Задача
Повысить рейтинг приложения в App Store и Google Play, соблюдая гайдлайны платформ.
Выводы
Рост рейтинга был достигнут за счёт:
- запроса оценки в момент позитивного пользовательского опыта
- выбора релевантных триггерных событий
- фильтрации негативного фидбэка
- баланса активных и пассивных механик
Повышение рейтинга приложения Neuro в App Store и Google Store.
Отвечала за исследование, проектирование UX-логики, дизайн решения и сопровождение внедрения.
Что можно улучшить
- сегментировать триггеры по типам пользователей (разделить сценарии для гостя и авторизованного пользователя)
- провести A/B-тестирование частоты запросов
- встроить сбор негативного фидбэка внутри приложения
Результаты
- Менее чем за месяц рейтинг в App Store увеличился с 2,7 до 4,1 и в Google Play c 3,1 до 3,8.
- Также появились положительные отзывы и повысился кредит доверия у пользователей (по данным обсуждений музыкальных форумов)
2. Механики запроса
Активный запрос в виде модальное окна появлялся после завершения значимых малочастотных и среднечастотных событий:
- 1 публикация пресета
- 3 лайка пресетов
- 3 подписки на креэторов
- 1 шаринг пэка
- 3 сохранения пресета на педаль
Пассивный запрос в виде баннера появлялся в ленте пресетов при высокочастотном действии — прослушивание пресета через SoundCheck™ более 10 раз. Это позволило ненавязчиво увеличить охват.
1. Предварительная фильтрация фидбэка
Перед системным попапом реализовала этап предварительного запроса фидбэка:
- положительный фидбэк триггерил вызов системного окна оценки
- отрицательный фидбэк открывал почтового клиента для отправки службе поддержки
Такой подход позволил направить негативный фидбэк в закрытый канал и отработать его.
3. Работа с аналитикой
В первую очередь выделила ключевые события, связанные с позитивным пользовательским опытом:
- публикация пресета
- лайк пресета
- подписка на креэтора
- сохранения пресетов на педаль
- прослушивание пресетов
Далее на основе аналитических данных выявила частотность этих событий, чтобы определить оптимальный момент запроса фидбэка.
2. Анализ референсов
Изучила практики запросов отзывов в популярных приложениях. В результате сделала предположения:
- Запрос оценки эффективнее после позитивного опыта использования приложения
- Слишком быстрый запрос скорее всего будет проигнорирован или даст негативный результат
1. Платформенных ограничений
С помощью Human Interface Guidelines и Material Design определила допустимые сценарии запроса оценки.
Проблема
После выхода обновлённой версии приложения (лето 2024) у Neuro были стабильно низкие рейтинги. На момент внедрения системы сбора оценок рейтинг в App Store составлял 2,7 в Google Play — 3,1. Также был низкий кредит доверия и опасения пользователей, что приложение перестанут поддерживать.
