Cara Mengubah Data Penggunaan Produk Menjadi Laporan Adopsi Fitur (2026)

Ekspor penggunaan adalah daftar panjang peristiwa: ID pengguna, nama peristiwa, stempel waktu, mungkin satu atau dua properti. Laporan adopsi fitur adalah satu persentase. Jarak di antara keduanya adalah tiga keputusan, bukan sebuah rumus.

Pengguna mana yang termasuk dalam penyebut. Apa yang dihitung sebagai telah menggunakan fitur tersebut. Dan dalam rentang waktu apa Anda mengukurnya.

Ubah salah satu saja dari hal tersebut, maka angkanya akan bergeser puluhan persen. Laporannya masih terlihat benar, dan itulah masalahnya.

Panduan ini membahas apa yang perlu diselesaikan terlebih dahulu, tiga cara manual, dan di mana masing-masing cara tersebut mengalami kendala.

Apa yang Anda butuhkan sebelum memulai

Anda memerlukan baris tingkat peristiwa, bukan ringkasan yang telah diagregasikan sebelumnya. Satu baris per peristiwa, dengan pengidentifikasi pengguna dan stempel waktu.

Anda memerlukan nama peristiwa yang benar-benar mewakili fitur tersebut. Ini jarang sejelas kedengarannya, karena sebagian besar fitur memicu beberapa peristiwa. Angka adopsi fitur hanya akan sebagus pemetaan tersebut.

Anda juga perlu tahu siapa saja yang bisa menggunakannya. Jika fitur tersebut dirilis di balik flag ke sebagian akun saja, maka pengguna lainnya tidak termasuk dalam penyebut.

Pemeriksaan cepat di awal akan menghemat waktu satu jam kemudian. Hitung pengguna unik dalam ekspor dan bandingkan dengan jumlah pengguna aktif Anda yang diketahui. Jika perbedaannya besar, ekspor tersebut mungkin telah difilter dengan cara yang tidak Anda sadari.

Tiga keputusan yang mengubah angka

Penyebut. Semua pengguna yang terdaftar, pengguna aktif bulanan, atau hanya pengguna yang memenuhi syarat untuk fitur tersebut. Hal ini menghasilkan tiga persentase berbeda dari peristiwa yang sama. Setiap angka adopsi fitur adalah sebuah pecahan, jadi tentukan kedua bagian tersebut sebelum Anda menghitung apa pun.

Memenuhi syarat biasanya merupakan pilihan yang paling jujur untuk fitur yang baru dirilis. Semua pengguna yang terdaftar adalah angka yang terlihat paling buruk dan paling mudah dipertahankan sebagai angka yang konservatif.

Apa arti dari "digunakan". Memicu peristiwa sekali, memicunya dua kali, atau memicunya dalam dua sesi terpisah. Satu klik selama tur panduan bukanlah adopsi, dan sebagian besar tim mempelajari hal ini dengan cara yang sulit.

Pilih ambang batas dan tuliskan pada laporan. Dua kali penggunaan pada dua hari yang berbeda adalah aturan yang umum dan masuk akal.

Rentang waktu. Adopsi bukanlah satu titik waktu. Ini adalah proporsi pengguna yang memenuhi syarat yang melakukan tindakan tersebut dalam suatu periode, sehingga periode tersebut adalah bagian dari definisi.

Berikut adalah detail terdokumentasi yang perlu diketahui sebelum Anda meniru metodologi suatu alat. Dokumentasi retensi Amplitude menjelaskan cara kerja penghitungannya. Alat ini "menghitung data retensi dengan membandingkan tanggal peristiwa awal dengan tanggal peristiwa kembali yang Anda tentukan."

Rentang tanggal hanya berlaku untuk peristiwa pertama. Amplitude menyatakan dengan jelas bahwa "pengguna tidak harus memicu peristiwa kembali selama periode tersebut untuk muncul dalam analisis."

Itu adalah perilaku yang wajar dan sering kali mengejutkan orang. Lembar kerja yang memfilter kedua peristiwa ke rentang waktu yang sama tidak akan cocok dengan alat tersebut, dan tidak ada yang salah dari keduanya.

Cara melakukannya secara manual

Opsi 1: Hitung pengguna unik, lalu bagi

Mulailah dengan deduplikasi, karena jumlah peristiwa mentah bukanlah jumlah pengadopsi. Tarik daftar pengguna unik dengan UNIQUE.

Kemudian hitung berapa banyak dari pengguna tersebut yang memicu peristiwa fitur, menggunakan COUNTIFS dengan nama peristiwa dan batasan tanggal. Bagi dengan jumlah pengguna yang memenuhi syarat.

Letakkan kedua hasil perhitungan tersebut di sel yang terlihat, alih-alih menggabungkannya dalam satu rumus. Seseorang pasti akan menanyakan berapa penyebutnya, dan Anda tentu ingin bisa langsung menunjukkannya.

Keterbatasannya adalah cara ini hanya memberi Anda satu angka tanpa rincian lebih lanjut. Anda tahu 18% mengadopsi, tetapi tidak tahu siapa saja mereka.

Opsi 2: Buat tabel penanda (flag) tingkat pengguna

Satu baris per pengguna yang memenuhi syarat, satu kolom per pertanyaan. Apakah mereka memicu peristiwa tersebut, berapa kali, dan pada berapa hari yang berbeda.

Sekarang Anda bisa membedahnya. Adopsi berdasarkan paket, kohort pendaftaran, ukuran akun, atau apakah mereka telah menyelesaikan orientasi.

Di sinilah adopsi fitur menjadi sesuatu yang dapat ditindaklanjuti, bukan sekadar dilaporkan. Angka rata-rata 18% menyembunyikan fakta bahwa pengguna baru berada di angka 40% dan pengguna dari tahun lalu berada di angka 4%.

Kesenjangan itulah yang menjadi temuan penting. Panduan kami tentang analisis kohort membahas mengapa angka rata-rata bergeser setiap kali volume pendaftaran berubah, bahkan ketika perilaku pengguna tidak berubah.

Batasannya adalah volume data dan penggabungan. Ekspor satu juta baris ditambah tabel akun sudah melewati batas di mana rumus-rumus masih nyaman digunakan.

Opsi 3: Sediakan tab definisi di samping angka-angka

Tuliskan nama peristiwa, ambang batas, rentang waktu, penyebut, dan siapa saja yang memenuhi syarat.

Inilah yang membuat laporan dapat dibandingkan di bulan berikutnya. Namun, ini juga merupakan tab yang sering dilewati ketika seseorang membutuhkan angka tersebut dalam waktu sepuluh menit.

Keterbatasannya adalah mendokumentasikan definisi tidak berarti menerapkannya. Seseorang akan tetap membuat ulang lima filter yang sama di setiap siklus.

Keterbatasan bersama. Ketiganya mengasumsikan bahwa nama peristiwa sudah bersih. Ketika tindakan yang sama dipicu di bawah tiga nama berbeda setelah adanya refaktor kode, pekerjaan yang sebenarnya adalah menyelaraskan nama-nama tersebut sebelum perhitungan dimulai.

Di mana proses manual mulai melambat

Laporan pertama membutuhkan waktu satu pagi. Laporan keempat membutuhkan waktu lebih lama, karena pada saat itu definisinya perlahan-lahan telah bergeser.

Nama peristiwa berubah ketika produk berubah. Perubahan nama dalam basis kode akan menjadi penurunan tajam pada grafik Anda, dan itu terlihat persis seperti pengguna yang meninggalkan fitur tersebut. Begitulah cara grafik adopsi fitur akhirnya melaporkan perubahan kode, alih-alih keputusan pelanggan.

Perubahan peluncuran merusak penyebut. Fitur menjangkau 100% akun dan adopsi tampak menurun, karena populasi yang memenuhi syarat melonjak tiga kali lipat.

Lalu ada kesalahan perhitungan yang paling lama bertahan. Menjumlahkan hitungan peristiwa alih-alih pengguna unik akan menggelembungkan angka adopsi setiap kali segelintir pengguna aktif menggunakan fitur tersebut secara intensif.

Ada satu lagi konsekuensi yang hanya muncul saat tenggat waktu mendesak. Ketika seseorang bertanya "apakah itu bagus?", satu persentase saja tidak dapat menjawabnya, dan membuat perbandingannya akan menjadi proyek kedua.

Cara membuat laporan dengan Powerdrill Bloom

Langkah 1: Unggah ekspor penggunaan Anda

Unggah ekspor peristiwa, atau file peristiwa dan akun secara bersamaan. Powerdrill Bloom akan menganalisis profil kolom saat diunggah, sehingga nama peristiwa yang tidak konsisten dan ID pengguna yang hilang akan terdeteksi sebelum persentase apa pun dihitung.

Langkah 2: Deskripsikan definisi dalam bahasa alami

Sebutkan aturannya alih-alih membuatnya secara manual. Tentukan nama peristiwa, ambang batas, rentang waktu, dan pengguna mana saja yang memenuhi syarat.

Kemudian ajukan pertanyaan yang dapat mendeteksi kesalahan. Tanyakan apakah ada nama peristiwa yang terlihat hampir serupa. Tanyakan berapa banyak pengguna unik yang memicu peristiwa tersebut dibandingkan dengan berapa banyak peristiwa yang dipicu, dan bagaimana tingkat adopsi fitur berbeda berdasarkan bulan pendaftaran.

Langkah 3: Ekspor grafik, laporan, atau slide presentasi

Dapatkan tren adopsi, tabel berdasarkan segmen, atau slide yang memuat angka beserta definisinya secara bersamaan.

Mengapa cara ini lebih baik daripada membuatnya ulang di setiap siklus

	Cara manual	Powerdrill Bloom
Mendeduplikasi pengguna dari peristiwa	Kolom pembantu per file	Minta pengguna unik
Membagi berdasarkan kohort atau paket	Gabungkan dan buat ulang tabel	Minta rincian
Peristiwa yang diubah namanya setelah rilis	Temukan di grafik nanti	Terdeteksi saat diunggah
Mengubah populasi yang memenuhi syarat	Kerjakan ulang penyebut	Sebutkan aturan baru

Baris ketiga adalah penentu akurasi laporan Anda. Peristiwa yang diubah namanya dan penurunan yang nyata terlihat identik dalam grafik garis, padahal hanya salah satu dari keduanya yang memerlukan tindakan dari tim produk.

Kesalahan umum

Menghitung peristiwa alih-alih pengguna. Sepuluh ribu peristiwa dari dua ratus orang bukanlah adopsi. Selalu lakukan deduplikasi terlebih dahulu.

Menggunakan semua pengguna terdaftar sebagai penyebut pada fitur yang dibatasi flag. Jika hanya sepertiga akun yang dapat melihatnya, dua pertiga lainnya bukanlah non-pengadopsi. Mereka memang tidak memenuhi syarat.

Menganggap satu klik sebagai adopsi. Satu peristiwa selama orientasi hanyalah paparan awal. Syaratkan penggunaan berulang pada hari yang berbeda jika Anda ingin angka tersebut memiliki arti.

Membandingkan angka rata-rata di berbagai bulan. Pengguna baru dan pengguna lama mengadopsi dengan tingkat yang berbeda, sehingga komposisi pengguna itu sendiri dapat mengubah angka tersebut. Bagilah berdasarkan kohort sebelum menarik kesimpulan.

Mengabaikan perubahan nama peristiwa. Refaktor kode menghasilkan penurunan tajam yang terlihat seperti churn. Periksa kamus peristiwa Anda sebelum menyelidiki perilaku pengguna.

Meniru rentang waktu alat lain tanpa membaca cara kerjanya. Rentang waktu retensi yang terdokumentasi sering kali hanya memfilter peristiwa pertama, sehingga lembar kerja yang memfilter kedua peristiwa tidak akan cocok.

Melaporkan persentase tanpa menyertakan definisi. Angka tersebut tidak berarti tanpa penyebut dan ambang batas. Cantumkan keduanya pada grafik, sama seperti dasbor KPI yang baik melabeli metriknya.

Kesimpulan

Tentukan populasi yang memenuhi syarat, tetapkan ambang batas penggunaan, tentukan rentang waktu, dan lakukan deduplikasi pengguna sebelum membaginya. Keempat langkah tersebut mengubah persentase adopsi fitur menjadi sesuatu yang dapat ditindaklanjuti oleh tim produk.

Yang membuatnya sulit adalah definisi tersebut harus tetap relevan di tengah perubahan produk. Peristiwa yang diubah namanya dan peluncuran yang diperluas dapat mengubah angka tersebut tanpa ada yang menyentuh laporan.

Jika di situlah siklus pelaporan Anda terhambat, coba Powerdrill Bloom pada ekspor penggunaan Anda. Lihat juga panduan kami untuk membuat grafik retensi kohort, kumpulan alat AI untuk analitik produk, dan halaman asisten AI CSV.

Pertanyaan yang sering diajukan

Apa itu adopsi fitur?

Ini adalah proporsi pengguna yang memenuhi syarat yang menggunakan suatu fitur dalam rentang waktu yang ditentukan, diukur sebagai pengguna unik alih-alih jumlah peristiwa. Definisi ini hanya berlaku jika penyebut dan ambang batas penggunaan dinyatakan dengan jelas.

Bagaimana cara menghitungnya dari ekspor peristiwa?

Hitung pengguna unik yang memicu peristiwa fitur dalam rentang waktu Anda, lalu bagi dengan jumlah pengguna yang memenuhi syarat. Lakukan deduplikasi terlebih dahulu, karena satu pengguna dapat menghasilkan ratusan peristiwa.

Apakah penyebutnya harus semua pengguna atau pengguna aktif?

Gunakan populasi yang memenuhi syarat, yaitu pengguna yang benar-benar dapat mengakses fitur tersebut. Menggunakan semua pengguna terdaftar akan menghasilkan angka yang terlalu konservatif dan mengecilkan tingkat adopsi di balik flag peluncuran.

Berapa lama rentang waktu pengukuran yang sebaiknya digunakan?

Cukup lama untuk siklus penggunaan normal, misalnya mingguan untuk produk yang digunakan setiap hari dan bulanan untuk produk berkala. Jaga agar rentang waktu ini tetap konsisten di seluruh laporan, karena mengubahnya akan mengubah angkanya.

Mengapa angka saya berbeda dengan alat analitik?

Biasanya karena rentang waktu atau aturan deduplikasi. Perhitungan retensi yang terdokumentasi sering kali hanya menerapkan filter tanggal pada peristiwa pertama, yang tidak akan bisa ditiru oleh lembar kerja yang memfilter kedua peristiwa.