5.2 Adopsi fitur dan metrik penggunaan

Gambaran umum dan motivasi

Adopsi fitur mengukur apakah orang-orang yang menjadi sasaran sebuah fitur benar-benar memakainya, dengan laju berapa, dan apakah pemakaian itu bertahan dari waktu ke waktu. Dalam arti yang sangat langsung, ini adalah pemeriksaan kenyataan atas semua yang diukur Bagian 2 sampai 4 buku ini: sebuah organisasi dapat melakukan deployment dengan sering, menjaga pengalaman pengembang yang sangat baik, dan mengirim kode yang diuji tanpa cela, namun tetap membangun hal-hal yang tidak diinginkan siapa pun. Data adopsi adalah tempat organisasi rekayasa mengetahui apakah keluarannya terhubung dengan hasil nyata apa pun, yaitu persis pembedaan masukan-keluaran-hasil yang diperkenalkan topik 1.3, kini diterapkan pada kasus paling konkret dalam buku ini: sebuah fitur tertentu yang sudah dikirim.

Kekhawatiran utama topik ini adalah bahwa data adopsi, lebih daripada hampir semua keluarga metrik lain dalam buku ini, mudah diukur dengan cara yang menyanjung alih-alih menginformasikan. Sebuah fitur dapat menunjukkan adopsi awal yang mengesankan semata-mata karena rasa penasaran atau paparan yang dipaksakan (modal yang muncul entah pengguna menginginkannya atau tidak), sementara penyampaian nilai yang sungguh-sungguh dan berkelanjutan, yang diukur dari apakah orang terus memakainya setelah kebaruannya memudar, menceritakan kisah yang sama sekali berbeda. Membedakan adopsi yang sejati dari lonjakan sementara adalah tantangan teknis inti topik ini, dan kesalahan di sini rutin membuat organisasi merayakan fitur yang diam-diam gagal dan meninggalkan fitur yang baru mulai menemukan penggunanya.

Bagi tim besar, data adopsi fitur membuat prioritisasi peta jalan berbasis bukti, bukan digerakkan oleh siapa pun yang paling pandai membela pekerjaan timnya sendiri. Organisasi perusahaan besar yang mengelola portofolio produk yang luas membutuhkan data adopsi untuk mengetahui investasi mana yang sepadan; organisasi pemerintahan yang membangun layanan digital bagi warga membutuhkannya untuk menunjukkan bahwa investasi publik menghasilkan layanan yang benar-benar dipakai orang, bukan sekadar layanan yang secara teknis ada.

Prinsip utama

Adopsi awal dan adopsi berkelanjutan adalah sinyal yang berbeda. Lonjakan karena rasa penasaran atau paparan yang dipaksakan tidak sama dengan penyampaian nilai yang sejati dan bertahan lama.
Adopsi harus diukur terhadap audiens yang dituju, bukan terhadap seluruh basis pengguna Anda tanpa pandang bulu.
Fitur dengan adopsi rendah belum tentu gagal. Mungkin ia sulit ditemukan, salah sasaran, atau sekadar baru; selidiki dulu sebelum menyimpulkan.
Retensi penggunaan lebih penting daripada satu potret adopsi. Lacak apakah orang yang pernah mencoba sebuah fitur terus kembali memakainya.
Data adopsi rentan terhadap manipulasi lewat paparan yang dipaksakan atau dark pattern. Angka yang digelembungkan dengan membuat fitur sulit dihindari bukan sinyal yang sejati.

Rekomendasi

Bedakan percobaan awal dari retensi berkelanjutan

Lacak dua angka terpisah: persentase audiens sasaran Anda yang mencoba sebuah fitur setidaknya sekali (adopsi awal), dan persentase yang masih memakainya setelah periode yang berarti, misalnya empat atau delapan minggu (adopsi yang bertahan). Fitur dengan percobaan awal tinggi dan retensi rendah menunjukkan bahwa kemudahan ditemukan berhasil tetapi fiturnya sendiri tidak memberi cukup nilai untuk membuat orang kembali, diagnosis yang sangat berbeda, dan perbaikan yang sangat berbeda, dari percobaan awal rendah dengan retensi tinggi, yang menunjukkan fitur yang benar-benar bernilai tetapi belum cukup banyak orang yang mengetahuinya.

Tetapkan audiens sasaran secara tepat sebelum mengukur adopsi

Adopsi yang diukur terhadap seluruh basis pengguna Anda dapat menyesatkan jika sebuah fitur memang hanya dimaksudkan untuk segmen tertentu: fitur untuk administrator perusahaan besar yang diukur terhadap basis yang sebagian besar pengguna perorangan akan selalu tampak beradopsi buruk, sebaik apa pun ia melayani orang-orang yang menjadi sasarannya. Tetapkan audiens yang dituju secara eksplisit sebelum peluncuran, dan ukur adopsi terhadap penyebut yang spesifik itu, bukan jumlah total pengguna Anda.

Selidiki adopsi rendah sebelum menyimpulkan sebuah fitur gagal

Angka adopsi yang rendah memiliki beberapa kemungkinan penyebab yang menuntut tanggapan yang sangat berbeda: fitur itu memang tidak bernilai, fitur itu bernilai tetapi sulit ditemukan (pengguna tidak tahu ia ada), fitur itu bernilai tetapi kurang dijelaskan (pengguna melihatnya tetapi tidak memahami tujuannya), atau jendela pengukuran sekadar terlalu pendek bagi fitur yang adopsinya lebih lambat untuk menemukan audiensnya. Selidiki mana yang berlaku sebelum memutuskan untuk berinvestasi lebih lanjut, mendesain ulang, atau menghentikan fitur itu.

Waspadai adopsi yang digelembungkan oleh paparan yang dipaksakan atau dark pattern

Angka adopsi yang didorong oleh fitur yang sulit dihindari, alur onboarding yang mengganggu, modal yang harus ditutup pengguna, atau pengaturan bawaan yang sulit diubah, tidak mengukur penyampaian nilai yang sejati, dan merayakannya seolah-olah demikian mengulang pola manipulasi substitusi dari topik 1.2 dalam bentuk produk. Padukan angka adopsi mentah dengan sinyal kepuasan atau sinyal ala Net Promoter untuk fitur spesifik itu bila memungkinkan, agar paparan yang dipaksakan dan tidak berubah menjadi kepuasan yang sejati tertangkap, bukan dirayakan.

Hubungkan tren adopsi kembali ke keputusan produk dan rekayasa tertentu

Ketika adopsi tiba-tiba naik atau turun, telusuri perubahan itu kembali ke keputusan tertentu, perubahan antarmuka, perubahan pengaturan bawaan, dorongan pemasaran, peningkatan atau kemunduran kinerja, alih-alih memperlakukan pergerakannya sebagai misteri yang tak terjelaskan. Ini menghubungkan data adopsi dengan pembelajaran produk dan rekayasa yang dapat ditindaklanjuti, menutup lingkaran antara perubahan tertentu dan efek terukurnya pada penggunaan nyata.

Pertukaran: kelebihan dan kekurangan

Pendekatan	Kelebihan	Kekurangan
Mengukur terhadap total basis pengguna	Sederhana, satu penyebut	Menyesatkan untuk fitur yang ditujukan bagi segmen tertentu
Mengukur terhadap audiens sasaran yang ditetapkan	Adil, mencerminkan jangkauan yang dituju secara akurat	Membutuhkan penetapan audiens yang disengaja sebelum peluncuran
Hanya percobaan awal	Sinyal cepat, tersedia segera setelah peluncuran	Melewatkan apakah fitur memberi nilai yang bertahan lama
Percobaan awal plus retensi	Membedakan rasa penasaran dari nilai yang sejati	Membutuhkan waktu tunggu lebih lama (berminggu-minggu) sebelum gambaran utuh muncul

Ketegangan utamanya adalah kecepatan versus kejujuran. Data percobaan awal tersedia hampir segera setelah peluncuran dan memenuhi tekanan organisasi untuk melaporkan hasil awal, tetapi data itu sendiri tidak dapat membedakan rasa penasaran atau paparan yang dipaksakan dari nilai yang sejati dan bertahan lama. Selesaikan ketegangan itu dengan melaporkan data percobaan awal lebih dini dan diberi label jelas sebagai data awal, sambil berkomitmen secara terbuka pada pembacaan retensi lanjutan pada interval tetap yang sudah ditentukan, agar antusiasme awal tidak mengeras menjadi kisah sukses yang tidak diperiksa sebelum sinyal yang sebenarnya sempat muncul.

Pertanyaan untuk didiskusikan dengan tim Anda

Untuk fitur terbaru yang kita kirim, apakah kita mengetahui percobaan awal dan penggunaan yang bertahan secara terpisah, atau hanya satu angka gabungan? Jika hanya ada angka gabungan, celah itu menyembunyikan persis pembedaan rasa penasaran versus nilai yang dianggap sentral oleh topik ini.
Apakah audiens sasaran fitur ini ditetapkan secara eksplisit sebelum peluncuran, dan apakah kita mengukur adopsi terhadap kelompok yang spesifik itu? Periksa apakah penyebut adopsi Anda saat ini sesuai dengan siapa fitur itu sebenarnya dibangun, atau apakah ia terencerkan karena diukur terhadap populasi yang lebih luas dan tidak relevan.
Untuk fitur dengan adopsi rendah, apakah kita sudah menyelidiki mana dari beberapa kemungkinan penyebab, nilai rendah, sulit ditemukan, kurang dijelaskan, waktu tidak cukup, yang sebenarnya berlaku? Telusuri daftar diagnostik spesifik ini untuk fitur berdaya adopsi rendah yang nyata dan sedang berjalan, alih-alih langsung menyimpulkan “pasti tidak bernilai.”
Apakah ada bagian dari angka adopsi yang kita laporkan yang digelembungkan oleh paparan yang dipaksakan, pengaturan bawaan yang mengganggu, atau modal yang wajib ditutup, alih-alih pemakaian yang sukarela dan sejati? Jujurlah di sini; ini pola yang umum dan mudah terjebak, terutama di bawah tekanan untuk menunjukkan hasil positif awal.
Ketika adopsi sebuah fitur bergerak signifikan, dapatkah kita menelusuri pergerakan itu kembali ke perubahan tertentu yang kita buat? Jika jawabannya biasanya “kami tidak yakin,” celah itu membatasi seberapa banyak organisasi Anda dapat belajar dari data adopsinya sendiri dari waktu ke waktu.
Apakah kita memadukan angka adopsi dengan sinyal kepuasan apa pun untuk fitur yang sama, atau kita hanya melacak penggunaan mentah? Angka adopsi tinggi yang berpasangan dengan kepuasan rendah adalah tanda peringatan yang akan sepenuhnya terlewat oleh penggunaan mentah saja.

Lensa sektor

Startup. Adopsi fitur sering kali menjadi sinyal terpenting yang dimiliki perusahaan muda, terkait erat dengan product-market fit itu sendiri. Lacak retensi secara khusus, bukan hanya percobaan awal, sejak peluncuran fitur pertama, karena membedakan nilai sejati dari rasa penasaran awal sangat penting ketika kelangsungan hidup perusahaan mungkin bergantung pada ketepatan diagnosis ini.

Usaha kecil. Sebagian besar platform analitik melaporkan data penggunaan dasar dengan penyiapan minimal; disiplin utamanya adalah menetapkan audiens sasaran dengan jelas sebelum mengukur, alih-alih melaporkan adopsi terhadap seluruh basis pelanggan Anda tanpa memandang untuk siapa sebuah fitur sebenarnya dibangun.

Perusahaan besar. Data adopsi pada skala ini esensial untuk prioritisasi peta jalan yang adil dan berbasis bukti di seluruh portofolio produk yang besar, dan disiplin membedakan percobaan awal dari retensi berkelanjutan bahkan lebih penting di sini, karena basis pengguna yang cukup besar dapat menghasilkan lonjakan awal yang tampak mengesankan untuk hampir setiap peluncuran, terlepas dari nilai sebenarnya.

Pemerintahan. Adopsi layanan digital bagi warga adalah ukuran langsung dan konkret tentang apakah investasi publik berubah menjadi manfaat publik yang nyata, dan sering kali jauh lebih meyakinkan bagi badan pengawas daripada hitungan pengiriman atau aktivitas. Ukur adopsi terhadap populasi yang memang dituju layanan itu, dan jujurlah tentang hambatan (literasi digital, akses, kesadaran) yang mungkin menjelaskan adopsi rendah di luar desain layanan itu sendiri.

Contoh

Perusahaan besar. Sebuah perusahaan perangkat lunak manajemen proyek meluncurkan fitur penyuntingan kolaboratif baru dan merayakan tingkat percobaan awal yang mengesankan sebesar 60% dalam dua minggu pertama. Pembacaan retensi lanjutan pada minggu kedelapan menunjukkan hanya 8% dari para pencoba awal itu yang masih memakai fitur tersebut secara rutin, mengungkap bahwa tingkat percobaan yang tinggi hampir seluruhnya didorong oleh tooltip onboarding yang mencolok dan sulit ditutup, bukan minat yang sejati dan berkelanjutan. Penyelidikan atas umpan balik kualitatif dari para pencoba awal yang berhenti memakai fitur itu menemukan masalah kegunaan yang spesifik dan dapat diperbaiki, yaitu pola interaksi yang tidak intuitif, yang ditangani oleh desain ulang yang tertarget, dan penggunaan yang bertahan hampir tiga kali lipat setelah perbaikan, meskipun tidak pernah mendekati angka percobaan awal yang tinggi secara menyesatkan itu.

Pemerintahan. Sebuah layanan ketenagakerjaan nasional meluncurkan alat pencocokan lowongan kerja daring, dan pada awalnya melaporkan adopsi terhadap seluruh basis pengguna terdaftar lembaga itu, menghasilkan persentase rendah yang mengecilkan hati dan mengancam kelanjutan pendanaan program. Analisis yang direvisi, yang mengukur adopsi secara khusus terhadap subset pengguna terdaftar yang aktif mencari kerja di industri sasaran alat itu, yaitu audiens yang sebenarnya dituju, menunjukkan tingkat adopsi yang jauh lebih tinggi dan lebih akurat. Dipadukan dengan kampanye penjangkauan yang tertarget khusus pada audiens yang ditetapkan itu, serta pembacaan retensi berikutnya yang menunjukkan penggunaan berkelanjutan yang kuat di antara para pengadopsi, program itu memperoleh kelanjutan pendanaan berdasarkan metrik yang telah dikoreksi dan ditargetkan dengan jujur, bukan angka asli yang terencerkan secara menyesatkan.

Kasus bisnis: motivasi, ROI, dan TCO

Imbal hasil dari pengukuran adopsi fitur yang ketat adalah investasi peta jalan berbasis bukti: organisasi yang dapat membedakan nilai yang sejati dan bertahan dari percobaan awal yang didorong rasa penasaran dapat berinvestasi lebih lanjut dengan yakin pada fitur yang benar-benar berhasil dan mengalihkan upaya dari yang tidak, alih-alih mengejar lonjakan awal yang menyesatkan atau meninggalkan terlalu dini fitur yang benar-benar bernilai tetapi lambat ditemukan.

Total biaya kepemilikan sebagian besar berupa instrumentasi analitik, yang biasanya sudah tersedia di sebagian besar platform analitik produk modern, ditambah disiplin menetapkan audiens sasaran secara eksplisit dan berkomitmen pada pembacaan retensi lanjutan alih-alih berhenti pada sinyal awal yang belum lengkap. Disiplin itu murah dan mencegah kesalahan yang jauh lebih mahal, yaitu salah membaca keberhasilan palsu maupun kegagalan palsu.

Anti-pola dan jebakan

Hanya melaporkan percobaan awal, tidak pernah retensi: tidak dapat membedakan rasa penasaran atau paparan yang dipaksakan dari nilai yang sejati dan bertahan lama.
Mengukur adopsi terhadap penyebut yang salah: mengencerkan atau menggelembungkan sinyal untuk fitur yang ditujukan bagi segmen audiens tertentu.
Menyimpulkan sebuah fitur gagal tanpa menyelidiki penyebab spesifik adopsi rendah: berisiko meninggalkan fitur yang benar-benar bernilai tetapi sulit ditemukan atau waktunya kurang tepat.
Merayakan adopsi yang digelembungkan oleh paparan yang dipaksakan atau dark pattern: contoh sisi produk dari manipulasi substitusi pada topik 1.2.
Tidak pernah menelusuri pergerakan adopsi kembali ke keputusan tertentu: membatasi pembelajaran organisasi dari data miliknya sendiri.
Melacak penggunaan tanpa sinyal kepuasan yang berpasangan: melewatkan kasus ketika penggunaan tinggi berdampingan dengan nilai atau kepuasan sejati yang rendah.

Model kematangan

Tingkat 1, Initiate (Memulai): Adopsi tidak diukur, atau hanya satu angka percobaan awal yang tidak melacak retensi yang dilaporkan.
Tingkat 2, Develop (Mengembangkan): Sebagian pelacakan adopsi sudah ada, tetapi audiens sasaran tidak ditetapkan secara tepat dan retensi diukur secara tidak konsisten.
Tingkat 3, Standardize (Menstandarkan): Percobaan awal dan adopsi yang bertahan sama-sama dilacak secara konsisten terhadap audiens sasaran yang ditetapkan dengan tepat untuk setiap fitur utama.
Tingkat 4, Manage (Mengelola): Fitur berdaya adopsi rendah diselidiki secara sistematis untuk akar masalah spesifiknya sebelum keputusan mendesain ulang atau menghentikannya; adopsi dipadukan dengan data kepuasan.
Tingkat 5, Orchestrate (Mengorkestrasi): Data adopsi secara langsung dan rutin menjadi dasar prioritisasi peta jalan dan keputusan investasi, dan organisasi dapat menelusuri pergerakan adopsi tertentu kembali ke keputusan produk dan rekayasa tertentu dengan keyakinan.

Gagasan untuk diskusi

Fitur terbaru mana yang percobaan awal dan adopsi bertahannya menceritakan kisah yang sangat berbeda?
Apakah audiens sasaran fitur terakhir kita ditetapkan secara tepat sebelum peluncuran, atau baru sesudahnya?
Fitur berdaya adopsi rendah mana yang layak mendapat investigasi akar masalah yang jujur sebelum kita memutuskan nasibnya?
Apakah ada bagian dari pelaporan adopsi kita saat ini yang digelembungkan oleh paparan yang dipaksakan?
Apa yang akan diungkap oleh memadukan data adopsi dengan data kepuasan tentang fitur kita yang paling banyak dipakai?

Poin-poin utama

Bedakan percobaan awal dari retensi berkelanjutan; lonjakan karena rasa penasaran atau paparan yang dipaksakan bukanlah nilai yang sejati dan bertahan lama.
Ukur adopsi terhadap audiens sasaran yang ditetapkan dengan tepat, bukan basis pengguna yang lebih luas dan tidak relevan.
Selidiki penyebab spesifik adopsi rendah sebelum menyimpulkan sebuah fitur gagal; beberapa penyebab yang sangat berbeda menuntut tanggapan yang sangat berbeda.
Waspadai adopsi yang digelembungkan oleh paparan yang dipaksakan atau dark pattern, dan padukan adopsi dengan sinyal kepuasan untuk menangkapnya.
Telusuri pergerakan adopsi kembali ke keputusan tertentu untuk mengubah data menjadi pembelajaran organisasi yang sejati.

Referensi dan bacaan lanjutan

Lean Analytics, by Alistair Croll and Benjamin Yoskovitz (metrik yang dapat ditindaklanjuti versus metrik kosmetik, diterapkan pada data penggunaan produk).
Continuous Discovery Habits, by Teresa Torres (menghubungkan keputusan produk dengan bukti hasil pelanggan, termasuk data adopsi).
Hooked: How to Build Habit-Forming Products, by Nir Eyal (retensi dan pembentukan kebiasaan, serta garis etis antara nilai yang sejati dan dark pattern).
Measure What Matters, by John Doerr (penetapan sasaran yang berorientasi hasil, berlaku untuk penetapan target adopsi).