Topik 83 dari 91· Aplikasi dan perangkat kesehatan konsumen
Aktivasi dan Keterserapan
Tingkat aktivasi adalah proporsi pendaftar yang mencapai nilai bermakna pertama (tindakan "aha" — pembacaan pertama tercatat, pelajaran pertama selesai). Keterserapan adalah versi populasinya: proporsi populasi yang memenuhi syarat yang mengadopsi sama sekali. Bersama-sama, keduanya adalah gerbang depan corong nilai: akuisisi → keterserapan → aktivasi → retensi → hasil.
Mengapa Ini Penting
Pengguna yang tidak teraktivasi adalah biaya murni: biaya akuisisi, penyediaan, permukaan dukungan — nol nilai klinis. Tolok ukur menempatkan aktivasi perangkat lunak kesehatan di bawah rata-rata lintas industri (≈24% vs ≈37% untuk aktivasi pengguna baru dalam satu set tolok ukur SaaS; penyelesaian daftar periksa orientasi ~20%), mencerminkan orientasi yang lebih berat (identitas, persetujuan, keselamatan klinis). Keterserapan membawa taruhan populasi: dalam kerangka RE-AIM, dampak kesehatan masyarakat ≈ jangkauan × efektivitas — aplikasi yang luar biasa yang diadopsi oleh 3% populasi yang memenuhi syarat menggerakkan jarum populasi sebesar 3% saja. Untuk terapeutik digital yang diresepkan, gerbang keterserapan terlihat dalam data nasional: ~81% resep DiGA Jerman diaktifkan — satu dari lima perawatan yang diresepkan dan dibayar tidak pernah dimulai (lihat jalur cepat DiGA).
Perhitungan
Tingkat aktivasi = pengguna yang menyelesaikan tindakan kunci dalam jendela waktu / pendaftar × 100
Tingkat keterserapan = pengadopsi / populasi yang memenuhi syarat × 100
Tingkat pengisian DTx = kode resep yang diaktifkan / resep yang diterbitkan × 100
Model nilai corong:
memenuhi syarat × keterserapan × aktivasi × manfaat berbobot retensi = nilai populasi
— empat perkalian; meningkatkan faktor terkecil biasanya
mendominasi (teori kendala untuk corong)
Contoh yang Diselesaikan
Sebuah komisioner menawarkan aplikasi pencegahan diabetes kepada 80.000 penduduk yang memenuhi syarat:
Diundang → terdaftar: 80.000 → 12.000 (keterserapan 15%)
Terdaftar → teraktivasi (sesi pertama + tujuan ditetapkan, 7 hari): 12.000 → 5.400 (45%)
Teraktivasi → menyelesaikan program 6 bulan: 5.400 → 1.600 (30%)
Efek program (uji coba, penyelesai): 0,03 QALY + £180 biaya yang dihindari
Nilai populasi = 1.600 × (0,03 × £20.000 + £180) ≈ £1,25 juta
Nilai per orang yang memenuhi syarat = £15,6 — dibandingkan £780 jika setiap orang
yang memenuhi syarat menyelesaikan.
Di mana harus berinvestasi? Menggandakan keterserapan (15→30%) menggandakan nilai;
meningkatkan aktivasi 45→65% menambah ~44%; keduanya mengalahkan terus
memoles konten program yang sudah diselesaikan oleh 1.600 orang tersebut.
Hubungan dengan Rekayasa Perangkat Lunak
Aktivasi adalah tahap corong yang paling dapat ditangani dari sisi rekayasa: gesekan verifikasi identitas, alur persetujuan, desain keadaan kosong, dan waktu-ke-nilai-pertama adalah kode, bukan kebijakan (median waktu-ke-nilai kesehatan ≈ 1 hari 7 jam dalam data tolok ukur — setiap jamnya adalah eksposur pengabaian). Keterserapan adalah masalah sistem distribusi: integrasi ke dalam jalur rujukan (momen resep), undangan yang didukung dokter umum (transfer kepercayaan), dan aksesibilitas (bahasa, keterampilan digital — lihat jangkauan dan kesetaraan). Model nilai corong di atas adalah generator kasus bisnis untuk keduanya: kalikan faktor-faktornya, temukan kendalanya, hargai perbaikan terhadap nilai populasi yang dilepaskannya.
Jebakan
- Aktivasi yang didefinisikan sebagai kenyamanan (email terverifikasi) daripada makna klinis (tindakan terapeutik pertama) — menggembungkan metrik, merusak rantai nilai.
- Permainan penyebut keterserapan: "dari yang mengunjungi situs" vs populasi yang benar-benar memenuhi syarat — komisioner peduli dengan yang kedua.
- Efek seleksi: pengguna yang mudah diaktifkan adalah yang paling tidak sakit dan paling tidak kekurangan; perbaikan corong dapat memperlebar kesenjangan kesetaraan sambil meningkatkan rata-rata.
Sumber
- Activation benchmarks (healthcare SaaS). https://userpilot.com/blog/healthcare-product-metrics-benchmark-report/
- DiGA activation data, npj Digital Medicine 2024. https://www.nature.com/articles/s41746-024-01137-1
- RE-AIM framework. https://re-aim.org/