Lære Retentionsanalyse | Kerne-Målepunkter og Måling

Stryg for at vise menuen

Retention-analyse er et af de vigtigste værktøjer til at forstå, hvor godt dit produkt fastholder brugere over tid. Forestil dig, at du driver en fitness-app og vil vide, om nye tilmeldinger faktisk bliver hængende. N-dags retention og ubundet retention er to centrale måder at måle dette på.

N-dags retention angiver procentdelen af brugere, der vender tilbage på en bestemt dag efter deres tilmelding. For eksempel besvarer dag 7-retention spørgsmålet: Ud af alle brugere, der tilmeldte sig på en given dag, hvor mange vendte præcis tilbage 7 dage senere? Det kan sammenlignes med en genforening – hvor mange møder op til festen en uge efter tilmelding?

Ubundet retention er bredere. I stedet for at spørge, om brugere kom tilbage på en bestemt dag, spørger den, om de vendte tilbage på eller efter en bestemt dag. Så dag 7 ubundet retention er procentdelen af brugere, der kom tilbage på et hvilket som helst tidspunkt på eller efter den 7. dag. Dette svarer til at spørge: Hvem kom nogensinde tilbage til festen efter en uge, uanset hvornår?

Begge målinger hjælper med at identificere tendenser i brugerloyalitet og produktets sundhed.


              1234567891011121314151617181920212223242526
            
import pandas as pd

# Sample user activity data
data = {
    "user_id": [1, 1, 2, 2, 3, 4, 5, 5, 5],
    "activity_day": [0, 7, 0, 1, 0, 1, 0, 7, 30]
}

df = pd.DataFrame(data)

def n_day_retention(df, day):
    signups = df[df["activity_day"] == 0]["user_id"].unique()
    returning = df[df["activity_day"] == day]["user_id"].unique()
    retained = set(signups) & set(returning)
    return len(retained) / len(signups) * 100

def unbounded_retention(df, day):
    signups = df[df["activity_day"] == 0]["user_id"].unique()
    returning = df[df["activity_day"] >= day]["user_id"].unique()
    retained = set(signups) & set(returning)
    return len(retained) / len(signups) * 100

print(f"Day 1 N-Day Retention: {n_day_retention(df, 1):.1f}%")
print(f"Day 7 N-Day Retention: {n_day_retention(df, 7):.1f}%")
print(f"Day 7 Unbounded Retention: {unbounded_retention(df, 7):.1f}%")
print(f"Day 30 N-Day Retention: {n_day_retention(df, 30):.1f}%")

Definition

N-dags retention måler procentdelen af brugere, der vender tilbage på en bestemt dag efter tilmelding.

Når du beregner retention, starter du med at identificere din brugergruppe – typisk alle, der tilmeldte sig på samme dag. Derefter undersøger du, hvor mange af disse brugere der vender tilbage på en bestemt dag (N-dags retention) eller på et hvilket som helst tidspunkt derefter (ubundet retention). For eksempel, hvis du ser, at dag 7 N-dags retention falder markant, men ubundet retention er højere, betyder det, at brugerne vender tilbage, men ikke altid på et forudsigeligt tidspunkt.

Fortolkning af disse tal hjælper dig med at træffe produktbeslutninger:

Høj dag 1 retention betyder, at onboarding-processen er stærk;
Høj dag 30 retention betyder, at brugerne finder langsigtet værdi;
Hvis retention er lav, kan det være nødvendigt at forbedre onboarding, notifikationer eller kernefunktioner;
Overvågning af disse målinger over tid viser, om de ændringer, du foretager, hjælper brugerne med at blive længere.

Både N-dags og ubundet retention viser, hvor godt dit produkt fastholder brugerne, og hvor der er mulighed for forbedring.

1. Hvad måler retention i produktanalyse?

2. Udfyld det tomme felt:

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 2

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Sektion 2. Kapitel 2