Retention-Analyse
Swipe um das Menü anzuzeigen
Die Retentionsanalyse ist eines der wichtigsten Werkzeuge, um zu verstehen, wie gut ein Produkt Nutzer über die Zeit hinweg bindet. Stellen Sie sich vor, Sie betreiben eine Fitness-App und möchten wissen, ob neue Anmeldungen tatsächlich bleiben. N-Tages-Retention und unbegrenzte Retention sind zwei zentrale Methoden zur Messung dessen.
Die N-Tages-Retention gibt den Prozentsatz der Nutzer an, die an einem bestimmten Tag nach ihrer Anmeldung zurückkehren. Zum Beispiel beantwortet die 7-Tages-Retention die Frage: Von allen Nutzern, die sich an einem bestimmten Tag angemeldet haben, wie viele sind genau 7 Tage später zurückgekehrt? Man kann es sich wie ein Wiedersehen vorstellen – wie viele Personen erscheinen eine Woche nach dem Beitritt zur Party?
Die unbegrenzte Retention ist umfassender. Anstatt zu fragen, ob Nutzer an einem bestimmten Tag zurückgekehrt sind, wird gefragt, ob sie an oder nach einem bestimmten Tag zurückgekehrt sind. Die 7-Tages-unbegrenzte Retention ist also der Prozentsatz der Nutzer, die irgendwann am oder nach dem siebten Tag zurückgekehrt sind. Das ist wie die Frage: Wer ist irgendwann nach einer Woche wieder zur Party gekommen, egal wann?
Beide Kennzahlen helfen dabei, Trends bei der Nutzerloyalität und der Produktgesundheit zu erkennen.
1234567891011121314151617181920212223242526import 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}%")
Die N-Tages-Retention misst den Prozentsatz der Nutzer, die an einem bestimmten Tag nach der Anmeldung zurückkehren.
Bei der Berechnung der Retention beginnt man mit der Identifizierung einer Nutzerkohorte – in der Regel alle, die sich am selben Tag angemeldet haben. Anschließend wird überprüft, wie viele dieser Nutzer an einem bestimmten Tag zurückkehren (N-Tages-Retention) oder zu einem beliebigen späteren Zeitpunkt (unbegrenzte Retention). Wenn beispielsweise die N-Tages-Retention am Tag 7 stark abfällt, die unbegrenzte Retention jedoch höher ist, bedeutet das, dass Nutzer zurückkehren, aber nicht immer nach einem vorhersehbaren Zeitplan.
Die Interpretation dieser Zahlen unterstützt Produktentscheidungen:
- Hohe Retention am Tag 1 weist auf ein starkes Onboarding hin;
- Hohe Retention am Tag 30 zeigt, dass Nutzer langfristigen Mehrwert finden;
- Bei niedriger Retention sollten Onboarding, Benachrichtigungen oder Kernfunktionen verbessert werden;
- Die Verfolgung dieser Kennzahlen im Zeitverlauf zeigt, ob Änderungen dazu beitragen, Nutzer zu binden.
Sowohl N-Tages- als auch unbegrenzte Retention zeigen, wie gut das Produkt Nutzer bindet und wo Verbesserungen möglich sind.
1. Was misst Retention in der Produktanalyse?
2. Fülle die Lücke aus:
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
